私たちはECと小売を展開しており、複数の広告媒体でプロモーションを行っています。しかし、広告の成果データと在庫状況・ECの売上データがそれぞれ別システムにあり、日々「何が本当に利益を生んでいるか」「どの商品の広告を止めるべきか」の判断に、集計だけで数日かかっていました。

その結果、在庫が僅少なのに広告を出し続けてしまったり、逆に売れ筋なのに予算を十分に回せていなかったり——。データは「ある」のに「活かせていない」状態が続き、機会損失と無駄な広告費の両方が発生していました。

週次や月次のレポートを待ってから判断する「後追い」が当たり前で、昨日の広告結果が今日の在庫判断や入札調整にすぐには反映されませんでした。また、どの広告を止めるか・伸ばすかは担当者の経験と勘に頼る部分が大きく、属人化していました。限られた人員で、集計作業と判断の両方を回すのが限界に達していました。

「単にダッシュボードを見やすくする」のではなく、広告・在庫・ECのデータを一元的に扱い、AIが「このキャンペーンは即時停止」「このターゲットは予算を拡大」といった具体的なアクションまで提示してくれる点に惹かれました。既に社内でBigQueryをデータ基盤として利用していたため、BigQueryをハブに据えてデータを集約し、その上でAIディレクターとAIデザイナーが連携する——という設計が、現実的かつ拡張しやすいと感じました。

また、AIの判断を人間が承認してから反映する「ハイブリッド型」で導入できるため、いきなりAI任せにするのではなく、段階的に信頼を積み上げながら運用できる点も安心材料でした。

広告媒体・EC・在庫のデータがBigQuery上で統合され、AIが「在庫僅少かつROASが低い」商品を自動でピックアップし、停止判断を提示してくれます。人間はその提案を確認し、承認すればAPI経由で広告側に反映。以前なら数日かけて集計し、会議で議論してから決めていたことが、日次〜リアルタイムに近いサイクルで回るようになりました。入札単価の調整や、不調キャンペーンの即時停止、良好パターンの予算拡大など、具体的なアクション量が格段に増えました。

PDCAのスピードが、体感で「20〜30倍」になったと感じています。情報の集約から判断、実行までのフィードバックループがAIによって劇的に圧縮され、売切商品への無駄な出稿はほぼなくなりました。加えて、AIデザイナーによるクリエイティブの自動制作も導入したことで、検証できるクリエイティブの数（アクション量）が従来の約10倍に増え、どの訴求が効くかの試行錯誤が一気に進みました。

「データの集計・転記」に割いていた時間がほぼ不要になり、その分をクリエイティブの考案や、ユーザー理解・仮説検証といった本来やりたかった仕事に回せるようになりました。議論の中心も、「数字の確認」から「なぜこの結果になったか」「次の戦略は何か」に移り、チーム全体の生産性と納得感が上がっています。

今回の導入で、「データがあるだけ」の状態から「データを活かして判断し、実行まで繋げる」状態に一気に近づけたと実感しています。次のステップとしては、AIが提示するアクションの精度をさらに高めるため、タクソノミーや計測設計の見直し、そしてクリエイティブの検証密度をさらに上げることに投資していきたいと考えています。Aurant Technologiesさんには、データ統合からAIの学習・チューニングまで、引き続きパートナーとして伴走していただきたいです。

本記事のように広告・在庫・ECをデータ基盤で横断できると、判断から実行までのループは大きく短くなります。実務の現場では、あわせて検索クエリ単位の実績と、マーケットプレイスが提供する市場ボリュームやブランド表示（インプレッションシェア）を突き合わせると、「どの意図の検索に予算を厚くできるか」が議論しやすくなる、という切り口も有効です。

このとき重要なのは、集計期間の日数が異なる比較では日割りで読むこと、またキャンペーン／ターゲット単位の指標と検索クエリ単位の指標は母集団が異なるため、良し悪しを同じ表で直結させないことです。期間や定義がズレている場合は、資料に注記を残し、判断を限定するのが安全です。

AIに任せやすいのは、差分の抽出・一覧化・ラベル付けの下準備・クリエイティブ案のたたき台など反復しやすい工程です。一方、予算配分・ブランドトーン・承認・計測の解釈は人が持つ——本記事の「AIが提示し、人が承認して反映」と同型の分担にすると、現場が回りやすくなります。キーワード最適化だけでなく指名検索の取り方、訴求の論点ずらしとLPでの回収、試行の回数（PDCAの速度）までセットで語れると、次の打ち手の優先順位が揃いやすい、というのが支援側の実感です。

社内のナレッジ運用では、上記のような週次レビューの手順や検索・市場データの読み方を再利用できる形で残し、記事のリライト時には Notion の記事ナレッジへ追記してプロンプトに渡しています。編集部注の論点は、過去の提案やプレイブックから整理した再利用可能な枠組みであり、クライアント固有情報は含めません。