Meta広告（Facebook広告・Instagram広告）を始めると、広告マネージャで「学習中」といった表示を見ることがあります。
広告を出せば、すぐに成果が出やすいユーザーへ最適に配信されるようにも思えますが、Meta広告は配信開始直後から完成された状態で動くわけではありません。
実際の配信結果を集めながら、「誰に・どこで・どのように広告を届けると成果につながりやすいのか」を調整していきます。
今回は、Meta広告の機械学習とLearning Phase（学習フェーズ）の基本的な仕組みを整理します。
この記事で分かること
- Meta広告における機械学習の役割
- Learning Phase（学習フェーズ）とは何か
- 学習中に成果が不安定になる理由
- 広告セットを細かく分けすぎる問題
- 学習を妨げないための運用ポイント
Meta広告の「機械学習」とは？
Meta広告では、広告オークションや機械学習を利用しながら広告配信が行われます。
簡単に言えば、
過去の配信結果からパターンを学び、設定した成果につながる可能性が高い配信機会を探していく仕組み
と考えると分かりやすいでしょう。
例えば転職サービスの広告なら、配信しながら、
どのようなユーザーが反応したのか。
どの配置で成果が発生したのか。
どの広告クリエイティブが反応されたのか。
どのユーザーが最終的な成果へ進んだのか。
といったデータが蓄積されます。
Metaはこうした情報を使いながら、設定したパフォーマンス目標に合わせて配信を調整していきます。
Learning Phase（学習フェーズ）とは？
新しい広告セットを配信した直後などには、Metaの配信システムが十分な情報を持っていません。
そこで実際に広告を配信しながら、
「どの配信方法が成果につながりやすいのか」
を探索します。
この状態がLearning Phase、つまり学習フェーズです。
学習中はさまざまな配信機会を試しながら最適化しているため、通常より成果が不安定になる場合があります。
そのため、配信初日のCPAだけを見て、
「この広告は失敗だ」
と判断するのは早いことがあります。
学習には「成果データ」が必要
機械学習を進めるには、広告が実際に配信され、最適化対象となるイベントが発生する必要があります。
例えば、
購入を目的としているなら購入。
リード獲得ならリード。
登録完了なら登録完了。
といった成果データです。
Meta広告については「1週間で約50件」という数字が紹介されることがありますが、これをすべての広告で必ず達成しなければならない絶対条件として考えない方がよいでしょう。
広告目的や最適化イベント、現在のMeta広告の仕様などによって状況は変わります。
重要なのは数字そのものではなく、
機械学習が判断できるだけの十分な成果シグナルを集めること
です。
広告セットを分けすぎると学習データも分散する
例えば1日1万円の広告予算を、
広告セットA
広告セットB
広告セットC
広告セットD
広告セットE
と5つへ細かく分けたとします。
広告費だけでなく、得られるコンバージョンデータも各広告セットへ分散します。
その結果、一つ一つの広告セットに十分な成果データが集まりにくくなる場合があります。
Meta広告では、
「20代」
「30代」
「男性」
「女性」
「興味関心A」
というように細かく分けたくなりますが、細分化すれば必ず精度が上がるわけではありません。
機械学習へ十分なデータを集められる構造になっているかも考える必要があります。
学習中に設定を変更しすぎない
広告を配信すると毎日の数字が気になります。
初日のCPAが高い。
CTRが低い。
まだCVが出ていない。
こうした数字を見ると、すぐにターゲットや予算、広告を変更したくなります。
しかし、大きな設定変更によって配信システムが再び探索を行う状態になることがあります。
そこで、
数字が悪い
↓
すぐ変更する
↓
配信状態が再び変わる
↓
また数字が不安定になる
↓
さらに変更する
という状態になると、十分なデータを集めにくくなります。
明らかな設定ミスがない場合には、短時間の数字だけで頻繁に変更しないことも重要です。
「触らない」と「放置する」は違う
ただし、学習中だから何も確認しなくてよいわけではありません。
例えば、
リンク先URLが間違っている。
コンバージョン計測が動いていない。
広告が想定外の状態になっている。
予算設定に明らかなミスがある。
といった問題があれば修正が必要です。
つまり、
不必要な変更は避ける。
明らかな問題は修正する。
という区別が必要です。
Metaへ任せる部分と、人間が管理する部分を分けて考えます。
予算と学習データの関係
機械学習にはデータが必要で、そのデータを集めるには一定量の広告配信が必要です。
例えば目標CPAが10,000円なのに、1日500円しか予算を使わなければ、1週間の広告費は3,500円です。
この状態では、そもそもコンバージョン自体が十分に発生しない可能性があります。
そのため、
「何日広告を配信したか」
だけではなく、
「どれだけ成果データを集められたか」
を見る必要があります。
少額広告では、この点を理解したうえで広告セット数やテスト内容を絞ることも重要になります。
最適化イベントをどこにするか
Metaの機械学習は、設定された成果をもとに配信を最適化します。
例えば、
広告
↓
記事LP
↓
公式LP
↓
登録
↓
面談
↓
成約
という導線がある場合、最終成約は最も重要な成果です。
しかし成約が極端に少なければ、Metaへ十分な学習データを渡せない場合があります。
反対に「ページ閲覧」のように浅すぎるイベントへ最適化すれば、本当に欲しい成果とは異なるユーザーを集める可能性があります。
そのため、
事業として価値があり、一定量のデータも集められる成果地点はどこか
を考えることが重要です。
ピクセルやCAPIも機械学習を支える
Metaが広告成果を学習するためには、
「広告を見たユーザーが、その後どう行動したのか」
というデータが必要です。
そこで使われるのがMetaピクセルやコンバージョンAPI（CAPI）です。
例えば購入や登録などのイベントが正しくMetaへ送信されれば、それが配信最適化のためのシグナルになります。
逆に計測が間違っていれば、Metaへ送られる学習材料も正確ではありません。
そのため機械学習を活用するには、広告設定だけでなく計測環境を整えることも重要です。
人間の役割は「学習しやすい条件を作ること」
Meta広告では、広告運用者がすべての配信先を手作業で決めるわけではありません。
人間側では、
案件を選ぶ。
広告目的を決める。
成果地点を決める。
予算を設定する。
クリエイティブを作る。
計測環境を整える。
といった判断を行います。
その条件と配信結果をもとに、Metaの機械学習が配信先を調整していきます。
つまり広告運用者の役割は、
AIの代わりにすべてを判断することではなく、Metaが正しく学習できる条件とデータを用意すること
とも言えます。
まとめ
Meta広告では、機械学習を利用しながら、設定した成果につながる可能性のある配信機会を探しています。
その探索・調整が行われる期間がLearning Phase（学習フェーズ）です。
学習を進めるためには、
十分な成果データ
適切な広告セット構成
安定した設定
現実的な予算
正しいイベント計測
などが必要になります。
そのため、学習フェーズについては単純に、
「学習中だから触らない」
と覚えるだけでは不十分です。
なぜ変更しすぎない方がよいのか、なぜ広告セットを細かくしすぎない方がよいのかを、Metaへ十分な学習データを渡すためという視点から考えると理解しやすくなります。
Meta広告は、人間が条件と仮説を作り、機械学習が配信を最適化し、その結果を人間が確認して次の改善につなげる仕組みです。
この関係を理解することが、学習フェーズを正しく扱う第一歩になります。
※Meta広告の学習フェーズ、広告マネージャの表示、最適化条件などは変更される可能性があります。特定のコンバージョン件数を固定的なルールとして考えず、実際の管理画面とMetaの最新公式情報を確認しながら運用してください。
