広告アカウント構成は細分化か統合か｜AI時代の設計の答え

広告アカウントの「正しい構成」は、この10年で一度ひっくり返りました。かつては1つのキーワードごとに広告グループを切る細分化が丁寧な運用の証しとされましたが、いまはGoogle自身が公式ヘルプで「マッチタイプ別にキャンペーンを分割する必要はない」と明言し、自動入札に学習データを集める統合型の構成が標準になっています。古い常識のまま作られたアカウントを引き継いで運用している現場も少なくないはずです。本記事では、何が変わって構成の考え方が逆転したのかを年表と比較で整理し、生成AIを設計にどう組み込むかを解説します。

アカウント構成の「正解」は入れ替わった

かつての検索広告の教科書は、細かく分けることを勧めていました。キーワードごとに広告グループを切り、検索語と広告文を1対1で対応させ、キーワード単位で入札単価を刻む。人間が分類と単価調整の腕を競う世界では、それが品質評価とクリック率を高める合理的な設計だったのです。1キーワード1広告グループ、いわゆるSKAGと呼ばれる構成が広まったのも、この文脈でした。

ところが現在の推奨は正反対です。データを細かく割らずにまとめ、自動入札の学習に材料を渡す統合型が基本になりました。変わったのは流行ではなく、構成を設計する主語です。人が管理するための構成から、機械が学習するための構成へ。この転換を押さえないまま旧来の構成を続けると、丁寧に手をかけるほど学習データが分散し、成果の足を引っ張るという皮肉な事態が起こります。まずは転換点を時系列で確認しましょう。

引き継いだアカウントが旧世代の設計かどうかは、いくつかのサインで見分けられます。コンバージョンが月に数件ずつしか付かない広告グループが大量に並んでいる、ほぼ同じキーワードがマッチタイプ違いで複数のキャンペーンに散っている、広告文がキーワードごとの固定文になっている——どれか一つでも当てはまれば、データが分散している可能性が高い状態です。分散のサインを見つけることが、構成見直しの入り口になります。

転換点の年表——自動化はこう進んだ

構成の常識を塗り替えた出来事は、公式に日付を確認できるものだけでも次のように並びます。

時期	出来事	構成設計にとっての意味
2021年11月	P-MAX（Performance Max）が全広告主に提供開始	チャネル横断の配信判断をAIへ委ねる選択肢が標準装備になった
2022年6月30日	拡張テキスト広告（ETA）の作成・編集が不可に	広告文の組み合わせ最適化はレスポンシブ検索広告（RSA）でAIの仕事に
近年	部分一致×スマート自動入札の組み合わせを推奨	公式ヘルプに「マッチタイプ別のキャンペーン分割は不要」と明記

個別に見ると別々の機能変更ですが、方向は一貫しています。人が細かく指定する余地を減らし、機械に判断材料を渡す方向です。広告文は素材を渡して組み合わせを任せるRSAだけになり、配信面の判断はP-MAXがまとめて引き受け、マッチタイプで流入を刻む設計は不要とされる。この流れの上に、いまのアカウント構成の考え方があります。年表の続きを自分のアカウントに書き足すつもりで、以降の比較を読んでみてください。

なお、この転換はGoogle広告に限った話ではありません。他の広告プラットフォームでも、自動入札と機械学習を中心に据え、細かすぎる構成を避けてデータをまとめる方向の推奨が一般的になっています。検索広告で身につけた「学習に材料を渡す構成」の考え方は、SNS広告やディスプレイ広告の設計にも応用が利きます。一つの媒体の仕様変更ではなく、運用型広告全体の地殻変動として捉えると、いま学び直す価値の大きさが分かるはずです。

細分化構成はなぜ主流だったのか

旧来の細分化構成を、単なる時代遅れと切り捨てるのは正確ではありません。当時の環境では合理的な設計でした。手動入札の時代、入札単価はキーワード単位でしか調整できず、細かく分けることがそのまま調整の解像度だったのです。検索語と広告文を1対1で対応させれば広告の関連性が上がり、品質評価とクリック率の改善も見込めました。細分化は、人間の管理能力を最大限に活かすための工夫だったといえます。

細分化を支えた道具立ても思い出しておきましょう。品質スコアを広告グループ単位で管理し、キーワードと広告文の関連性を高めてクリック単価を抑える。検索語句のレポートを見て、成果の良い語を完全一致で昇格させる。こうした職人技の体系が細分化構成の上に築かれ、その名残はいまも多くのアカウントに残っています。名残そのものは悪ではありませんが、技の前提だった手動入札がすでに主役ではないことは、直視する必要があります。

その代償として、細分化構成は膨大な管理コストを要求しました。数百の広告グループにそれぞれ広告文を用意し、キーワードごとに単価を見て回る。担当者の交代時には構成の解読から始まり、レポートの集計も一苦労です。それでも成果に結びついていたからこそ続いた方式であり、前提が変わった瞬間に合理性が消える種類の設計だったことが、後から分かります。その前提を変えたのが、次に述べる2つの変化です。

細分化を無効にした2つの変化

第一の変化は、キーワードの拡張マッチングです。完全一致を指定しても、表記ゆれ・語順違い・意味が同じと判断された語句など、いわゆる類似パターンへの拡張表示が仕様として広がり、キーワードを厳密に指定したつもりでも流入は重なり合うようになりました。1キーワード1グループで流入を完全に統制するというSKAGの前提は、この時点で実質的に崩れています。細かく分けても、意図した通りには分かれないのです。

第二の変化が、スマート自動入札の普及です。自動入札はオークションごとに文脈を評価して入札額を決めるため、人がキーワード単位で単価を刻む余地は縮小しました。そして自動入札の精度は学習データの量と質に依存します。構成を細かく割るほどコンバージョンデータが分散し、学習の材料が痩せる。細分化は統制を生まず、学習だけを妨げる——これが現在の環境での帰結です。だからこそ、Googleの推奨も統合へ向かいました。

広告文の側でも同じことが起きました。2022年6月30日に拡張テキスト広告の作成・編集ができなくなり、検索広告はレスポンシブ検索広告に一本化されました。人が完成品の広告文をキーワードごとに書き分ける方式から、見出しと説明文の素材を渡して組み合わせを機械に任せる方式への転換です。キーワードごとに広告文を固定するという細分化の目的自体が、仕組みの上で成立しなくなったわけです。入札・マッチング・広告文の三方向から、細分化の根拠は削られていきました。

細分化構成と統合構成を並べて比べる

ここまでの話を、設計の観点ごとに並べて比較します。自社のアカウントがどちらに近いか、照らしながら見てください。

観点	旧来の細分化構成	学習を活かす統合構成
設計の主眼	人が管理・調整しやすい分類	学習データが集まるまとまり
広告グループ	1キーワード1グループも珍しくない	検索意図の近さで束ねて集約する
広告文	キーワードごとに固定の文面を用意	RSAに素材を渡し、組み合わせは自動
流入の統制	マッチタイプと入札単価で制御	除外キーワードと構成の枠で制御
向く場面	文言を厳密に固定すべき例外領域	CVデータを学習に集めたい大半の獲得型配信

注意したいのは、これが新旧の優劣表ではなく選択の判断表だという点です。商標対応や広告審査の都合で特定の検索語に特定の文言だけを出したい領域では、いまでも細かく分ける理由が残ります。判断の軸はただ一つ、「厳密な出し分けの必要性」と「学習データの集約」のどちらを優先すべき領域か、です。大半の獲得型配信は後者に該当します。例外を例外として扱い、原則は統合に置くのが現在の設計です。

もう一つの現実的な論点は、社内やクライアントへの説明です。細分化構成には「ここまで細かく管理しています」という説明のしやすさがあり、統合構成は一見すると手抜きに見えてしまうことがあります。しかし報告すべきは管理の細かさではなく、学習に必要なデータがまとまっているかという設計の質です。この比較表のような形で新旧の考え方を並べて示すと、構成変更の稟議や報告はぐっと通りやすくなります。設計の言語化は、社内合意の道具でもあるのです。

Googleの公式推奨をどう読むか

推奨の根拠としてGoogleが示す数字も、性格を理解して読む必要があります。公式ヘルプは、フレーズ一致から部分一致への切り替えについて「目標CPA利用時に平均25%コンバージョンが増加」というGoogle内部データ（2020年）を挙げ、P-MAXについては提供開始時の公式ブログが「同等のCPAで平均13%のコンバージョン増」と発表しています。いずれも推奨する側であるGoogle自身の平均値であり、自社のアカウントで同じ結果になる保証はありません。

だからといって無視するのも誤りです。実務的な読み方は、方向と数字を分けることです。構成をシンプルにしてデータを集約するという方向は仕組みに根ざしており信頼できる一方、25%や13%という数字は自社で検証すべき仮説として扱う。推奨の方向には乗り、効果の数字は自社データで確かめる。この距離感を持てば、推奨を鵜呑みにする運用とも、根拠なく拒む運用とも距離を置けます。

検証のやり方も決めておきましょう。マッチタイプの切り替えなら、全キャンペーン一斉ではなく、一部のキャンペーンや期間を区切って試し、CV単価だけでなく検索語句の質——つまり実際にどんな検索に広告が出たのか——まで見て判断します。数字が良くても無関係な語への表示が増えているなら、除外の整備を先に進めるべきサインです。推奨機能の採否を判断した理由を記録に残しておくと、次の新しい推奨が来たときの判断も速くなります。

構成は「AIのガードレール」と考える

では、自動化が進んだ現在、構成設計の仕事は何を決めることなのでしょうか。答えは、学習が暴れないためのガードレールの設計です。キャンペーンは予算・配信地域・入札戦略という枠を決める単位であり、広告グループは訴求と素材のまとまりを示す単位です。機械はこの枠の中で最適化を進めるため、枠の切り方がそのまま「AIに何をどこまで任せるか」の意思表示になります。

この視点に立つと、分ける基準も再定義されます。かつての「管理しやすいから分ける」は理由になりません。分けてよいのは、予算の意思決定が別、評価の物差しが別、学習させたい目標が別のときだけです。獲得と認知、商材Aと商材Bのように学習の目標が違う配信を混ぜれば最適化の方向が濁り、逆に同じ目標の配信を細かく割ればデータが痩せます。ガードレールは太く、少なく、目的に沿って引くのが原則です。

ガードレールには、構成の枠のほかにもう一つ、入札戦略に渡す目標値があります。目標CPAや目標ROASの設定値は、学習が向かう方向を決めるハンドルそのものです。現実離れした厳しい目標を渡せば配信が絞られ、緩すぎれば効率が崩れます。そして目標値を短期間に大きく動かせば、学習は落ち着く暇がありません。枠は構成で決め、方向は目標値で示す。この2つをセットで設計するのが、自動化時代のアカウント設計の全体像です。

統合構成の作り方——分ける理由を言語化する

実際の設計は、引き算で進めます。まず、予算と評価を分けたい単位だけをキャンペーンとして立てます。BtoBであれば、主力商材の獲得キャンペーンを軸に、指名（社名・サービス名）を分けるかどうかを検討する、といった具合です。その下の広告グループは、検索意図の近さで束ねます。課題を調べる語、手法やカテゴリを比べる語、価格や導入を検討する語——同じ広告文で受けられる範囲が1つのグループという感覚です。

迷ったときの原則は「統合に倒す」です。そして分けるときは、なぜ分けるのかを一言で言語化してみてください。「予算を別に管理したいから」「学習させたいCVが違うから」と言えるなら分ける価値があります。「なんとなく整理したいから」しか出てこないなら、それは学習データを割る損失のほうが大きい分割です。分ける理由を言語化できるときだけ分けるというルールは、構成の劣化を防ぐ簡単で強力な歯止めになります。

広告グループの中身を作るときは、検索意図ごとに「この検索をした人に何を約束するか」を一行で書いてみると、束ね方の妥当性を確かめられます。課題を調べている人には気づきと整理を、比較している人には選定の基準を、価格を調べている人には費用対効果の根拠を。一行の約束が同じなら同じグループでよく、違うなら分ける意味があります。この一行はそのまま、レスポンシブ検索広告に渡す見出し素材の設計図にもなります。

生成AIでキーワードを意図ごとに束ねる

統合構成の質は、キーワードを検索意図ごとに束ねる精度で決まります。数百語の候補を目視で仕分けるのは骨の折れる作業ですが、ここは生成AIの得意分野です。分類と同時に、除外候補まで洗い出させるのがコツです。プロンプトの例を挙げます。

以下は出稿候補のキーワード一覧です。
（キーワードのリストを貼る）

1. 検索意図が近いものをグループにまとめてください
2. 各グループに訴求テーマが分かる名前を付けてください
3. 情報収集段階・比較検討段階・指名検索の3つに分類してください
4. 自社の商材と無関係な検索を呼び込みやすい語（除外キーワード候補）も挙げてください

AIの分類は一般的な言葉の意図理解には強い一方、自社固有の商材区分までは知りません。自社では別事業として扱う2つのサービスが同じグループに束ねられることもあります。分類の最終判断は商材を知る人が行う前提で、たたき台として使いましょう。それでもゼロから仕分けるのに比べれば、作業時間は大幅に短縮できます。分類結果はそのまま、次に述べる除外リストの育成にも流用できます。

キーワード候補そのものを広げる段階でも生成AIは役立ちます。自社の商材説明を渡し、想定顧客が課題に気づいてから導入を決めるまでの各段階で使いそうな検索語を挙げさせると、社内の思い込みの外にある語が拾えます。ただし、検索ボリュームの数値をAIに聞くのは禁物です。もっともらしい数字を作ってしまうことがあるため、量の確認はキーワードプランナーなどの実データで行い、AIには発想の幅出しだけを任せます。

統合で失う統制は除外キーワードで取り戻す

統合構成と部分一致の組み合わせは、学習に材料を渡す代わりに、意図しない検索語句への表示という副作用を持ち込みます。ここで統制の主役になるのが除外キーワードです。細分化時代の統制がマッチタイプによる入口の制限だったのに対し、統合時代の統制は検索語句レポートの確認と除外リストの育成という出口の管理に移りました。構成をシンプルにするほど、除外の運用は重要になります。

運用のリズムとしては、配信開始直後や部分一致への切り替え直後は検索語句の確認を頻繁に行い、安定してきたら定期の確認に移すのが現実的です。集めた検索語句を生成AIに渡し、商材と無関係な語をテーマ別に分類させると、除外リストの整備が速く進みます。複数のキャンペーンに共通する除外は、アカウント単位の除外リストとしてまとめて適用すると管理が楽になります。除外リストは統合構成の安全装置として、構成とセットで育ててください。

除外には、流入の質を守る役割のほかに、キャンペーン間の交通整理という役割もあります。定番なのは、指名検索のキャンペーンと一般語のキャンペーンを分けている場合に、一般語側で自社の指名語を除外しておく設計です。こうすると指名検索が意図しないキャンペーンへ流れ込まず、それぞれの学習データが濁りません。統合構成でも、流入の行き先だけは除外で明確にしておく。少ないキャンペーン数を保ちながら統制を効かせる、要の技術です。

P-MAXと検索キャンペーンの住み分け

2021年11月に提供が始まったP-MAXは、検索・ディスプレイ・YouTubeなどの配信面をまたいで、予算配分からクリエイティブの組み合わせまでを自動で最適化するキャンペーンです。構成設計の観点では、面ごとにキャンペーンを分けるという発想自体を吸収してしまう存在で、検索キャンペーンと並走させる使い方が基本形とされています。既存の検索構成を置き換えるものではなく、覆いきれない需要を広く拾う補完と位置づけるのが実務的です。

BtoBでP-MAXを使う場合は、始める前に計測の整備が欠かせません。P-MAXは渡されたCV定義に向かって最適化するため、資料請求と有効商談を区別しない計測のままでは、質の低いリードを効率よく集める最適化が進んでしまう恐れがあります。何をCVとして学習させるかを先に固め、可能なら商談化などの後工程の情報も取り込んだうえで任せる。自動化に渡す目標の設計こそ、人の仕事です。

P-MAXの評価では、どの配信面でどれだけ成果が出たのかという内訳が、検索キャンペーンほど細かく見えにくいとされる点も知っておくべきです。だからこそ評価は、P-MAXを追加したことでアカウント全体の成果がどれだけ増えたかという増分で見るのが現実的です。開始前の実績を基準として記録しておき、追加後の全体数値と比べる。ブラックボックスを無理にこじ開けるより、全体への貢献で判断するほうが、意思決定は健全になります。

命名規則・計測・変更記録は人が握る

統合構成にすると管理対象は減りますが、人の仕事がなくなるわけではありません。むしろ命名規則・計測設計・変更記録という3つの統制は、シンプルな構成でこそ効きます。命名は目的・商材・対象を決まった順に並べる規則を文書化し、名前だけで集計できる状態を保つ。計測は何をCVと数えるかの定義を固め、タグとパラメータの動作を確認してから配信する。どちらも学習の質を左右する土台です。

• 成果が安定しているキャンペーンの統合・変更は、影響範囲を区切って段階的に行う
• 変更直後は配信が不安定になり得るため、直後の数日の数字だけで評価を確定しない
• 変更前の構成・設定・除外リストは記録を残し、いつでも戻せる状態を保つ
• 学習に必要な期間やデータ量について一律の保証値はない。自社の実績で見極める

そして変更記録です。構成の変更は学習の前提を変えるため、いつ・何を・なぜ変えたのかを残しておかないと、後から成果の変動を説明できなくなります。上のような注意点をチームの共通ルールにしておくと、見直しのたびに議論をやり直さずに済みます。

計測でもう一段深めるなら、CVの質の情報を学習に返す仕組みを検討します。BtoBでは、同じ資料請求でも商談につながるものとそうでないものがあります。商談化や受注といった後工程の結果を広告の計測へ取り込めれば、自動入札は「数」ではなく「質」に向かって学習を進められます。整備の難易度は上がりますが、統合構成と自動入札の効果を最大化する次の一手として、覚えておく価値があります。

移行の進め方——一気に作り替えない

既存の細分化アカウントを統合構成へ寄せるときは、順序がすべてです。棚卸し、設計、段階移行、統制の整備という4段階で進めます。

棚卸しと設計図のたたき台づくりには生成AIが使えます。現状の構成一覧を渡して統合候補を挙げさせれば、人は判断に集中できます。一気の作り替えは、うまく回っていた学習まで壊すおそれのある最後の手段だと心得てください。移行の各段階では、変更内容と日付、直前の実績を必ず記録に残します。数週間後に成果を評価するとき、この記録が唯一の比較の物差しになるからです。

やりがちな失敗と回避

構成の考え方が転換期にあるだけに、新旧どちらの方向にも失敗のパターンがあります。古い常識を引きずる失敗と、新しい推奨に飛びつきすぎる失敗の両方を挙げます。特に、成果が出ているアカウントほど「触りすぎ」の失敗が起きやすいことを覚えておいてください。移行の前後で読み返してみることをおすすめします。

• 1キーワード1広告グループを今も続ける：類似パターンで流入は重なり、データだけが分散して学習が進まない
• 検証なしで一気に部分一致へ広げる：除外運用が追いつかず、無関係な検索語句に予算が流れ出す
• 学習目標の違う配信を1つのキャンペーンに混ぜる：最適化の方向が濁り、成果の良し悪しも判定できない
• 記録を残さず一気に構成を作り替える：成果が崩れたときに、原因の切り分けも巻き戻しもできない

よくある質問

AIが作った構成案は、そのまま出稿してよいですか？

おすすめしません。生成AIの構成案は一般的な型に基づくたたき台で、自社の商材構造・予算の意思決定・事業の優先順位は反映されていません。分ける理由を言語化できる枠になっているか、学習データが痩せる分割がないかを人が確認し、修正してから出稿してください。構成案を出させる際に、この記事で挙げた転換点や公式推奨を前提として伝えると、たたき台の質が上がります。

完全一致やフレーズ一致は、もう使わないのですか？

いいえ。公式の推奨は「マッチタイプ別にキャンペーンを分割する必要はない」というものであり、マッチタイプの廃止ではありません。指名検索や、必ず取りたい主要な語を完全一致で明示的に押さえる設計は今も有効です。部分一致で学習に幅を渡しつつ、要所は完全一致で固定する、という併用が現実的です。迷う場合は、指名語と主要語だけを完全一致で押さえる小さな併用から試すとよいでしょう。

古い細分化アカウントは、作り直すべきですか？

全面的な作り直しは最後の手段です。成果が出ているキャンペーンを残したまま、休眠グループの整理や意図の近いグループの統合など、影響の小さい部分から段階的に寄せていくのが安全です。棚卸しの一覧づくりと統合候補の洗い出しに生成AIを使えば、移行計画は短時間で形になります。その際も、変更前の実績を記録してから動くという原則だけは必ず守ってください。

まとめ

細かく分けるほど丁寧、という時代は終わりました。P-MAXの登場、ETAからRSAへの一本化、部分一致×自動入札の公式推奨という流れが示すとおり、いまの構成設計の主眼は学習にデータを集める枠をどう引くかというガードレールの設計にあります。生成AIにはキーワード分類と構成案のたたき台を任せ、分ける理由の言語化、除外リスト、CV定義という統制は人が握る。まずは自社のアカウントを棚卸しして、分ける理由を言えない分割がないか点検するところから始めてみてください。転換の経緯を知っていれば、次に仕様が変わったときも方向を見失わずに対応できるはずです。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。