広告のリードが商談にならない｜件数より質で設計する

広告運用の仕事の中身は、この数年で大きく入れ替わりました。かつて運用者の腕が問われたのはキーワードごとの入札単価の調整でしたが、いまは自動入札が主流になり、入札の判断はほぼ機械が握っています。同時に、レポートに並ぶ数字も変わりました。CPC（クリック単価）とCPL（リード獲得単価）は自動入札が下げてくれる。それなのに営業からは「最近のリードは商談にならない」という声が上がる。この件数と単価は改善したのに、商談が増えないというねじれが、いまのBtoB広告運用でもっとも多い相談です。原因は運用の手抜きではなく、機械が最適化する対象が「安く取れるCV」だからです。本記事では、質の低いリードが生まれる4つの源を分解し、CV地点の設計、学習データの与え方、除外設定、営業からのフィードバックという4方向の対策と、KPIをCPLからSQL単価へ置き換える手順を整理します。

何が変わったのか：入札の判断が機械に移った

まず前提の整理です。かつての運用は、キーワード単位の入札単価を手で上げ下げし、無駄なクリックを削って効率を作る仕事でした。現在は、コンバージョン数の最大化や目標コンバージョン単価といった自動入札が標準になり、どのオークションにいくら払うかという判断は機械が握っています。運用者に残されたのは、機械に何を目標として与えるか、どんなデータで学ばせるか、どこを除外するかという設計の仕事です。

この移行が、質の問題を表面化させました。手動入札の時代は、運用者が「このキーワードは中身が薄い」と判断して単価を下げれば、そこからの流入は自然に減りました。自動入札はその判断をしません。機械にとっての正解は、与えられた目標に対して最も効率よく到達することです。目標がフォーム送信であれば、フォームを送りやすい人を最短距離で探し続けるのが正しい振る舞いになります。

つまりリードの質は、運用の丁寧さで守られるものではなくなりました。何を目標として与えるかという設計そのものが、質を決める構造に変わったのです。この記事の対策がすべて「設定変更」ではなく「設計変更」の話になるのは、この理由からです。

症状の確認：CPLは下がったのに商談が増えない

典型的な症状を具体的に描いておきます。四半期のレポートでは、リード件数が前期比で40%増え、CPLは20%下がっている。数字としては明確な改善です。ところが商談件数は横ばい、受注も変わらない。営業からのフィードバックは「学生や個人事業主が混ざっている」「資料だけ持っていって連絡がつかない」「うちの製品を導入できる規模の会社ではない」。この3つは、質の問題が現れるときのほぼ定番の訴えです。

ここで確認したいのは、これが広告の失敗ではなく、指標の設計の失敗だという点です。CPLを下げるという目標に対して、運用は正しく機能しました。件数も増えました。問題は、その目標が事業の目的とつながっていなかったことにあります。運用者を責めても改善しません。見る指標を変えなければ、同じ結果が繰り返されます。

もう1つ確認しておきたいのが、「質が低い」という言葉の曖昧さです。営業が言う「質が低い」には、ターゲット企業ではない、決裁に関わらない担当者である、検討時期がまだ先である、単に情報収集だった、という少なくとも4つの異なる状態が混ざっています。どの意味で質が低いのかを分けないと、打つ手が決まりません。対策に入る前に、この分解が必要です。

CPLだけを見る弊害：SQL単価で見ると順位が逆転する

CPLの安さで施策を比べると、判断が逆になることがあります。ある解説では、CPA10,000円で商談化率10%のチャネルと、CPA20,000円で商談化率40%のチャネルを比較し、前者のSQL単価が100,000円、後者が50,000円になると示されています。単価が2倍高いチャネルのほうが、商談1件あたりでは半分の効率だったということです。計算はSQL単価＝CPA÷商談化率という単純な式です。

この式を使うだけで、社内の議論の質が変わります。CPLは広告管理画面に出る数字なので比べやすい一方、商談化率は営業側のデータなので運用者の視界に入りません。だからCPLだけで判断が進む。逆に言えば、商談化率を運用者が見られる状態にするだけで、判断が正しい方向へ動き出すということです。指標を増やすのではなく、指標を掛け合わせるのが要点です。

参考として、施策別のCPL相場の目安も押さえておきましょう。ある調査記事の整理では、リスティング広告が15,000〜30,000円、ホワイトペーパー・資料DLが8,000〜20,000円、ウェビナー開催が5,000〜15,000円、展示会・イベントが10,000〜25,000円、インサイドセールスが20,000〜50,000円とされています。業界別では、SaaS・IT系が10,000〜25,000円、製造業・BtoB商材が15,000〜30,000円、人材・採用支援が5,000〜20,000円、コンサルティングが20,000〜40,000円という幅です。CPLが安い業界ほど商談化率が低い傾向も同時に指摘されており、人材・採用支援ではSQLへの転換率が10〜20%程度と低め、一方でコンサルティングや製造業では商談化率が30〜50%に達することもあるとされています。

原因①：訴求とサービスの中身がずれている

ここから質の低いリードが生まれる源を4つに分けます。1つ目は、広告の訴求とサービスの実態のズレです。クリックを増やすために間口を広げた表現を使うと、その表現に反応した人が集まります。「無料で使える」「誰でもすぐに」「◯分でわかる」といった訴求は、導入の意思よりも手軽さに反応する層を引き寄せます。フォームは埋まりますが、商談には進みません。

ランディングページの構成も同じ問題を抱えます。価格や導入要件を書かないほうがCVRは上がります。しかし書かなければ、予算が合わない企業や、そもそも対象外の規模の企業もフォームを送ります。営業が電話をして「弊社の価格帯は◯◯円からです」と伝えた瞬間に終わる商談が積み上がるのは、この構造です。フィルターを外すとCVRは上がり、質は下がる——このトレードオフを意識せずにCVR改善だけを追うと、必然的に質が落ちます。

対策の方向は、間口を狭めることではなく正しく絞ることです。対象となる企業規模、想定する業種、必要な前提条件をランディングページの目立つ位置に書く。「従業員50名以上の企業向け」「◯◯業の方に多くご利用いただいています」といった記述は、対象外の人にとっては離脱の理由になりますが、対象の人にとっては「自社向けだ」という確認になります。件数は減り、商談化率は上がります。

原因②：ターゲティングが粗く、検索語句が広い

2つ目の源は、配信面とターゲティングの粗さです。検索広告では、部分一致キーワードの拡張により、意図の異なる検索語句にも広告が出ます。BtoBの商材名は一般語と重なりやすく、「勤怠管理 やり方」「請求書 テンプレート 無料」のような、ツール導入とは関係のない検索から流入が発生します。検索語句レポートを見ずに運用している期間は、そのまま無駄クリックの蓄積期間です。

ディスプレイ広告やP-MAXのようなキャンペーンでは、配信面の粗さが加わります。アプリ面や無関係なコンテンツ面での誤クリック、意図せぬオーディエンス拡張。BtoBの場合、就職・転職の情報を探している学生や求職者が、企業のサービス紹介に反応してフォームを送るケースも珍しくありません。営業が「学生が混ざっている」と言う背景には、こうした配信面の混入があります。

加えて、BtoBには構造的な難しさがあります。広告媒体は原則として個人を対象にターゲティングしており、「勤務先の企業規模」や「決裁権の有無」を直接指定できません。この前提を踏まえると、ターゲティングだけで質を担保しようとするのは無理があります。除外設定とCV地点の設計、そして学習データの与え方を組み合わせる必要があります。

原因③：自動入札は「取りやすいCV」に最適化する

3つ目が、この記事の中心にある論点です。自動入札は、与えられたコンバージョンを最も安く多く獲得する方向に学習します。したがって何をコンバージョンとして登録しているかが、そのまま集まるリードの性質を決めます。フォーム送信を目標にすれば「フォームを送る人」が集まり、資料ダウンロードを目標にすれば「資料を集める人」が集まります。買いそうな人を探しているわけではありません。

BtoBではさらに厄介な事情が重なります。本命のコンバージョン件数が少なすぎて、機械学習がまともに回らないのです。ある解説では自動入札に「過去30日間で30件以上のコンバージョン」が必要とされ、Yahoo!広告の入札戦略では「広告グループ単位で直近30日間に40件以上」「キャンペーン単位で直近7日間に20件以上」といった前提が示されています。月に数件しか問い合わせが来ない商材では、この水準に届きません。

そこで導入されるのがマイクロコンバージョンですが、ここに落とし穴があります。フォーム到達や特定ページの熟読をプライマリのコンバージョンにしたまま放置すると、システムは「フォームを見るだけのユーザー」の獲得に最適化を寄せてしまうと指摘されています。学習を回すための応急処置が、恒久的な設定として残り、質の低下を固定化するのです。本命のコンバージョンが月に15〜30件ほど安定して取れるようになったら、マイクロコンバージョンをセカンダリへ移すという出口を、導入時に決めておく必要があります。

原因④：インセンティブ目的・情報収集目的の応募

4つ目は、オファーの設計から生まれる質の低下です。参加特典付きのウェビナー、ギフト券がもらえるアンケート、無料診断——応募のハードルを下げる仕掛けは件数を確実に増やしますが、特典そのものが目的の応募を呼び込みます。特典の魅力がサービスへの関心を上回った時点で、そのリードは商談につながりません。

情報収集目的の応募も一定量は必ず混ざります。競合企業の調査、学生の企業研究、社内資料づくりのための参考収集。これらは悪意ではなく正当な行動であり、完全に排除することはできません。重要なのは、混ざることを前提に、見分けられる状態にしておくことです。フォームに導入予定時期や検討状況の項目を置くだけで、情報収集目的のリードは自己申告で分かれます。

オファー設計の判断軸は、「特典を外しても応募する人がどれだけいるか」です。特典なしのウェビナーと特典付きのウェビナーを別枠で走らせ、それぞれの商談化率を比べれば、特典が呼び込んでいるリードの質が数字で見えます。件数が減ることを恐れずに一度試すと、見かけの件数がどれだけ商談に貢献していなかったかが分かります。

対策の全体像：4方向から質を設計する

原因が4つに分かれたので、対策も対応する4方向で組みます。順序が重要で、上から順に着手します。下の2つだけを先に手掛けても効果が出にくいためです。

1. CV地点の設計を変える——何をコンバージョンとして登録するかで、集まるリードの性質を切り替える
2. 学習データを変える——商談化・受注という後工程の成果を媒体に戻し、機械に「良いリード」を教える
3. 除外設定を運用に組み込む——検索語句・プレースメント・オーディエンスの3層で混入を継続的に削る
4. 営業のフィードバックを構造化して戻す——却下理由をデータにして、上の3つの判断材料にする

この4つは独立した施策ではなく、1つのループです。営業のフィードバックが除外設定と学習データの元になり、学習データがCV地点の妥当性を検証する材料になります。1回の設定変更ではなく、四半期ごとに回す運用サイクルとして設計するのが前提です。

対策①：CV地点の設計でリードの質を変える

最も効果が早いのがCV地点の設計です。同じ広告費でも、何をコンバージョンとして登録するかで集まるリードの温度が変わります。BtoBでよく使われるCV地点を、質と件数の傾向で並べて整理します。

CV地点	件数の出やすさ	リードの温度感	運用上の位置づけ
お問い合わせ・見積依頼	少ない	最も高い	本命CV。件数が足りなくても主目標に据える
無料相談・デモ申込	少ない	高い	本命CVに準じる。営業が直接受け取る前提
ウェビナー申込	中程度	中〜高	テーマ次第で温度が変わる。テーマ別に分けて評価する
ホワイトペーパー・資料DL	多い	中〜低	量を確保する枠。フォーム項目で温度を測る
フォーム到達・料金ページ熟読	多い	低い	学習用のマイクロCV。セカンダリに置く

設計の型は2段構えです。本命のコンバージョンは常にプライマリに置き、学習量が足りない期間だけマイクロコンバージョンを併用する。そして本命が安定したらマイクロコンバージョンをセカンダリへ落とす。プライマリは機械の学習データとして使われ、セカンダリは学習に使われず推移の追跡だけに使われるという違いを理解しておけば、設定の意味を取り違えません。

フォーム項目も質の設計に含まれます。項目を増やすとCVRは下がりますが、会社名、部署、役職、従業員規模、導入予定時期といった項目は、その場でリードを仕分ける情報になります。ある解説では「フォーム項目を見直し、会社名・部署・導入予定時期など温度感を測る項目を追加する」ことが対策として挙げられています。件数を減らす代わりに、営業が優先順位を付けられる状態を作るという交換です。

対策②：オフラインの成果を媒体に戻して学習させる

2つ目は、後工程の成果を広告媒体に戻す仕組みです。商談化や受注は広告管理画面の外にあるため、放置すれば機械は永遠に「フォームを送りやすい人」を探し続けます。オフラインコンバージョンの取り込みや、リードの拡張コンバージョンといった仕組みで、受注につながったリードだけを媒体に返すと、学習の向く先が変わります。

ここで運用上の要点になるのが、コンバージョン値の設定です。すべてのオフラインCVを同じ扱いで戻すのではなく、商談化・見積提示・受注といった段階ごとに異なる値を設定します。たとえば商談化に1、見積提示に3、受注に10といった重みを付け、コンバージョン価値の最大化や目標広告費用対効果で運用する。こうすると、件数ではなく価値の合計を最大化する方向に機械が動くため、質の高いリードを取りに行く挙動になります。

導入の前提として、突合できるデータ構造が必要です。フォームでクリックIDを取得して保存する、あるいはメールアドレスや電話番号をハッシュ化して送る仕組みを整える。この技術的な部分は連携方式が更新されることがあるため、着手時点の媒体公式ドキュメントで現行の方式を確認してください。マッチ率が低いと戻したデータが学習に反映されないため、導入後は取り込み件数とマッチ率の確認を運用に含めます。

• オフラインCVの連携方式・機能名称は媒体側で更新されることがある。着手時点で公式ドキュメントの現行仕様を確認すること
• 顧客データを媒体に送る仕組みのため、取得時の同意の範囲と社内の個人情報の取り扱い規程に照らして可否を確認する
• 戻すデータが少ないうちは学習に反映されにくい。まずは商談化までを確実に戻し、受注データは件数が溜まってから追加するのが現実的

対策③：除外設定を運用に組み込む

3つ目は除外です。単発の作業ではなく、定例業務として組み込むのが要点です。除外は3つの層で考えます。第一層が検索語句——検索語句レポートを週次で確認し、意図の異なる語句を除外キーワードに追加します。「無料」「テンプレート」「やり方」「求人」「アルバイト」といった語は、多くのBtoB商材で事前除外の候補になります。

第二層がプレースメント——ディスプレイやP-MAXでの配信先を確認し、成果の出ていない面やブランドに合わない面を除外します。アプリ面の一括除外は、BtoBでは検討する価値の高い設定です。第三層がオーディエンス——既存顧客、採用応募者、自社の従業員、学生層を除外リストに登録します。既存顧客への配信は、リードとしてカウントされても新規商談にはなりません。

運用に定着させるコツは、除外の判断を個人の裁量に任せないことです。アカウント単位の共有除外リストを作り、そこに追加すれば全キャンペーンに効く構成にする。そして週次の定例で検索語句レポートを5分だけ見る枠を作る。この2つで、除外は属人的な作業から仕組みに変わります。なお除外しすぎると配信量が落ちて学習が止まるため、除外の追加後は表示回数とCV件数の推移を必ず見てください。

対策④：営業のフィードバックを構造化して戻す

4つ目が、実は最も効果が大きく、最も実装されていない対策です。営業が「質が低い」と感じたリードについて、却下理由を選択式で記録するだけで、それは運用に使えるデータになります。自由記述にすると集計できないため、選択肢を固定するのが要点です。

却下理由の選択肢は、対象外の業種、企業規模が合わない、個人・学生・求職者、決裁に関わらない担当者、検討時期が1年以上先、連絡がつかない、情報収集のみ、既存顧客・既存商談の重複、といった粒度で用意します。これを月次で集計すると、どの原因がどれだけの割合を占めているかが分かります。「対象外の業種が30%」なら除外設定の問題、「検討時期が先が40%」ならCV地点とオファーの問題、「連絡がつかない」が多いならフォームの入力品質の問題です。却下理由の分布が、そのまま打つべき対策を指し示す構造になります。

運用への戻し方も決めておきます。月次で却下理由の分布を運用担当と営業で確認し、上位2つの理由に対して次月の打ち手を1つずつ決める。それだけの会議で十分です。フィードバックが運用の変更につながった実績が営業側に見えると、記録の精度も上がります。逆に、記録しても何も変わらない状態が続けば、入力はすぐに形骸化します。

KPIの置き換え：CPLからSQL単価・商談化率へ

最後に、指標そのものを移す手順です。いきなりCPLを廃止すると運用の日次判断ができなくなるため、段階的に置き換えます。

この置き換えで難所になるのは、ステップ2の「商談化率を測れる状態」です。広告経由という情報がフォーム送信の時点でリードに保存されていなければ、後から遡って集計できません。KPIの置き換えは、計測の整備が終わっていないと着手できない——この前後関係を押さえておくと、進め方の順番を間違えません。

AIの使いどころ：仕分けと分類の下ごしらえ

この一連の作業で生成AIが効くのは、判断ではなく仕分けです。第一に検索語句レポートの分類。数百行の検索語句を渡して、商材との関連度、検索意図の種類（導入検討・情報収集・求人・無関係）で分類させれば、除外候補の抽出が短時間で終わります。人が目視で全行を読むより速く、見落としも減ります。

第二にリード情報の仕分けです。会社名の一覧を渡して、業種の推定、対象外業種の候補、フリーメールドメインや個人名らしい登録の抽出を行わせます。ただし企業規模や決裁権の推定は精度が期待できないため、確認すべき行を絞る用途に限るのが妥当です。第三に却下理由の自由記述をクラスタリングし、選択肢の設計に使うこと。既存の記述データがある場合、これは選択肢を作るうえで有効な下ごしらえになります。

いずれの用途でも、AIの出力は最終判断ではなく作業対象の絞り込みとして扱ってください。除外キーワードの追加、リードの却下、予算の付け替えといった判断は事業への影響が直接的で、誤りのコストが高い操作です。AIには分類と要約を任せ、除外と配分の決定は人が握るという分担を最初に決めておくと、運用が壊れません。また顧客の企業名や連絡先を扱うため、外部サービスに渡してよいデータの範囲を社内ルールで確認しておく必要があります。

やりがちな失敗

最後に、質の改善に取り組むときに起きがちな失敗を挙げます。いずれも善意の施策が裏目に出るパターンです。

• CPLの目標だけを厳しくして、質の低いCV地点に配信が寄ってしまう
• フォーム項目を増やしすぎてCVRが大幅に落ち、学習に必要なCV件数を割ってしまう
• マイクロコンバージョンをプライマリのまま放置し、フォームを見るだけの層に最適化が固定される
• 除外キーワードを一度に大量追加し、表示回数が急減して自動入札の学習が止まる
• オフラインCVを取り込んだが値を全件同じに設定し、商談化と受注の差が学習に反映されない
• 営業の却下理由を自由記述で集め、集計できないまま運用に戻せていない
• 商談化率を月次で見ず、施策の良否を四半期末にまとめて判断してしまう

これらに共通するのは、1つの指標だけを動かして他の条件を固定してしまうことです。件数と質は基本的にトレードオフの関係にあり、片方だけを強く締めると必ずどこかが壊れます。除外を追加したら表示回数とCV件数を見る、フォーム項目を増やしたらCVRと商談化率を両方見る。変更と観測を必ずペアで持つのが、崩さないための実務ルールです。

よくある質問

商談化率はどれくらいを目標にすべきですか？

商材と業界で大きく変わるため、外部の一般値を目標にするのは適切ではありません。ある整理では人材・採用支援でSQLへの転換率が10〜20%程度と低め、コンサルティングや製造業では30〜50%に達することもあるとされています。実務では、まず自社の直近半年の実績値を出し、そこからの改善幅で目標を置くのが現実的です。絶対値の比較ではなく、自社内での施策間比較に使うのが商談化率の正しい使い方です。

リードの件数を減らしてしまうのが怖いのですが、どこから手を付ければよいですか？

件数が減らない対策から始めてください。営業の却下理由を記録する、検索語句レポートを週次で確認して明らかに無関係な語句だけ除外する、この2つは件数への影響がほとんどありません。そのうえで却下理由の分布を見れば、どこに手を入れるべきかが分かります。CV地点の変更やフォーム項目の追加は件数に直接響くため、根拠が見えてから着手するのが安全です。

マイクロコンバージョンは使わないほうがよいのでしょうか？

使ってよいのですが、期限を決めて使うものだと考えてください。本命のコンバージョンが自動入札の学習に足りないうちは、マイクロコンバージョンで学習量を確保する意味があります。問題は、本命が安定した後もプライマリのまま残ることです。ある解説では、最終CVが月に15〜30件安定して獲得できるようになった段階でマイクロCVをセカンダリへ変更する、という運用が示されています。導入時に出口条件を書いておくのが要点です。

まとめ

自動入札が入札の判断を握った結果、リードの質は運用の丁寧さではなく設計で決まるものになりました。CPLだけを見ると評価が逆転することがあり、SQL単価＝CPA÷商談化率という式ひとつで判断が変わります。質の低いリードが生まれる源は、訴求とサービスのズレ、粗いターゲティングと広い検索語句、自動入札が取りやすいCVへ寄る性質、そして特典や情報収集目的の応募——この4つです。対策も4方向で、CV地点の設計、後工程の成果を媒体へ戻す学習、3層の除外設定の運用化、そして営業の却下理由を構造化して戻す仕組みです。KPIはCPLからSQL単価へ、日次と月次で役割を分けて移します。広告の仕事は、安く集めることから、良いものを教えることへ移ったと捉えると、やるべきことの優先順位が整います。まずは営業に、却下理由を選択式で記録してもらうところから始めてください。

※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。