PythonでAIを活用した広告最適化システムを構築する方法

デジタルマーケティングの急速な進化により、人工知能（AI） は広告最適化の分野で革新をもたらしています。ビジネスでは、データ駆動のインサイト を活用することで、広告の効果を最大化し、無駄な広告費を削減し、コンバージョン率を向上させることが求められています。

AIを活用すると、クリック率（CTR）の予測、入札戦略の動的調整、予算の最適化 などを自動化し、Google広告、Facebook広告、Amazon DSPなどのプラットフォームでマーケティングROIを向上させることができます。

本記事では、Pythonを用いたAI広告最適化システムの構築方法 を解説します。機械学習（ML）、予測分析、強化学習（RL） を活用することで、広告戦略の自動化を実現します。

ステップ1: 必要なライブラリをインストール

まず、必要なPythonライブラリをインストールします。

!pip install pandas numpy scikit-learn xgboost matplotlib seaborn

ステップ2: 広告データの読み込みと前処理

広告キャンペーンの過去データを用意し、インプレッション数（Impressions）、クリック数（Clicks）、コンバージョン数（Conversions）、広告費（Ad Spend）などの指標を分析します。

import pandas as pd

# 広告キャンペーンデータの読み込み（例: CSVファイル）
df = pd.read_csv("ad_campaign_data.csv")

# 最初の数行を表示
df.head()

特徴量エンジニアリング（Feature Engineering）

カテゴリ変数を数値データに変換
コンバージョン単価（Cost Per Conversion） と CTR を計算

# カテゴリ変数を数値データに変換
df = pd.get_dummies(df, columns=["ad_platform", "ad_type"], drop_first=True)

# 主要な広告指標を計算
df["cost_per_conversion"] = df["ad_spend"] / (df["conversions"] + 1)
df["CTR"] = df["clicks"] / (df["impressions"] + 1)

# 欠損値を削除
df = df.dropna()

ステップ3: AIモデルを使ったCTR予測

機械学習モデル XGBoost を使用してCTRを予測します。

from sklearn.model_selection import train_test_split
from xgboost import XGBRegressor
from sklearn.metrics import mean_absolute_error

# 特徴量とターゲット変数を定義
X = df.drop(columns=["CTR", "conversion_rate", "conversions"])
y = df["CTR"]

# データをトレーニングセットとテストセットに分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# XGBoostモデルをトレーニング
model = XGBRegressor(n_estimators=100, learning_rate=0.1, max_depth=5)
model.fit(X_train, y_train)

# モデルの評価
y_pred = model.predict(X_test)
mae = mean_absolute_error(y_test, y_pred)
print(f"平均絶対誤差 (MAE): {mae:.4f}")

ステップ4: AIによる広告予算最適化（Multi-Armed Banditアルゴリズム）

広告の予算配分を最適化するために、Thompson Sampling（強化学習の手法）を使用します。

import numpy as np
import matplotlib.pyplot as plt

num_ads = 5  # 広告の数
num_rounds = 1000  # 最適化のラウンド数
ads_selected = []
total_reward = 0
ad_rewards = [0] * num_ads
ad_clicks = [0] * num_ads

for n in range(num_rounds):
    ad = 0
    max_random = 0
    for i in range(num_ads):
        random_beta = np.random.beta(ad_rewards[i] + 1, ad_clicks[i] - ad_rewards[i] + 1)
        if random_beta > max_random:
            max_random = random_beta
            ad = i
    ads_selected.append(ad)
    reward = np.random.choice([0, 1], p=[0.7, 0.3])
    ad_rewards[ad] += reward
    ad_clicks[ad] += 1
    total_reward += reward

plt.hist(ads_selected, bins=num_ads, edgecolor="black")
plt.title("広告の選択回数の分布")
plt.xlabel("広告インデックス")
plt.ylabel("選択回数")
plt.show()

ステップ5: AIによるリアルタイム入札最適化

AIを活用して広告入札戦略をリアルタイムで調整し、Google AdsやFacebook AdsのAPIと連携できます。

import requests

API_URL = "https://api.facebook.com/v14.0/ads"  # 例: Facebook Ads API
API_KEY = "YOUR_ACCESS_TOKEN"

# AIベースの入札戦略
def adjust_bid(predicted_CTR):
    base_bid = 1.0  # 基本入札額（ドル）
    if predicted_CTR > 0.1:
        return base_bid * 1.5
    elif predicted_CTR > 0.05:
        return base_bid * 1.2
    else:
        return base_bid * 0.8

# APIを使用して広告の入札額を更新
ad_data = {
    "ad_id": "123456789",
    "bid_amount": adjust_bid(0.08),  # 予測CTR = 8%
}
response = requests.post(API_URL, json=ad_data, headers={"Authorization": f"Bearer {API_KEY}"})
print(response.json())