Hausで広告の増分を確かめる4工程｜AIの配分案を採る前に

「AIが出した予算の配分案なら、データから計算したのだから、そのまま採ってよいのでは」「でも、媒体ごとの管理画面の成果と、分析の結果がいつも食い違う」——広告の予算を預かる担当者や、その上長から聞く声です。数字の出どころが増えるほど、どれを信じるかで迷うようになります。ただ、AIが出す配分は計算の結果であって、正しさの証明ではありません。モデルの推定は、実験で確かめるまでは仮説です。問いは「どの配分を実験で確かめてから採るか、誰が実験を止めて判断するか」に変わりました。この記事では、地域を分けた実験で広告の増分を測る米国の Haus を例に、AIの配分案を採る前の4工程と、それぞれを誰が持つかを整理します。

Haus は、広告が本当に上乗せした売上を実験で測る基盤

Haus は、広告の効果を「増分」で測るための米国の計測の基盤です。増分とは、広告を出したことで、出さなかった場合に比べて上乗せされた売上や申し込みのことを言います。管理画面に表示される成果には、広告がなくても買っていた人の分が混ざっています。増分は、その分を除いた、広告が本当に生んだ分です。

増分を測るいちばん確かな方法は、広告を出す群と出さない群を作って比べる実験です。Haus は、この比べる群を「地域」で作ります。ある地域では広告を続け、別の地域では止めるか減らし、売上の差から増分を推定します。地域で分ける実験は、一人ひとりの行動を追跡するのではなく、地域ごとの売上を比べる方法なので、閲覧の追跡の規制が強まっても使い続けられる点が評価されています。

そのうえで Haus は、実験の結果をモデルに取り込み、実験していない媒体も含めた予算の配分を推定する仕組みを持っています。マーケティング・ミックス・モデリング（MMM）と呼ばれる考え方を土台にしたものです。MMMそのものの仕組みや一般論は別の記事に譲り、ここでは実験とモデルをどうつなぎ、誰が判断するかに絞ります。

作っている会社と、国内でまだ知られていない理由

公式ブログによると、Haus は2021年の創業です。創業者で最高経営責任者のザック・エプスタイン氏は、グーグルで7年間、データサイエンティストとプロダクトの担当として、分析・実験・マーケの科学に関わる仕事を率いていたとされています。2024年7月30日には、01アドバイザーズが主導し、既存の投資家のインサイト・パートナーズなどが加わる形で、2,000万ドルの追加の資金を得たと発表しています。

公式サイトに顧客として並ぶのは、会計ソフト、健康機器、スポーツの賭け、家電、家具の通販など、米国の消費者向けの大きなブランドが中心です。年に4,000を超える実験を回し、年間300億ドルを超える広告費の最適化に関わっているとされます（いずれも提供元の発表）。

国内でまだあまり知られていない理由は、確かめた範囲では3つあります。一つは、顧客が米国の消費者向けで、広告費の大きいブランドに偏っていること。二つめは、地域で分ける実験の単位が、米国の広告の配信地域（全米で210ある市場の区分）など米国の地理を前提に説明されていること。三つめは、発信がすべて英語で、日本での提供や日本語の対応について、2026年10月時点の公式サイトでは確かめられなかったことです。

製品の中身と、それぞれの提供状態

Haus の製品は、実験、因果の推定、日々の増分の報告の3つの柱に、2026年9月に発表されたエージェントが加わる形になっています。発表の時期と提供の扱いが製品ごとに違うため、表で分けておきます。

製品	中身（公式の説明の範囲）	時期と提供の扱い
増分の実験	地域を分け、広告を出す地域と出さない地域の売上の差から増分を推定する。比べる相手は複数の地域を重み付けで混ぜて作る（合成対照）	提供中
Causal MMM	実験の結果を基準にモデルを較正し、実験していない媒体も含めて配分を推定する。製品ページでは週ごとに更新とされる	2025年10月16日に発表。発表時はオープンベータ
Causal Attribution	広告媒体のデータに実験の結果を当て、日々どの媒体が増分を生んでいるかを示す	提供中
Architect	2026年9月23日の公式ブログでは、Causal MMM の中で提供開始。手作業のデータの作業を減らす役割とされる。配分の細かな推奨や価格・販促の助言は「次に」と書かれている	一部提供中、配分の細かな推奨は予定

Architect については、公式サイトの別の記事（日付の記載なし）で、根拠を示して次の一手を一つ提示し、人が確認・編集・承認してから、APIで主要な広告媒体に反映できる仕組みと説明されています。9月の発表の書き方と合わせると、どこまでが今使えて、どこからが予定なのかは、契約の前に提供元に確かめる必要があります。

同じ記事では、同社の製品担当の幹部が「空の上の魔法のロボットに大金を預けて好きにさせる、という形ではない」という趣旨を語り、汎用の大規模言語モデルに予算の助言を求めると、媒体の報告する成果だけを見て誤った方向へ予算を寄せることがある、という例を挙げています。提供元自身が、AIの配分案は人が承認する前提で作られていると説明している点は押さえておく価値があります。

「AIの配分は計算したのだから正しい」は誤り

AIが出す予算の配分案は、過去の広告費と売上の動きから、媒体ごとの効き方を推定した結果です。推定である以上、前提が外れれば答えも外れます。たとえば、ある媒体の広告費を増やした時期にたまたま季節の需要が重なっていれば、モデルはその媒体の効果を大きく見積もります。

この弱点を補うのが実験です。実験は、広告を出すか出さないか以外の条件をそろえて比べるので、季節や販促の影響を切り離せます。Haus の考え方は、実験の結果を「正解」としてモデルに与え、モデルの推定をそこに合わせるというものです。公式の説明では、顧客が回す実験の一つ一つがモデルに取り込まれ、モデルが次に回すべき実験を提案するとされています。

つまり、配分案は「採るか捨てるか」の二択ではなく、「どれを確かめてから採るか」を選ぶ材料になります。全部を確かめることはできないので、確かめる配分を選ぶこと自体が、人の判断の中心になります。次の節から、その流れを4つの工程に分けて見ます。

増分を確かめる4工程の全体像

AIの配分案を採る前に通す工程は、次の4つです。それぞれの工程で、AIが担うことと人が決めることが違います。

この4工程は一回で終わりではなく、回り続ける輪です。工程4で動かした配分は、また次の工程1の候補になります。大切なのは、輪のどこでも、AIが自分で予算を動かす段がないことです。Architect のように承認後に広告媒体へ反映できる仕組みを使う場合も、承認の段は残します。

工程1　確かめる配分を選ぶ

実験には期間と費用がかかるので、モデルが出した配分案をすべて確かめることはできません。選ぶ基準は3つです。一つめは金額の大きさです。動かす金額が大きい配分ほど、外れたときの損が大きいので、先に確かめます。

二つめは推定の幅です。モデルは、ある媒体の効果を「このくらいからこのくらいの間」という幅で出します。幅が広い媒体は、モデル自身が自信を持てていない媒体で、実験の価値が高いところです。三つめは媒体の報告との食い違いです。媒体の管理画面では成果が大きいのに、モデルでは増分が小さい、あるいはその逆の媒体は、どちらが正しいかを確かめないと配分を決められません。

選ぶ人は、予算の配分に責任を持つ人、つまり広告の運用の責任者か、マーケの予算を持つ上長です。分析の担当者やAIは候補の一覧と理由を出しますが、どれを確かめ、どれを確かめずに採るかは予算の持ち主が決めるようにします。確かめずに採る配分には、その理由（金額が小さい、過去に実験済み、など）を書き残します。

工程2　地域で分けた実験を設計する

実験の設計で決めることは、どの地域で広告を続け、どの地域で止めるか、どれだけの期間続けるか、の3つが基本です。Haus の公式ブログによると、同社は比べる相手を、一つの地域と似た別の一つの地域を組にするのではなく、複数の地域を重み付けで混ぜて作る「合成対照」で用意します。たとえば、ある都市の比較の相手を、別の3つの都市を70%・20%・10%の割合で混ぜて作る、という説明です。

同じブログでは、提供元が自社の顧客1社のデータで行った試算として、地域を1対1で組にする方法に比べて推定の精度が4倍になったと述べています（提供元の発表）。一方で、混ぜて作った相手が元の地域をうまく再現できないと結果の信頼性が下がること、地域の間の関係が時間とともに変わり得ることも、限界として書かれています。設計の段階で、比べる相手がどれだけ似ているかを人が確かめる必要があります。

期間と規模については、公式の資料に既定の値は見当たりませんでした。一般には、売上の自然な揺れより大きな差が出るだけの期間と規模が要り、商品が売れるまでの時間が長いほど期間も延びます。設計の案はAIや分析の担当者が出せますが、広告を止めている地域で失う売上を、どこまで受け入れるかは、事業の側の判断です。上限を金額で決めてから実験を始めます。

実験の期間と打ち切りを誰が決めるか

実験でいちばん揉めるのは、途中で止めるかどうかです。広告を止めた地域で売上が落ちて見えると、営業や地域の担当から「すぐ再開してほしい」という声が上がります。逆に、結果がはっきり出ないまま期間が延び、いつまでも予算の判断ができないこともあります。

こうした揉め事を避けるには、打ち切りの条件と、打ち切りを決める人を、実験の前に文書にしておくことです。条件の例は、止めた地域の売上の落ち込みが事前に決めた金額を超えた、重要な販促や競合の大きな動きが片方の地域だけに起きた、データの取り込みに問題が見つかった、などです。条件に当たったときに判断する人は一人に決め、その人が不在のときの代わりも決めます。

打ち切りを決める人は、実験を設計した分析の担当者ではなく、予算と売上の両方に責任を持つ人が適しています。分析の担当者は結果を早く見たい、事業の担当は損を早く止めたい、と立場によって引っ張られる方向が違うからです。条件に当たらない限り、途中の数字を見て止めないことも、最初に合意しておきます。途中の数字で止めると、実験の意味が失われます。

もう一つ、実験の前に書いておきたいのが結果ごとの判断の基準です。たとえば、増分が一定の水準を上回ればその媒体の予算を保つ、推定の幅がゼロをまたげば減らす方向で次の実験を組む、といった具合です。結果を見てから基準を決めると、望む結論に合わせて読み方を変えてしまいがちです。判断の基準は、結果を見る前に決めて残す。これは実験の設計の一部として、打ち切りの条件と同じ文書に書いておきます。

工程3　結果をモデルに戻す

実験が終わったら、得られた増分をモデルに取り込みます。Haus の説明では、実験の結果がモデルの較正に使われ、どの実験がモデルを調整したかを利用者に見える形で示すとされています。製品ページではモデルは週ごとに更新されるとされます。

ここで人が確かめるのは2つです。一つは、実験の結果を幅のまま扱っているかです。実験の結果は「増分は5%」という一点ではなく、「3%から7%の間」のような幅で出ます。幅の広い結果を一点の数字としてモデルに与えると、モデルの推定に実際以上の自信が付きます。

もう一つは、モデルの推定と実験の結果のずれを記録しているかです。ずれが大きかった媒体は、モデルの前提に問題があるかもしれません。ずれの記録が積み重なると、どの媒体でモデルを信じてよく、どの媒体では実験を繰り返すべきかが見えてきます。データの取り込みや集計はAIに任せられますが、ずれの意味を読むのは人の仕事です。

実験の結果は、日々の報告にも使われます。公式の説明では、Causal Attribution は広告媒体のデータに実験の結果を当てて、日々どの媒体が増分を生んでいるかを示すとされます。便利な仕組みですが、毎日の数字は実験そのものではなく、過去の実験の結果で補正した推定です。広告の作り方や季節、競合の動きが変われば、過去の実験で当てた補正は少しずつ古くなります。主要な媒体ほど、実験をやり直す周期（たとえば半年に一度など）を決めておき、日々の数字を見る人がその周期を知っている状態にします。

工程4　次の配分を決め、経営に出す

較正したモデルが新しい配分案を出したら、予算を動かすかを決めます。ここでも、案をそのまま採る必要はありません。動かす幅を一度に大きくせず、段階に分けて動かし、その結果をまた確かめるほうが安全です。

経営に結果を出すときは、増分の数字に必ず幅と前提を付けるようにします。「この媒体を減らしても売上は変わらない」ではなく、「この期間、この地域の実験では、売上の差は幅の中でゼロに近かった」と書きます。実験しなかった媒体の数字はモデルの推定であることも、分けて示します。

経営に出す人は、予算の持ち主か、マーケの責任者が担います。分析の担当者が資料を作り、AIが集計と下書きを助けても、経営への説明の責任は、予算を動かす判断をした人が持つという形にします。営業の予測と実際の数字のずれを読む会議の話は別の記事で扱っているので、ここでは広告の配分の報告に絞ります。

BtoB に当てはめるときの限界

Haus の顧客は米国の消費者向けのブランドが中心で、公式の説明も、日々の売上が地域ごとに十分な量で出る商売を前提にしています。BtoB の企業がこの考え方を当てはめるときには、少なくとも3つの壁があります。

一つめは商談までの長さです。BtoB では、広告に触れてから受注までに数か月かかることが珍しくありません。実験の期間が数週間なら、売上の差が出る前に実験が終わってしまいます。受注ではなく、問い合わせや商談の発生といった手前の数字で測ることになりますが、それが最終の売上にどうつながるかは別に確かめる必要があります。

二つめは地域で分けにくいことです。BtoB の顧客は本社が東京に集中していたり、全国の拠点から一つの窓口で購買したりします。地域を分けても、広告を止めた地域の担当者が、広告を出している地域の同僚から情報を得ることもあります。三つめは母数の小ささです。月に数十件の商談しかない事業では、地域で分けると一つの地域あたりの件数が少なすぎ、差が誤差に埋もれます。公式の資料には、BtoB での使い方や最低限の規模についての記載は見当たりませんでした。

BtoB で代わりに確かめられること

地域で分ける実験が難しくても、考え方は使えます。一つは、地域ではなく時期で区切る方法です。ある媒体の広告を一定期間止め、その前後で問い合わせの数を比べます。季節の影響を受けやすいので、前年の同じ時期や、止めなかった他の媒体の動きと並べて読む必要があります。

もう一つは、広告媒体が提供する実験の機能を使う方法です。媒体の中で広告を見せる人と見せない人を分ける仕組みがあれば、地域で分けるより細かく比べられます。媒体の機能を使った実験の進め方や、認知の変化を測るブランドリフトの調査は別の記事で扱っているので、そちらを参照してください。

いずれの方法でも、実験の結果が出るまでは、AIの配分案を「仮の案」として扱うという姿勢は同じです。BtoB では確かめられる配分の数がさらに限られるので、工程1の「どれを確かめるか」の選定がより重くなります。金額が大きく、推定の幅が広い一つか二つの媒体に絞るのが現実的です。

AIに任せる工程と、人が決める工程

ここまでの4工程を、AIに任せてよいことと人が決めることに分けて整理します。Architect のようなエージェントが進むほど、AIに任せられる範囲は広がりますが、右の列はAIに渡しません。

工程	AIに任せてよいこと	人が決めること
データの準備	広告費・売上・販促の予定の取り込み、表記のそろえ、欠けや外れ値の検出	どのデータを預けるか、欠けたデータをどう扱うか
工程1　選ぶ	推定の幅や媒体の報告とのずれから、確かめる候補を並べる	どれを確かめ、どれを確かめずに採るか
工程2　設計	比べる地域の組み合わせ、期間、必要な規模の案	止める地域で失う売上の上限、打ち切りの条件と判断者
工程3　戻す	結果の集計、モデルの較正、ずれの記録	ずれの意味の読み取り、モデルを信じる範囲
工程4　決める	較正後の配分案、報告の下書き	予算を動かす幅、経営への説明

表の右の列に共通するのは、損を引き受ける判断だということです。実験で広告を止めれば売上を失う可能性があり、配分を動かせば外れたときの責任が生じます。AIはその判断の材料を速く正確に出せますが、損を引き受けることはできません。

やってはいけない使い方

最後に、増分の計測とAIの配分案を組み合わせるときに避けたい使い方をまとめます。どれも、提供元の仕組みの問題というより、使う側の決めごとが足りないときに起きるものです。

• AIの配分案を、実験で確かめないまま全額そのまま採る
• 承認の段を飛ばし、AIが広告媒体の予算を直接動かせる設定にする
• 止めた地域の売上が落ちて見えたため、打ち切りの条件に当たらないのに途中で実験を止める
• 実験の結果を幅のない一点の数字として経営に報告する
• 提供元の効果の数字や、消費者向けのブランドの事例を、自社の BtoB の予算の根拠にそのまま使う

とくに最後の点は、稟議の段階で起きやすい誤りです。公式サイトに並ぶ顧客の事例は消費者向けの企業のもので、提供元の発表です。自社の商談の長さと件数で実験が成り立つかを先に確かめることが、導入の判断の出発点になります。

何が外に出るか、費用の増え方、止め方

外に出るものは、地域ごとの売上、広告費、販促や新商品の予定、価格の情報などの事業のデータです。地域で分ける実験は、一人ひとりの行動の追跡を前提にしない方法ですが、地域別の売上や販促の計画は社外秘の度合いが高い情報です。どのデータを、どの粒度で預けるか、保存の期間と学習への利用、Architect が使う外部のAIの有無は、確かめたページには書かれていなかったため、契約の前に書面で確かめます。

費用は、実験の数と、使う製品の数で増えると考えておくのが自然です。加えて、実験そのものに「広告を止めた地域で失う売上」という見えにくい費用がかかります。金額や体系は公開の資料で確かめられなかったため、見積もりでは「何を単位に数えるか」と、実験の回数に上限があるかを最初に聞きます。

止め方は、エージェントの機能を外しても、実験とモデルの結果を人が読んで配分を決める形に戻れることを確かめておきます。Architect が承認後に広告媒体へ反映する仕組みを使う場合は、反映を取り消す手順と、媒体の側で予算を元に戻す担当を決めておきます。API の接続は、使うのをやめたときに外す手順まで含めて管理します。

広告媒体へ反映する仕組みを使うなら、誰の資格で動くかも決めておきます。媒体の管理画面に予算を書き込める権限は、通常は運用の担当者の個人のアカウントに付いています。その権限をそのまま外部の仕組みに預けると、担当者の異動や退職のたびに接続が切れたり、逆に誰の操作か分からない変更が残ったりします。反映に使う権限は運用の責任者の管理下に置き、変更の記録を媒体の側でも残せるかを、試行の前に確かめておきます。

よくある質問

MMMだけでは足りないのですか

MMMは過去のデータから媒体の効き方を推定するので、季節や販促が重なった時期の効果を取り違えることがあります。実験はその取り違えを確かめる手段です。実験で確かめた結果を基準にモデルを合わせるのが、Haus の考え方の中心です。

日本の市場でも使えますか

2026年10月時点の公式サイトでは、日本での提供や日本語の対応について確かめられませんでした。また、公式の説明は米国の配信地域を前提にしています。日本の地域の区分で実験が設計できるかは、導入の前に提供元に確かめてください。

Architect に予算の配分を任せてよいですか

提供元の説明でも、Architect は人が確認・承認する前提の仕組みとされています。配分の細かな推奨は、9月の発表では「次に」提供するものと書かれています。案を出すところまでを任せ、承認と予算の最終決定は人が持つ形にしてください。

実験の期間はどのくらい必要ですか

公式の資料に既定の期間は見当たりませんでした。期間は、売上の自然な揺れの大きさ、地域あたりの件数、商品が売れるまでの時間で変わります。設計の案はAIや分析の担当者に出させ、止める地域で失う売上の上限と合わせて人が決めます。

まとめ

Haus は、地域を分けた実験と、その結果で較正するモデルで、広告が本当に上乗せした売上を測る基盤です。AIが出す予算の配分案は計算の結果であって、実験で確かめるまでは仮説です。採る前には、①確かめる配分を選ぶ②地域で分けた実験を設計する③結果を幅のままモデルに戻す④次の配分を決めて経営に出す、の4工程を通します。データの準備・推定・設計の案・集計はAIに任せ、確かめる配分の選定・実験の打ち切り・予算の最終決定と経営への説明は人が持つ。BtoB では商談の長さ・地域の分けにくさ・母数の小ささが壁になるので、確かめる配分を一つか二つに絞り、時期で区切る方法や媒体の実験機能も組み合わせます。

• 製品の機能と提供状況は、Haus の公式ブログ（Causal MMM の発表〔2025年10月16日〕、Architect の発表〔2026年9月23日〕、合成対照の解説、資金調達の発表）、Causal MMM の製品ページ、エージェントに関する公式の記事を2026年10月23日に確かめた範囲に基づきます
• 日本での提供、日本語への対応、実験の最低規模、データの保存と学習への利用、料金の体系は公式の資料で確かめられなかったため、契約の前に提供元に直接確かめてください

※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。