昨今、マーケティング担当者はデジタル上で特定のアプリやブラウザ上のサイトではなく、サイトやアプリを横断して消費者とコミュニケーションを図ることが多い中、ブラウザ上のサービスやアプリ間の重複を取り除いて出稿した広告が、全体で、あるいはターゲットのどれくらいの人数に届いたのかを測定し、把握することが重要になっています。従来は、その測定にはサードパーティークッキーや広告IDといったデジタル識別子が活用されていましたが、この数年のプライバシー規制の強化によってサードパーティークッキーやモバイル広告IDが利用できなくなり、サイトやアプリを横断した広告効果の測定が難しくなってきました。また、サードパーティークッキーやモバイル広告ID等のデジタル識別子は、デバイスやブラウザに固有に付与されるものであり、本来の消費者そのものとは異なります。デジタル識別子ベースでは、例えば、ある消費者がサイトやアプリを跨いで広告に接触している場合、一人の「人」として識別できず、正確にメディア横断でリーチ規模を把握することができません。今回は、クッキーレス環境下でメディアやサイト、アプリ間を横断して何人にリーチし、狙っていたターゲットにリーチできていたのか（例えば性年代などのターゲット属性への）を「人」ベースで把握する手法と、それを運用する際のポイントについてご紹介します。
クッキーレス環境に対応した広告効果測定において、コミュニケーションの中心にいる「人」をベースに測定するということの重要性が高まり、それを認識しているマーケティング担当者も少なくはないでしょう。広告の配信結果を「人」ベースで測定する手法の一つとして、広告に計測タグを入れ、インプレッションを個の「人」や視聴者属性と結びつけるものがあります。この手法によってブラウザやデバイスベースで広告が配信されたインプレッションをカウントするだけはなく、実際にそのインプレッションがどれだけの人に、どういった属性の人に広告が配信されたのかを把握できます。ここで重要になるのが、広告タグが取得してきたインプレッションの情報とマッチングさせる「人」のデータベースです。測定で精確な結果を出すためには、参照データとなるデータベースの規模と質が重要になり、視聴者属性やデジタル上の視聴行動履歴などできるだけ多く情報をデータベースに取り込むことがポイントになります。一方、プライバシー規制やクッキーレス環境下においては、活用できるデータが限られてきます。そのような中、従来のデジタル識別子の代わりに、広告主が媒体社や調査会社などと連携して、自社が保有しているファーストパーティーデータや媒体社の視聴者データ、調査会社などが持っているパネルデータを参照する方法もあります。しかし、これらのデータは必ずしもすべてのデジタルユーザーを包括しておらず、サンプル数が限定的になる場合や、例えば、中高年齢層の女性サンプルが多く含まれるなど、一部の属性の視聴者データに偏る場合があり、それを元に母集団全体を類推すると、配信結果の予測値の誤差が大きくなることや、間違った広告効果の計測値を導き出す可能性があります。
そのため、広告主は大きな参照データベースを保有しているパートナー会社と連携することも一つの方法ですが、複数のデータソースから大規模参照データを取得している第三者機関を活用することが重要です。何故ならば、データ規模がある程度大きくても、データソースが一つだと、属性が偏る可能性もあります。また、デジタル業界は常に変化しており、消費者のプライバシー保護に向け、パーソナルデータの取り扱いを規制する法律の整備も各国で加速しています。そういった環境変化につれて、従来使えていたデータソースからはデータを取得できなくなることも考えられます。逆に言うと、複数のデータソースからコンプライアンスに則った手法でインプレッション配信結果と照らし合わせることができるより大きなデータベースを保有している第三者機関と連携できれば、マーケティング担当者はデジタル業界や法規制が変化し続けている中でも、参照データの規模や公平性を保ち、正確に「人」ベースでリーチ規模を持続的に測定することが可能になるでしょう。
なお、参照データベースは、「人」を中心にした広告配信結果の測定における出発点に過ぎません。複数のデータソースからの様々なデータを統合・分析し、広告配信の結果に最適な属性情報を付与して、初めてデジタル識別子に依存せずに、メディアやデバイスを横断したユニークなリーチ規模を把握することができます。また、前述の通りプライバシー環境が変化し続けている中、集められる参照用のデータ群は、取得できないデータが増えていくにつれ、いずれ属性情報が付与できない広告配信の結果も増えてくると想定されます。その付与できない部分に対して、部分的に得られている情報、例えば広告が表示されていたコンテンツの情報などを参照情報として、機械学習（AI）によって属性情報を予測していく方法も出てきています。このような機械学習型の測定方法においては、データ分析・予測精度が重要になっています。AIには様々なモデルがあり、その精度を見極めるのが重要になりますが、教師データを用いたAIモデルの場合、予測時に参照する「属性付与結果の正解パターンを集めたデータ」の質が鍵になります。
最後に
このように変化し続けるデジタル業界に対応するには、マーケティング担当者が測定パートナーと連携しながら、環境の変化に柔軟に対応した新しい計測技術を活用していくことが重要になってくるでしょう。大規模で偏りのない属性データベースを維持しつつ、将来のデジタル環境の変化に備えて新しい技術に投資するなど、それらのことを広告主企業が単独で実現させるのは困難です。長年に渡って蓄積してきた測定ノウハウや、より高精度な計測データ推計を行う上で重要な軸となる正解データ（教師データ）を保有し、測定技術を常にアップデートしている第三者機関と連携することが不可欠でしょう。
