会社情報
採用情報
お問い合わせ
Article

リスティング広告文のNG例と成功例：書き換えでCTR改善

高田晃太郎
リスティング広告文のNG例と成功例：書き換えでCTR改善

Googleは広告ランクの算出において、実績や予測に基づくクリック率（CTR: Click Through Rate）を主要因のひとつとして評価すると明言しています¹。入札単価（Bid）やランディングページの利便性と並び、広告文そのものが広告配信量と単価（CPC: Cost Per Click）を左右するという事実は、多くの開発・プロダクト組織にとって見過ごせません²。にもかかわらず、現場では動的挿入や抽象的な訴求の乱用で、意図に噛み合わないコピーが量産されがちです。この記事では、NG例を構造的に分解しながら成功例への書き換え方を提示し、さらにテンプレート化、計測、意思決定まで踏み込んで、エンジニアリング組織でも運用しやすい枠組みに落とし込みます。

CTRが伸びない根本理由を分解する：品質スコア、意図適合、具体性の欠落

広告文の改善はキャッチーな言葉探しではなく、確率変数の制御に近い営みです。検索クエリの意図に対して回答の具体性と独自性を担保すること、次のアクションを低摩擦で提示すること、そして不安要素を先回りで打ち消すこと。この三点が揃わない広告は、表示はされても選ばれません。品質スコアの構成要素である推定CTRは、過去の実績とテキストの関連性から推定されます¹。つまり初期のCTRが悪いコピーは、オークションで不利になり続け、学習の機会自体を失いがちです¹。

NGパターンに共通するのは、言い切りの弱さと対象の曖昧さです。誰の、どんな状況に、どの指標で、どれくらい効くのかが見えないコピーは、ユーザーにとってクリックする理由がありません。特にB2B領域では、導入リスクをどう抑えるのか、評価プロセスをどう短縮するのかといった現実的な懸念に触れていないだけで、CTRが落ちることは珍しくありません。反対に、導入までの手順、試用条件、SLA（Service Level Agreement: サービス品質保証）やセキュリティ準拠などの具体を前面に出すと、クリックの閾値は下がります。

また、動的キーワード挿入（DKI）の扱いはバランスが重要です。適切に設計されたDKIは、検索語と見出しの一致度を高め、関連性シグナルの向上に寄与しうる一方、構文の崩れや価格・機能との矛盾、ブランドガイドライン逸脱といったリスクもあります。短期の表示増が長期の学習を劣化させないよう、挿入語の辞書、最大文字数、禁止語、文法のバリデーションをシステム側で担保し、ネガティブキーワードや除外シナリオを併用する設計が必要です。参考として、意図分類と辞書管理の実装はキーワード意図マッピングの基礎に詳しくまとめています。

NGパターンの構造：抽象、誇張、誰向けか不明

抽象的なメリットだけを並べるコピーは、読み手に選択のコストを押し付けます。たとえば「業務を効率化」「コスト削減」という表現は、具体的な削減幅や対象業務がない限り、他社と区別できません。さらに「No.1」や「最安」の乱用は信頼性の毀損に直結します。裏付けのない優位性表現はポリシー違反リスクも高く、配信停止やアカウントの健全性低下を招きます。最後に、対象の不明瞭さです。CTOが求めているのは、導入判断に必要な事実と、その事実に到達するまでのコストの見取り図です。ここを曖昧にすると、競合比較や資料請求といった別の選択肢に流れていきます。

成功パターンの骨子：具体性、リスク低減、次の一手

うまくいく広告文は、具体的なベネフィットの尺度、組織に効く理由、そして次の一手をセットで語ります。SaaSなら「導入までの平均日数」「既存SSO（Single Sign-On）との接続可否」「無料トライアルの可視化された範囲」など、検証工数を見積もるための情報を先に出すと、クリックの心理的コストが下がります。次に、リスク低減の仕掛けです。解約やトライアル時の制限、SLA、監査証跡、データ所在地といった懸念項目を見出しで触れるだけでも、迷いは減ります。最後に、CTAは失敗のコストが小さい行動に寄せます。「無料見積」よりも「3分で料金試算」のほうが、意思決定の負担が小さく、CTRは上がりやすい傾向があります。

NG例から成功例へ：B2Bシナリオ別の書き換え

ここからは、実在企業名を挙げない形で、B2Bの一般的なシナリオに沿った書き換え事例を提示します。各例は一般化した仮想ケースであり、効果はアカウントや業界により大きく変動します。

指名＋機能比較のシナリオでは、NGが「クラウド監視ツール｜高速・高機能」。これに対し、書き換えは「クラウド監視｜Kubernetes対応とSLO（Service Level Objective）可視化を14日で体験」。導入までの時間軸と評価観点を入れることで、比較意図のユーザーが評価しやすい情報に変わります。意図が比較寄りである場合、曖昧な形容ではなく、評価すべき機能名を見出しに含めることが効きます。

非指名の問題解決型では、NGが「SaaS請求を自動化｜コスト削減」。書き換えは「請求自動化｜NetSuite連携とアラート設計をデモで確認」。既存基幹との連携可否を明示することで、検証の見通しが立ち、不要クリックの抑制にもつながります。

価格感度が高いクエリでは、NGが「ログ管理を低コストで」。これを「ログ管理｜従量課金を可視化、3分でコスト試算」に言い換えると、具体的な次の一手が提示され、行動の障壁が下がります。絶対価格を出せないときでも、試算の容易さを出すのが有効です。

セキュリティが主語のクエリでは、NGが「認証基盤を強化」。書き換えは「IDaaS｜SAML/OIDC/SCIM対応と監査証跡、SOC 2（セキュリティ監査報告）リポート即時DL」。準拠や監査の具体を盛り込むことで、評価者のチェックリストに寄り添えます。

導入リスクが焦点のクエリでは、NGが「社内ポータルを簡単構築」。書き換えは「社内ポータル｜SSO連携と権限移行を無停止でテスト」。無停止や権限移行という失敗の恐れを先回りで打ち消すと、強い意図の検索でも安心感を提供できます。

これらの例は、単に文言を派手にするのではなく、評価者のチェックリストに答えている点が共通しています。つまり、誰が、何を、いつまでに、どの程度、安全に実現できるのかを広告文で答えることがCTR改善の起点になります。コピー制作の原則はB2Bコピーのフレームワークにも整理しています。

生成と検証を仕組み化する：テンプレート、データ、意思決定

言い換えの属人化を避けるには、テンプレート、辞書、検証の三点を自動化し、広告単位ではなく見出し・説明文の断片レベルで効果を推定する設計が有効です（大規模プラットフォームでも、制約付き生成の有効性が報告されています⁴）。ここでは、エンジニアリング組織がすぐに実装できる実務的なコード断片を紹介します。

テンプレート生成：辞書と制約で崩れを防ぐ

まずはCSVの属性辞書から広告文候補を量産し、文字数制限と禁則を満たすかを自動チェックします。以下はPythonでの簡易実装です。

import csv
from typing import List, Dict

MAX_HEADLINE = 30
MAX_DESC = 90

TEMPLATES = {
    "headline": [
        "{category}｜{feature}を{timeframe}で体験",
        "{category}｜{integration}連携と{compliance}"
    ],
    "description": [
        "{benefit}。{cta}。{risk_guard}",
        "{metric}を可視化。{trial}で検証。{cta}"
    ]
}

FORBIDDEN = {"最安", "No.1", "永久無料"}

def fill(template: str, d: Dict[str, str]) -> str:
    return template.format(**d)

def valid(text: str, limit: int) -> bool:
    return len(text) <= limit and not any(x in text for x in FORBIDDEN)

rows: List[Dict[str, str]] = []
with open("dict.csv", newline="", encoding="utf-8") as f:
    reader = csv.DictReader(f)
    for d in reader:
        for th in TEMPLATES["headline"]:
            h = fill(th, d)
            if not valid(h, MAX_HEADLINE):
                continue
            for td in TEMPLATES["description"]:
                desc = fill(td, d)
                if valid(desc, MAX_DESC):
                    rows.append({"headline": h, "description": desc, "tag": d.get("tag", "")})

with open("ads_out.csv", "w", newline="", encoding="utf-8") as f:
    writer = csv.DictWriter(f, fieldnames=["headline", "description", "tag"])
    writer.writeheader()
    writer.writerows(rows)

この段階で機能名や準拠規格などの辞書を整備することで、DKIに頼らずに意図整合の高い候補集合を作れます。次は断片ごとの効果推定です。BigQueryに配信ログを集約して、見出しのn-gramや特定トークンの寄与をラフに推定します。

-- BigQuery: 見出しテキスト別のCTR集計
SELECT
  REGEXP_REPLACE(LOWER(headline), r"\s+", " ") AS h_norm,
  SUM(clicks) AS clicks,
  SUM(impressions) AS imps,
  SAFE_DIVIDE(SUM(clicks), SUM(impressions)) AS ctr
FROM `project.dataset.ad_performance`
WHERE date BETWEEN DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY) AND CURRENT_DATE()
GROUP BY h_norm
HAVING imps >= 1000
ORDER BY ctr DESC;

説明文やトークン単位に拡張していけば、どの要素がクリックに寄与しやすいかが見えてきます。詳細な検定手法はベイズABテスト入門で解説しています。

運用自動化：しきい値で停止、学習を集中

劣後案を早期に止めて学習資源を上位案に寄せるのは、機械学習の早期停止に似ています。Google Ads Scriptで最低インプレッションとCTRのしきい値を設け、劣後案を一時停止し、Slackに通知します（実運用では最新のレポートAPI仕様や権限設定を確認してください）。

function main() {
  var minImps = 1000;
  var ctrThreshold = 0.01; // 1%
  var report = AdsApp.report(
    "SELECT AdGroupId, AdId, Impressions, Clicks, Ctr " +
    "FROM AD_PERFORMANCE_REPORT " +
    "DURING LAST_30_DAYS"
  );
  var rows = report.rows();
  while (rows.hasNext()) {
    var r = rows.next();
    var imps = parseInt(r["Impressions"], 10);
    var ctr = parseFloat(r["Ctr"].replace('%','')) / 100.0;
    if (imps >= minImps && ctr < ctrThreshold) {
      var ad = AdsApp.adGroups().withIds([r["AdGroupId"]]).get().next().ads().withIds([r["AdId"]]).get().next();
      ad.pause();
      Logger.log("Paused Ad " + r["AdId"] + " (CTR=" + (ctr*100).toFixed(2) + "%)");
    }
  }
}

単純なしきい値では不十分な場面もあります。統計的な不確実性を加味した意思決定が必要な場合は、ベイズ的なベタ分布モデルで「BがAより高い確率」を見ると、早期決断の質が上がります。

import numpy as np
from scipy.stats import beta

# A/B のクリックとインプレッション
clicks_a, imps_a = 120, 8000
clicks_b, imps_b = 170, 8200

post_a = beta(1 + clicks_a, 1 + imps_a - clicks_a)
post_b = beta(1 + clicks_b, 1 + imps_b - clicks_b)

samples = 200_000
sa = post_a.rvs(samples)
sb = post_b.rvs(samples)
prob_b_better = float((sb > sa).mean())
print(f"P(CTR_B > CTR_A) = {prob_b_better:.3f}")

この確率が高いときにトラフィックを傾け、十分に収束したら劣後案を停止します。必要なサンプルサイズの見積もりも自動化しておくと運用が安定します。

import math
from statsmodels.stats.power import NormalIndPower

# 例: ベースCTR=1.0%、最小検出差=0.3ポイント、α=0.05、パワー=0.8
base_ctr = 0.010
mde = 0.003
alpha = 0.05
power = 0.8

analysis = NormalIndPower()
# 近似: 比率の二標本検定を正規近似で
n_per_variant = analysis.solve_power(effect_size=(mde / math.sqrt(base_ctr * (1 - base_ctr))),
                                     power=power, alpha=alpha, ratio=1.0, alternative='two-sided')
print(int(math.ceil(n_per_variant)))

最後に、学習の質を落とさないための命名規約とメタデータ管理が重要です。見出し、説明、テンプレート、辞書バージョン、対象意図、主要トークンなどをアセットレベルでタグ付けし、BigQueryのスキーマに持たせます。これにより、コピーのどの要素が再現性を持って効いたのか、どの要素が季節性やチャネル混入でたまたま上振れしたのかを切り分けられます。なお、CTRは掲載順位や表示回数に伴う注目度などの影響を受けるため、単純比較にはバイアスが乗りうる点にも留意してください⁵。

品質スコアとROIに効く：CTR改善がもたらす副次効果

CTRの改善は、クリック数の増加だけにとどまりません。推定CTRが上がれば広告ランクが上がり、同じ入札額でも表示機会が増えます¹。さらに品質スコアの向上は実効CPCの低下につながり、同予算での獲得機会が広がります²。重要なのは、CTRだけを追って誤クリックを増やさないことです。対象外のユーザーを前段でふるい落とす表現、たとえば価格帯の暗示や前提条件の明示は、見かけのCTRを抑えてでも最終的な単価を下げる方向に働きます。広告文の評価は、CTR、CPC、CVR（Conversion Rate）、最終的なpLTVまでのファネルを俯瞰して最適化する必要があります³。

よくある落とし穴と回避策

テストの同時実行数を増やしすぎて分散が大きくなり、どれも結論が出ない状態に陥ることがあります。クエリ意図ごとにテストの優先順位を付け、季節性の強い時期や大規模キャンペーン期間は探索より搾取に寄せる運用が安全です。もうひとつは、コピーがLPと断絶している問題です。広告文で約束した具体性やリスク低減の情報は、LPのファーストビューに必ず反映し、メッセージマッチを維持してください。これができていないと、CTR改善が直帰率の悪化で帳消しになり、品質スコアの別要素であるランディングページ体験でも損をします¹。

まとめ：言い換えを習慣化し、学習を資産化する

リスティング広告のCTRは、抽象的な形容を捨て、評価者の現実に寄り添う具体性を与えるだけで大きく動きます。指名・非指名・比較・価格・セキュリティといった意図の軸でコピーを設計し、導入までの時間、連携可否、準拠やSLA、試用の境界といった判断材料を見出しに埋め込んでください。生成は辞書とテンプレートで半自動化し、配信後は断片単位で効果を推定しながら、ベイズ的な確率思考で早期にトラフィックを寄せていく。こうした運用を四半期単位で回せば、コピー改善の学習はアカウントの資産になります。

今週の実践として、既存の広告から五本を選び、意図に合わせて具体性とリスク低減の情報を追加する書き換えを試してみてください。どの要素が効いたのかを測れるように、見出し・説明・辞書バージョンをログに刻み、テストの判定は確率で語る。この小さな習慣の積み重ねが、品質スコアとROIの両輪を静かに押し上げます。次に、どの意図から着手しますか。

参考文献

  1. Google 広告ヘルプ: 広告ランク（Ad Rank）について. https://support.google.com/google-ads/answer/6167118?hl=ja
  2. Google 広告ヘルプ: 広告オークションと掲載順位、クリック単価の仕組み. https://support.google.com/google-ads/answer/1722122?hl=ja
  3. Search Engine Land: Paid search ad testing: manage to ROI or CTR. https://searchengineland.com/paid-search-ad-testing-manage-to-roi-or-ctr-20309
  4. Yang et al. Neural Ad Generation at Microsoft Advertising. arXiv:1910.12274. https://arxiv.org/abs/1910.12274
  5. Search Ads 360 ヘルプ: キーワードのパフォーマンス評価と指標の解釈. https://support.google.com/sa360/answer/9351019?hl=ja