コマースメディアのための機械学習：オーガニックMLと広告MLの戦略的な使い分け

コマースメディアを正確に理解して成功させるには、大手テック企業が機械学習（ML）を戦略的に活用している方法を知ることが重要です。Eコマースプラットフォーム内の広告を指すコマースメディアは、「オーガニック」と「広告」の2つの主要なMLタイプに大きく影響され、それぞれに異なるユースケースと要件があります。ECプラットフォームの運営者から、なぜ私たちがMLモデルを使い分けることを提案し、GoogleやFacebook、Amazonのような大手テック企業がそのような方法を採用しているのかについてよく聞かれます。

そこでオーガニック向けMLと広告向けMLの違いと、それらを分けることのメリットについてご説明します。
‍

ランキングにおけるオーガニックMLのユースケース 

オーガニックMLは、商品のランキングを決定するための予測を生成します。例えば、あるプラットフォームがオーガニックによる商品のクリックを増やすことを目的とする場合、一般的なアプローチは、pCTR（推定クリック率）モデルと呼ばれるクリック率を予測するモデルを開発することでしょう。そしてpCTRを基に、予測されるクリック数の多い順に商品を並べます。

オーガニックMLモデルの変更や改善の効果を評価する標準的な方法は、A/Bテストを実施することです。このセットアップでは、ユーザー、Cookie、またはリクエストが、実験群と対象群の間でランダムに分けられます。各グループのパフォーマンス指標は、すべてのトラフィックに変更が実施された場合に期待される結果を反映する必要があります。この方法によって、オーガニックMLモデルに加えられた変更の影響が明確に示されます。
‍

ランキングだけに収まらない広告MLの複雑さ

一方、広告MLによる予測は、広告のランキングを決定する複数の要因のひとつです。例えば広告の場合、クリック単価（CPC）の入札額とpCTRを掛けたものとして計算されるインプレッションあたりの予想収益に基づいてランク付けされることがよくあります。

広告MLのさまざまな要件を理解するため、オーガニックによる商品のランク付けをpCTRに基づいて行うeコマースサイトを考えてみましょう。例えば、pCTRが0.6の商品Aと0.1の商品Bがあり、trueCTRがそれぞれ0.3と0.2だとします。商品の順番自体は変わらないため、この違いはオーガニックランキングではユーザー体験に大きく影響しないかもしれません。しかし、一般的にインプレッションあたりの予測収益に依存する広告ランキングでは、CTR予測の不正確さが広告の掲載と収益に大きな影響を与える可能性があります。

仮に商品Aが1ドル、商品Bが5ドルで入札したとすると、インプレッションあたりの最初の予測収益はAが0.60ドル、Bが0.50ドルとなります。しかし、実際のCTRが0.3と0.2の場合、実際の潜在的収益は、Aが0.30ドル、Bが1ドルとなります。この誤判断により、商品Bの予測収益は商品Aよりもはるかに多いにもかかわらず、広告掲載において商品Bよりも商品Aの方が誤って優先される可能性があります。さらにセカンドプライスオークションを採用している場合、不正確なpCTRは広告クリックあたりの最終価格にも影響します。これらの理由から、オーガニックのパフォーマンスを向上させるモデルが広告のパフォーマンスを低下させることは珍しくありません。
‍

さらに、広告MLでは入札システムや予算管理システムなど他のシステムとの統合が必要なため、テストがより複雑になります。オーガニックMLとは異なり、広告MLのテストではクリック率の予測システムレベルでトラフィックを振り分けるだけでは十分ではありません。他の運用システムに影響を与える可能性があるためです。広告MLモデルの変更による影響を正確に計測するためには、テストにおけるトラフィックの振り分けにおいてこれらの連携するシステムを考慮する必要があります。Molocoや広告事業を運営する大手テック企業はテストに高度な機能を使用し、トラフィックの分割に応じて予算と入札のフィードバックループを分けています。
‍

オーガニックMLと広告MLの戦略的な使い分けによるパフォーマンスの最適化

それぞれ独自のユースケースがあり、異なるテストや計測のアプローチが必要であることから、オーガニックMLと広告MLを使い分けることは有益です。これにより、オーガニックMLを使用するチームは広告への影響または広告による影響を気にすることなくオーガニックエクスペリエンスを向上できます。オーガニックエクスペリエンスにとって有益な変更は、広告のパフォーマンスや広告ビジネスに悪影響を及ぼす可能性があり、逆もまた然りです。そのため、これらを分けることが重要なのです。広告MLではより複雑なテストが必要とされることからも、オーガニックMLと広告MLのモデルを使い分けることが推奨され、これは大手テック企業でも実践されています。こうすることで、モデリングチームは干渉を受けることなく、それぞれの要件とユースケースに集中し、並行してモデルを改善できます。

この2つのケースの最適なモデルは大きく異なることが予想されます
‍

オーガニックMLを自社サイト上の広告の基盤として使うことは、最初の戦略としては妥当であると言えます。しかし、オーガニックMLと広告MLを使い分けることで得られる大きなメリットにすぐに気づくはずです。実際、この戦略は大手テック企業によって採用されています。このことを早い段階で理解することは、広告システムとMLモデルにどれだけの労力とリソースが必要かを計画し、パートナーとして最適なプラットフォームを選択する上で重要です。少なくとも多くのサイトが直面する共通の問題、すなわち、オーガニックエクスペリエンスのための優れたモデルの改善が、広告ビジネスにとって有害であったり、その逆であったりする理由を素早く理解できます。

‍