何も知らない相手に、広告をどうパーソナライズするか。正直な答えは、個人レベルではできない、です。しかし、あるカテゴリーに関心を持つ人々を理解することは十分にでき、ごくわずかなシグナルから、新規ユーザーを適切なペルソナにマッチングできます。これが、実践的なコールドスタート戦略の核心です。
従来型のオーディエンスデータに代わるものを、業界がどれほど必死に探しているかは、Digidayの最近の報道に表れています。合成オーディエンスは、実験段階から日常のプランニングや戦略立案へと移りつつあります。Aveeno Bodyは、Vurveyの合成リサーチを使って、ストラテジーブリーフに要する期間を約30日から3日に短縮しました。Goodway Groupは、Arimaが提供する米国、英国、ドイツの消費者の「合成母集団」をメディアプランニングに活用しています。
広告におけるコールドスタート問題とは？
この用語は、レコメンドシステムの世界に由来します。行動から学習するシステムには、学習の元となる行動が必要ですが、新規ユーザーにはまだそれがありません。そこでシステムは平均を出します。ベストセラー、汎用的なメッセージ、誰にでも少しは効くけれど、誰にも本当には刺さらない広告です。
広告では、問題はさらに深刻になります。複数のブラウザがサードパーティCookieをデフォルトでブロックし、ドイツでは同意バナーが日常の一部になっていて、全員が「すべて受け入れる」をクリックするわけではありません。従来の解決策だった購入セグメントは、データ保護法の下で扱いが難しくなり、そもそも人が買う理由についてはほとんど何も語りません。GDPRの影響が強いDACH地域（ドイツ、オーストリア、スイス）では、「データをもっと買い足せばいい」はもはや戦略ではありません。
データを増やしても問題が解決しない理由
データ品質の研究には、これについて冷静な定式があります。データの良さは、目的への適合性で決まる、というものです。正確さだけでは足りません。データは、関連性があり、新しく、個別の問いに合っていなければならないのです。文献では、これを「fitness for use」（使用目的への適合性）と呼んでいます。
「25〜34歳の女性、美容に関心あり」といった購入セグメントは、表現としては正確です。それでも「この人は何があれば自社の商品を試してみたくなるか」という問いに対しては、ほとんど役に立ちません。属性は描いていても、動機は描いていないからです。エンゲージメントは、数字ではなく理解から生まれます。
コールドスタートにおいて、決定的に重要な資源は、個々のユーザーの履歴ではありません。カテゴリーにおける動機、不安、言葉づかいの確かな全体像です。そして、その全体像は、一般に公開されているコンテンツから描くことができます。
公開コンテンツからペルソナをどう作るのか？
人は、なぜ買うのか、あるいは買わないのかについて、公の場で驚くほど多くを語っています。ブランド投稿へのコメント、商品レビュー、クリエイター動画、フォーラムのスレッドなどです。こうしたコンテンツを収集し、テーマと葛藤でクラスター化し、ペルソナに集約できます。作り込んだプロファイルではなく、実際の引用を使って。
従来のワークショップ型ペルソナとの違いは、チームが相手について想定していることではなく、人々が実際に語っていることに基づいている点です。Digidayは、関連するアプローチを紹介しています。ブランドのSacheuのために、Limitless Labsは、同社のクリエイターエコシステムから集めた数千本のTikTokとInstagramの動画を分析して、ペルソナを構築しています。
ドイツ市場で重要なのは、こうしたペルソナがパターンとグループのレベルで機能するという点です。最初のメッセージを選ぶために、個々のユーザーのプロファイルは必要ありません。ご自身の具体的な設計に対する法的な評価は、引き続きデータ保護の顧問にご確認ください。
コールドスタートには、どんなアプローチがある？
| 手法 | データの基盤 | 強み | 弱点 |
|---|---|---|---|
| 購入したサードパーティセグメント | 外部プロファイル、Cookie | すぐに利用できる | 動機への洞察が乏しく、データ保護法上の扱いが難しい |
| コンテキストターゲティング | 環境、時間、場所、デバイス | 個人データなしで機能する | 動機についてはほとんど語らない |
| ゼロパーティデータ | クイズやオンボーディングでの回答 | 直接得られ、同意に基づく | 参加した人からしか得られず、ファネルに摩擦が生じる |
| 合成オーディエンス | アンケート、統計、パネルのデータに基づくモデル | 反応を素早くシミュレーションできる | 平均に引き寄せられ、品質は入力データに左右される |
| 公開コンテンツから作るペルソナ | コメント、レビュー、クリエイターコンテンツ、競合の広告 | カテゴリーの実際の動機と言葉づかい | 個々のユーザーとのマッチングにシグナルが必要 |
単独でこの問題を解決できるアプローチはありません。実際には、公開コンテンツから作るペルソナが仮説を、コンテキストシグナルがマッチングを、ファーストパーティデータが裏づけを担います。
コールドスタートのパーソナライゼーションを6ステップで実践するには？
- カテゴリーの会話を集める。ここ数か月のコメント、レビュー、クリエイターコンテンツ、競合の広告を、ブランドだけでなくカテゴリー全体から集めます。
- ペルソナと葛藤を作る。コンテンツを動機と不安でクラスター化します。始めるには、明確に異なるペルソナが3〜5人あれば十分です。
- ペルソナごとに仮説を一つ立てる。どのメッセージ、どのフック、どのオファーが合うか。ペルソナごとに、専用のクリエイティブのバリエーションを少なくとも一つ作ります。
- マッチングのシグナルを定義する。ランディングページ、検索語、コンテキスト、キャンペーンの流入元、最初のクリック。どのシグナルがどのペルソナを指すかを決めます。
- 探索を組み込んで配信する。配信の一部を、想定したペルソナに当てはまらないバリエーションのために確保します。そうすれば、システムは自らの仮定を追認するだけでなく、学習を続けられます。
- ファーストパーティデータを還元する。接点ごとに、マッチングの精度が高まります。会話は変化するので、ペルソナも定期的に更新しましょう。
合成オーディエンスは、コールドスタートにどれだけ役立つ？
限界を理解していれば、かなり役立ちます。Digidayの報道では、当事者自身も留保を表明しています。VurveyのCEOであるChad Reynoldsは、大規模言語モデルが返すのは釣り鐘型の分布の頂点、つまり最も一般的な答えだと述べています。TransUnionのJulie Clarkは、質の低い入力データで作られたペルソナに警鐘を鳴らしています。そしてCode & TheoryのStef Hoffmanは、結果は判断に情報を与えるが、判断に取って代わるものではない、と見事に言い表しています。
まさにここで、公開コンテンツの真価が発揮されます。それはシミュレーションではなく、エビデンスです。あるペルソナについて、このカテゴリーの人々は何より間違った買い物をすることを恐れている、と主張するなら、その主張の根拠となった投稿を見られるはずです。たどれないペルソナは、単なる主張にすぎません。
Defy Monitorはこの道を取っています。オーディエンスコンテンツをペルソナと葛藤に自動でクラスター化し、プランニングを人口統計ではなく実際の会話から始められます。これはDefyプラットフォームの構成要素の一つであり、大手ネットワークが巨額を投じて築いてきたのと同等の分析能力を、独立系エージェンシーに提供します。
コールドスタート戦略が機能しているかどうかは、どうすればわかる？
ペルソナ別のバリエーションを、汎用のコントロールグループと比較します。最も示唆に富む指標は、新規ユーザーの初期の数字です。最初の広告への反応、初回訪問の深さ、初回コンバージョンまでの時間。ペルソナ別バリエーションが上回らなくても、それは失敗ではなく手がかりです。ペルソナがずれているか、マッチングのシグナルが弱すぎるかのどちらかです。
