会社情報
採用情報
お問い合わせ
Article

地方企業向けデジタルマーケ戦略：エリアターゲティングのコツ

高田晃太郎
地方企業向けデジタルマーケ戦略：エリアターゲティングのコツ

統計的に見ても、ローカル検索は短期の来店や問い合わせにつながりやすい傾向があります。公開資料では、スマホでのローカル検索利用者の約76%が24時間以内に関連ビジネスを訪れるという報告や[1]、約50%が1日以内に来店へ至るという調査が示されています[2]。だからこそ、地方企業のデジタルマーケティングでは「誰に」よりも「どこで」に投資する設計が、費用対効果を左右する主要因になります。にもかかわらず、エリア配信が半径指定か広域配信の二択に留まり、効果検証がクリック単価の比較で止まるケースは少なくありません。私はこれを「解像度（地理の切り方）と因果（広告がなかった場合との差分＝増分効果）の問題」と捉えています。つまり、商圏を事業に合う粒度で区切り直し、来店や売上との因果を地域実験で確かめることが、持続的なCPA改善につながるという考えです。本稿では、H3（六角形の階層型グリッド）やPostGIS（データベースの地理拡張）を使ったエリア設計、広告APIによる運用、オフラインコンバージョン連携、因果推定の設計までを、CTOの視点で実装ベースに整理します[3][4][5]。

エリアターゲティングを戦略資産に変える設計

半径指定は手軽ですが、現実の商圏（キャッチメント）は円形ではありません。河川や鉄道、峠、競合店、公共交通の結節点などで人の流れは歪みます。半径から多角形、さらにグリッド（H3など）へ移行することで、配信の当たり外れを減らせます。地理メッシュを単位に反応差を学習すると、配信やクリエイティブのPDCA（計画・実行・評価・改善）に直結します。重要なのは事業特性に合った解像度選びです。回転率の高い飲食や短期決定のサービスは細かいメッシュが効き、検討期間が長いB2Bや高額商材は通勤動線や営業エリアを含む広めの区画が機能します。学習の安定性（十分なデータ量）と分割の細かさはトレードオフなので、まずは中庸の解像度で始め、差が大きいセルに投資を厚くしつつ、データが溜まった領域から細分化していくのが現実的です。

解像度の選び方：半径からH3/ポリゴンへ

基盤データとしては、広告クリックやセッションの緯度経度、店舗・営業所の位置、競合点の位置があれば十分に始められます。学習の単位をH3で揃え、セル単位でCVR（コンバージョン率）やCPA（獲得単価）を比較するだけでも、平均に対して高反応・低反応のセルが浮き彫りになります。BigQuery GISのH3関数を使えば、イベントをセルに割り当てる前処理を高速に回せます[3]。解像度は「過度に細かくして母数が足りない」状態を避け、まず市街地で数百メートル〜1km程度の粒度から試すと安定します。

-- BigQuery: イベントをH3セルにバケットし、セル単位の指標を作成
-- 前提: dataset.events(lat, lon, clicks, conv) がある想定
SELECT
  H3_FROMGEOGPOINT(ST_GEOGPOINT(lon, lat), 8) AS h3_8,
  COUNT(*) AS sessions,
  SUM(clicks) AS clicks,
  SUM(conv) AS conv,
  SAFE_DIVIDE(SUM(conv), NULLIF(SUM(clicks), 0)) AS cvr
FROM dataset.events
WHERE event_date BETWEEN DATE_SUB(CURRENT_DATE(), INTERVAL 28 DAY) AND CURRENT_DATE()
GROUP BY h3_8;

多角形で商圏を定義する場合は、道路や河川の分断など現実の境界に合わせられます。PostGISの包含判定は空間インデックス前提で設計し、クエリの安定性と速度を確保します[4]。

-- PostGIS: クリックイベントをカスタム商圏ポリゴンに割り当て
-- 前提: events(geom geography) と trade_areas(id, geom geography)
-- インデックス例: CREATE INDEX ON trade_areas USING GIST((geom::geometry));
SELECT a.id AS area_id, COUNT(*) AS clicks
FROM events e
JOIN trade_areas a
  ON ST_Contains(a.geom::geometry, e.geom::geometry)
GROUP BY a.id;

キャッチメントの科学化：Huffモデルと実データ

商圏の初期推定には古典的なHuffモデルが有効です。店舗の魅力度（例：売場面積やレビュー数）と距離抵抗から来店確率を算出し、優先度の高いセルに筋の通った仮説を置けます[6]。理論で作った初期配分を用意し、実績データで逐次上書きするのが現実解です。H3セルごとに理論値と実績値の乖離を可視化し、乖離が大きいセルは現地要因（道路工事、季節行事、競合出店など）をメモ化しておくと、数カ月後の最適化速度が上がります。理論と実測のハイブリッドが、限られた予算で探索と活用のバランスを保ちます。

計測の土台づくり：因果とプライバシー

エリアターゲティングの価値は、クリックや表示の良し悪しではなく、来店・問い合わせ・売上に対する増分効果（因果）で評価すべきです。因果が取れない最適化は、しばしば逆方向へ学習します。来店計測はプラットフォームのモデル化に依存しがちなので、オフラインコンバージョンの連携と、地域単位の実験設計で補完するのが安全です。また、同意管理とハッシュ化は法規対応だけでなく、シグナル減少時代に学習素材を守る基礎になります。

来店・リードの接地：オフラインCVと同意

Google広告では、GCLIDやGBRAID/WBRAID（計測用のクリック識別子）を用いたオフラインコンバージョンのインポートが標準です[7][8]。フォーム情報は正規化してSHA-256でハッシュ化し、同意モードを実装してユーザー選好に応じてタグの挙動を切り替えます[9][10]。以下はブラウザでのハッシュ化の例です。送信基盤は失敗時に生値を送らないフェイルセーフを必ず入れてください。

<script>
async function sha256Hex(input){
  const norm = input.trim().toLowerCase();
  const enc = new TextEncoder().encode(norm);
  const buf = await crypto.subtle.digest('SHA-256', enc);
  return Array.from(new Uint8Array(buf)).map(b=>b.toString(16).padStart(2,'0')).join('');
}
async function sendEnhancedConversion(email){
  try{
    if(!email) return;
    const hashed = await sha256Hex(email);
    await fetch('/enhanced-conv',{
      method:'POST',
      headers:{'Content-Type':'application/json'},
      body: JSON.stringify({ email_sha256: hashed })
    });
  }catch(e){
    console.error('EC send failed', e);
  }
}
</script>

同意モードは拒否時に推定モデルへ委ねるため、エリア別の同意率を把握しておくと学習速度の差を解釈しやすくなります。例えば、同意率の低いエリアでは直帰を減らすクリエイティブを強化して、観測できるシグナル密度を高める、といった運用判断を取りやすくなります。

地域実験で因果を測る：合成コントロール

広告の有無を個人ではなく地域で切り替えると、iOSの計測制約下でも増分効果を推定できます。完全なランダム化が難しいときは、未出稿エリアのトレンドを重ね合わせて反実仮想を作る「合成コントロール法」を使います。PythonのCausalImpact実装は、事前期間の関係性から事後の反実仮想を推定します[11]。

# pip install causalimpact pandas matplotlib
import pandas as pd
import numpy as np
from causalimpact import CausalImpact

# 例: 指名検索数の時系列を用いた地域実験の推定
# data: DataFrame[date, treated, control] を想定

data = pd.read_csv('geo_experiment.csv', parse_dates=['date']).set_index('date')
pre_period = [data.index.min(), data.index[data.index.get_loc('2025-07-01')-1]]
post_period = ['2025-07-01', data.index.max()]
ci = CausalImpact(data[['treated','control']], pre_period, post_period)
print(ci.summary())
ci.plot()

Rに慣れている場合は、GeoLiftで地理的なクラスターランダム化やパワー計算まで含めて設計できます[12]。テスト期間を短縮したくなる場面は多いものの、季節性や週次パターンを跨ぐだけの長さを確保しないと、偽陽性が増えます。

# install.packages("GeoLift")
library(GeoLift)
# df: date, location, y (KPI), treatment (0/1)
results <- GeoLift(data = df,
                   treatment = "treatment",
                   outcome = "y",
                   location = "location",
                   date.id = "date",
                   periods = list(pre = 70, post = 28))
summary(results)

実装アーキテクチャ：広告と自社サイトを連動

媒体の管理画面での手作業には限界があります。広告APIでエリアと入札を自動管理し、サイト側はヘッダ情報のジオ属性や同意状態で出し分けると、学習ループの速度が上がります。分散するデータはBigQueryやSnowflakeに集約し、セル単位の指標を日次更新すると、配分判断の自動化に耐える履歴が揃います。

広告APIでのエリア配信設定

Google Ads APIでは、キャンペーンにGeoTargetConstant（地域ターゲット識別子）を紐付けます[13]。市区町村や郵便番号、半径指定などを組み合わせ、否定地域も機械的に適用します。APIの例外やレート制限に備え、冪等な再試行を実装しておくと安全です。

# pip install google-ads==23.1.0
from google.ads.googleads.client import GoogleAdsClient
from google.ads.googleads.errors import GoogleAdsException
import os

def set_location_targets(customer_id: str, campaign_id: str, geo_constants: list[str]):
    client = GoogleAdsClient.load_from_storage(path=os.getenv('GOOGLE_ADS_YAML'))
    campaign_service = client.get_service('CampaignService')
    campaign_criterion_service = client.get_service('CampaignCriterionService')
    operations = []
    for geo in geo_constants:
        op = client.get_type('CampaignCriterionOperation')
        criterion = op.create
        criterion.campaign = campaign_service.campaign_path(customer_id, campaign_id)
        criterion.location.geo_target_constant = geo  # e.g. 'geoTargetConstants/2392'
        operations.append(op)
    try:
        response = campaign_criterion_service.mutate_campaign_criteria(customer_id=customer_id, operations=operations)
        print(f"Added {len(response.results)} location criteria")
    except GoogleAdsException as ex:
        for err in ex.failure.errors:
            print(f"Error: {err.error_code}, {err.message}")
        raise

半径ターゲティング（Proximity）を使う場合は、位置シグナルに依存するため過度に狭い半径は学習を阻害します。一定以上のボリュームを見込める単位でテストを開始し、パフォーマンスが突出した場合にのみ分割する方が安定します[14]。

from google.ads.googleads.client import GoogleAdsClient

def add_proximity(customer_id: str, campaign_id: str, lat: float, lon: float, radius_km: float):
  client = GoogleAdsClient.load_from_storage()
  service = client.get_service('CampaignCriterionService')
  op = client.get_type('CampaignCriterionOperation')
  criterion = op.create
  criterion.campaign = client.get_service('CampaignService').campaign_path(customer_id, campaign_id)
  criterion.proximity.address_info.lat_lng.latitude_in_micro_degrees = int(lat * 1e6)
  criterion.proximity.address_info.lat_lng.longitude_in_micro_degrees = int(lon * 1e6)
  criterion.proximity.radius = radius_km
  criterion.proximity.radius_units = client.enums.ProximityRadiusUnitsEnum.KILOMETERS
  service.mutate_campaign_criteria(customer_id=customer_id, operations=[op])

サイトの地域出し分けとフェイルセーフ

自社サイトでは、ヘッダーのジオ情報で文言やCTAを変えるだけでも、直帰やフォーム開始率の改善が期待できます。Cloudflare Workersでは国・都市・郵便番号レベルのジオ情報を参照できるため、都市名の差し込みや対応エリアの案内をエッジから返せます（郵便番号は国や環境により未提供の場合あり）[15]。ユーザー同意がない限り、ブラウザの精緻な位置情報を要求しないのが基本線です。不可用時のフォールバックを必ず用意します[16]。

// Cloudflare Workers: 都市別バナーの出し分け
export default {
  async fetch(request) {
    const { city, postalCode, country } = request.cf || {};
    const banner = city ? `【${city}】出張見積もり 強化中` : 'お近くの対応エリアをご確認ください';
    const body = `<!doctype html><html><body><div id="banner">${banner}</div></body></html>`;
    return new Response(body, { headers: { 'content-type': 'text/html; charset=UTF-8' } });
  }
};

ユーザーの許諾が得られた場合のみ、より高精度な位置情報をフロントで取得し、ジオフェンス内か判定します。取得失敗やタイムアウト時は標準導線へフォールバックします[16]。

<script>
function withinFence(lat, lon){
  const center = { lat: 35.6812, lon: 139.7671 };
  const r = 5000; // 5km
  const dLat = (lat - center.lat) * Math.PI/180;
  const dLon = (lon - center.lon) * Math.PI/180;
  const a = Math.sin(dLat/2)**2 + Math.cos(center.lat*Math.PI/180)*Math.cos(lat*Math.PI/180)*math.sin(dLon/2)**2;
  const c = 2*Math.atan2(Math.sqrt(a), Math.sqrt(1-a));
  return 6371000*c <= r;
}
function askGeo(){
  if(!('geolocation' in navigator)) return;
  navigator.geolocation.getCurrentPosition(pos=>{
    const { latitude, longitude } = pos.coords;
    if(withinFence(latitude, longitude)){
      document.getElementById('banner').textContent = 'エリア内限定キャンペーン適用中';
    }
  }, err=>{
    console.warn('geo denied or failed', err);
  }, { enableHighAccuracy:false, timeout:3000, maximumAge:600000 });
}
</script>

運用と意思決定：配分、学習、拡張

実装が整っても、運用原則が曖昧だと成果は安定しません。現場で有効なのは、探索と活用のバランス、明確な停止基準、そしてクリエイティブの地産化です。探索は常に全体の一定割合を確保し、学習が進むセルには上限CPAや目標ROASの枠の中で追加配分します。季節要因や競合の動きでセルの序列は入れ替わるため、意思決定は週次のセル指標で行い、月次では因果実験の更新で方針を見直す、という二層構えが機能します。

予算配分と停止基準

セル単位の配分は、期待値と不確実性の両方を見ると安定します。ベイズ的な分布更新でクレジットを割り振る方法もありますが、実務では上限CPAと最小ボリュームを両立する閾値ルールが運用負荷を下げます。停止は短期の悪化だけで判定せず、先行指標（スクロール深度やフォーム開始）と遅行指標（リード承認や来店）の双方で評価します。停止判断はセル単位で独立に行い、エリア全体の学習は止めないことが、長期の獲得単価を守ります。

クリエイティブの地産化

地域性は、言葉遣いとベネフィットの見せ方に表れます。降雪地域では施工時期の安心感、海沿いでは塩害対策、内陸の工業団地では納期短縮の訴求が効く、といった現地文脈が成果を分けます。最初はテンプレートの変数差し込みだけでもよく、成果が出たエリアから撮影や導入事例の深掘りに投資すると、広告の反応と商談率の同時改善が期待できます。学習済みのコピーやビジュアルは、近接エリアへ慎重に展開すれば、制作コストを抑えながら拡張できます。

まとめ：地図からはじめる成長戦略

エリアターゲティングは広告設定の一項目ではありません。地理の解像度を事業に合わせ、因果で確かめ、APIで回す一連の運用設計が、地方企業の限られた予算を利益に変えます。H3やPostGISでのメッシュ化、オフラインCVと同意管理の整備、地域実験の定例化、そして広告とサイトの一体運用という道筋は、シグナル減少の時代でも有効です。あなたの地図は、いま十分に事業を映しているでしょうか。今日の配信レポートを地図に重ね、反応の良いセルを一つだけ深掘りしてみてください。そこから始まる改善は、来月の予実に確かな差を刻むはずです。

参考文献

  1. Think with Google. Local search conversion statistics https://www.thinkwithgoogle.com/consumer-insights/consumer-trends/local-search-conversion-statistics/
  2. Search Engine Watch. Google: Local searches lead 50% of mobile users to visit stores https://www.searchenginewatch.com/2014/05/07/google-local-searches-lead-50-of-mobile-users-to-visit-stores-study/
  3. Google Cloud. Spatial analysis using grid systems (H3) in BigQuery https://cloud.google.com/bigquery/docs/grid-systems-spatial-analysis
  4. PostGIS Documentation. ST_Contains https://postgis.net/docs/ST_Contains.html
  5. Uber. H3: Hexagonal hierarchical geospatial indexing system (GitHub) https://github.com/uber/h3
  6. Esri ArcGIS Pro. Understanding Huff Model https://pro.arcgis.com/en/pro-app/3.2/tool-reference/business-analyst/understanding-huff-model.htm
  7. Google Ads Help. Enhanced conversions for leads https://support.google.com/google-ads/answer/11021502
  8. Google Ads Help. Use GBRAID and WBRAID to measure iOS conversions https://support.google.com/google-ads/answer/10417364
  9. Google Ads Help. About Consent Mode https://support.google.com/google-ads/answer/10000067
  10. MDN Web Docs. SubtleCrypto.digest() https://developer.mozilla.org/en-US/docs/Web/API/SubtleCrypto/digest
  11. Brodersen, K. H., et al. Inferring causal impact using Bayesian structural time-series models https://research.google/pubs/pub41854/
  12. CRAN. GeoLift: Inference and Design for Geo Experiments https://cran.r-project.org/package=GeoLift
  13. Google Ads API. Location targeting guide (GeoTargetConstants) https://developers.google.com/google-ads/api/docs/targeting/location-targeting
  14. Google Ads API. Proximity targeting guide https://developers.google.com/google-ads/api/docs/targeting/proximity-targeting
  15. Cloudflare Developers. Request.cf geolocation properties (Workers) https://developers.cloudflare.com/workers/runtime-apis/request/#incomingrequestcf-properties
  16. MDN Web Docs. Geolocation API https://developer.mozilla.org/en-US/docs/Web/API/Geolocation_API