Web戦略

「Web戦略」について研究論文や特許に立脚し、仕組み（メカニズム）として分解した技術を解説します。

「Web戦略」を「系」として定義する

　実務でいうWeb戦略は、プラットフォーム側のアルゴリズム（検索のランキング関数・広告オークション）と、企業側の意思決定（コンテンツ生成・入札・クリエイティブ・サイト改善）が相互作用する制御問題です。

　抽象化をすると、状態 \(x_t\)​（コンテンツ資産・ブランド指標・在庫・クッキー/ID制約など）に対して行動 \(a_t\)​（SEO施策・広告入札・LPO/CRO等）を選び、プラットフォームの応答 \(g(\cdot) \)を通じて成果 \(R_t\)（売上・利益・LTV）を得る方策最適化　と見なせます。

$$ \pi^{*} = \mathop{\mathrm{arg\,max}}\limits_{\pi}\;\;\; \mathbb{E}\Big[ \sum_{t=0}^{T} \gamma^{t}\,(R_t – C_t) \Big] \quad \text{s.t.}\quad \begin{cases} \text{自然検索: } & \mathrm{rank}\;_t = g_{\mathrm{IR}}(q_t, d;\,\theta_t) \\ \text{広告: } & \mathrm{alloc}\;_t = g_{\mathrm{GSP}}(b_t, q_{\mathrm{ad}}, \mathrm{CTR}_{\mathrm{exp}}) \\ \text{状態遷移: } & x_{t+1} = h(x_t, a_t, \mathrm{algo}\;_t) \end{cases} $$

\(g_{\text{IR}}\)
　検索ランキング（情報検索/学習到達度の関数）

\(g_{\text{GSP}}\)
　検索連動広告の配信/順位を決めるGSP（Generalized Second Price）型メカニズム

\(\theta_t\)​
　検索側の内部パラメータ（学習到達度・品質シグナル等、公開されない）

\(\gamma\)
　割引率、\(C_t\)：コスト

　以降、この「系」を構成する3つの階層（①獲得のルール、②サイト内での価値化、③計測と学習）に分けて、論文・特許で見える根拠を添えながら仕組みを解説します。

Web戦略における需要獲得のルール層

検索と広告

検索（SEO）が従うアルゴリズム原理

ハイパーリンク構造の利用
　Googleは当初からPageRankなどリンク解析を核に設計されました。Brin & Page(1998) は大規模クローリング、インデクシング、リンクの重要度計算を公開文献として初めて体系化しています。ここで「重要なページへのリンクは重要度を高める」という根が明示されました。

リンクの均等ではない重み付け
　その後の「Reasonable Surfer」特許では、リンクの位置・目立ちやすさ・文脈などに応じて「クリックされやすさ」でリンク重み（PageRank伝搬量）を非一様にする枠組みが示されています。つまりフッターの小さなリンクと本文ど真ん中の明確なアンカーは同じ価値ではない、という考えです。

サイト全体の品質という上位シグナル
　Site Quality Score関連の複数特許は、サイト単位の品質シグナル（例：指名/ブランド関連のクエリと選択行動の関係、他の観測シグナルとのモデル化）をランキングの一項として使い得ることを記述します。これは通称Panda系の知見と解釈される領域です（実利用の有無は特許からは断定不可）。

学習到達度（Learning to Rank, LTR）
　実務の検索は、Pointwise/Pairwise/Listwise等の学習到達度でクエリと文書の関連度を学習し、クリック・滞在等の行動特徴も取り込むのが標準的です。

SEOは「リンクと行動の確率過程」＋「サイト品質」＋「学習到達度」に適合させる設計問題。内部式は非公開ですが、上記文献・特許から何が重視されやすいかの方向性が読める。

検索広告（SEM）が従う市場設計

GSPオークション
　検索連動広告はGSP（Generalized Second Price）で売られるのが古典的標準です。

GSPはVCGに似つつも真実申告が支配戦略でないなど性質が異なる一方、一般化イングリッシュオークションの均衡でVCGと同等の配分効率になることが示されています。実務的には「入札 × 品質」でAdRankを決める型で理解されます（細部はプラットフォーム依存）。

広告は入札・品質（推定CTRや広告品質）・予算制約の制御、SEOはコンテンツ/情報構造・内部リンク・E-E-A-Tに通じる品質の制御、という異なる物理の上に載っていますが、ユーザ意図の奪い合いという同じ市場を共有します。

サイト内での価値化

CRO/パーソナライゼーション

獲得したトラフィックは、情報設計・UI/UX・推薦・検索導線で価値化されます。

ここは一般IR/MLの領域で、到達率→関与→CVの過程を階層ベイズやサバイバル/ハザード、あるいは政策勾配的に最適化できます。ランキング学習の枠組みでサイト内検索や推薦の関連度学習を行うのも定石です（LTR総説）。

Web戦略の計測と学習

因果推論・アトリビューション・実験

因果効果の推定

MMM/時系列因果

ランダム化が難しいケースでは、Bayesian Structural Time Series（BSTS）によりカウンターファクトの合成で広告・露出の因果効果（インクリメンタリティ）を推定します。

GoogleのCausalImpact論文は時系列DIDを一般化し、季節性や共変量を取り込むベイズ合成統制を確立しました。

マルチタッチ・アトリビューション
（MTA）

ラストクリック偏重を避けるため、Markov連鎖・ロジスティック集合学習・Shapley値近似などのデータ駆動MTAが提案されています（Shao & Li, KDD’11他）。

ただし設計仮定に敏感で、意思決定に耐えるモデル選択・検証（シミュレーション/バリデーション基準）が重要です。

オンライン実験と逐次モニタリング

A/Bテストは逐次覗き見（peeking）で有意性が壊れやすい問題が古くから指摘され、Always-Valid Inference（逐次仮説検定に基づく常時有効p値/区間）が実務プラットフォームに実装されています。

Web戦略の学習は安全な逐次意思決定の設計が前提です。

「Web戦略」の式まとめ

Web戦略での取得チャネルの合成

SEO成果 \(S_t\)​ と広告成果 \(A_t\)​ から成る総合到達価値 \(W_t\)​ を、代替度まで表せるCESで表現（相乗項は任意）

$$ W_t=\kappa\!\left(\delta S_t^{\rho}+(1-\delta)A_t^{\rho}\right)^{\frac{1}{\rho}} + \mu\,\bar S_t \bar A_t $$

ここで \(S_t\)​ は検索ランキング関数 \(g_{\text{IR}}\)​ の応答（上位文献/特許の含意に沿う特徴設計）、\(A_t\)​ はGSP配分の応答（入札×品質×在庫）。\(\rho\) はSEOと広告の代替/補完性を調整します。

※ \(S_t\)​ は生投資ではなく、逓減を通す変換（例 \(\log(1+k s_t)\)）や正規化を推奨。

Web戦略の価値化と利益

$$\text{CV}_t \sim f_{\text{site}}(W_t,\,\text{UI/UX}\;_t,\ \text{商品在庫}_t), \quad \Pi\;_t = p \cdot \text{CV}_t – (c_S s_t + c_A a_t + c_{\text{site}}\; u_t)$$

\(f_{\text{site}}\)​
　サイト内のランク学習/推薦/導線での変換（LTRの設計）。

\(p\)
　CV単価

\(u_t\)
　サイト改善投資

Web戦略の予算配分

静学近似

$$\max_{s_t,a_t,u_t}\ \mathbb{E}\,[\Pi\;_t]\quad \text{s.t.}\ s_t+a_t+u_t \le B_t$$

応答曲線を凸に保つと内点解が生じ、SEO/広告/サイトの最適配分が得られます。動学では\(\{x_t\}\)の進化（コンテンツ資産・品質スコア・アカウント学習）を含めた動的計画/ベイズ意思決定になります。

研究・特許がWeb戦略実務にどんな意味を持つか

リンクは均等でない
　本文内・上部・視認性高いリンクは価値が重く、内部リンク設計はクリック確率仮説で最適化すべき。これは合理的サーファーモデルの含意です。

サイト品質はページを超える
　文書単体の最適化だけでなく、サイト全体の品質モデル（ブランド/指名行動との関係を含む）に資源配分をする。品質シグナルの設計は特許で明確に抽象化されています。

広告は市場設計を理解して制御
　GSPの性質を踏まえ、入札×品質（期待CTR/関連性）×在庫で限界収益=限界費用の臨界点を狙う。ポジションは支配戦略の真実申告で決まらない点に注意。

計測は因果→配分
　短期はRCT/Always-Validで安全に学習、広域/長期はBSTS（CausalImpact）でインクリメンタリティを推定、補助としてMTAで配分の期待的手がかりを得る（ただし意思決定の主軸は因果推定）。

Web戦略 実装のロードマップ

特徴設計
　内部リンクのクリック確率仮説、サイト品質の代理変数、広告側は推定CTR・品質 × 入札。

応答曲線の同定
　短期はA/B（Always‑Valid）、中長期はBSTSでインクリメンタリティ。

配分最適化
　CES合成 \(W_t\)​ ＋ 逓減変換で予算配分、次に動学へ拡張。

継続学習
　LTRでサイト内検索/推薦・導線を更新、検索側の学習に追随。

最小形
（web戦略 が、SEOと広告の２つの要素から成り立っている場合）

重み付き線形結合
$$W = w_S \, S + w_A \, A$$

\(W\)
　Web戦略の総合スコア（成果・価値・指数など）

\(S\)
　SEOのスコア（投資量・成果量のいずれかで定義）

\(A\)
　広告のスコア（同上）

\(w_S, w_A \ge 0\)：寄与度（重み）

直感的で伝わりやすい一方、代替関係や相乗効果は表現しにくい。

式と直観

最も単純に「Web戦略」を数値化するなら、SEOと広告の寄与を足し合わせる重み付き線形結合が出発点になります。式で書くと

$$W = w_S \, S + w_A \, A$$

となり、ここで \(W\) は総合スコア、\(S\) はSEOのスコア、\(A\) は広告のスコア、そして \(w_S, w_A \ge 0\) はそれぞれの寄与度を表します。企業の方針に応じて重みを決めれば、メンバー間で直感的に共有できる一本の物差しが得られる点が、この形の魅力です。

長所と限界

もっとも、線形結合は「足し算」の世界観にとどまるため、SEOが弱いときに広告でどれほど代替できるのか、あるいは両者を同時に強化したときに相乗効果で一段と跳ねるのか、といった非線形の現象を表現しづらいという限界があります。概念説明や意思統一の初期段階では十分に有用ですが、配分最適化や投資判断に踏み込むなら、もう一歩だけ踏み込んだ集約が必要になります。

推奨形（CES集約）

代替関係を明示

CES（Constant Elasticity of Substitution）型

$$W = \kappa \left( \delta \, S^{\rho} + (1-\delta)\, A^{\rho} \right)^{1/\rho}$$

\(\kappa>0\)：尺度（単位合わせ）

\(\delta \in [0,1]\)：SEOと広告の相対比重

\(\rho\)：代替度パラメータ（弾力性 \(\sigma=\frac{1}{1-\rho}\)​）

　\(\rho=1\)：線形（①に一致）

　\(\rho\to 0\)：Cobb–Douglas（\(W=\kappa S^{\delta}A^{1-\delta}\)）

　\(\rho\to -\infty\)：Leontief（ボトルネック、\(W=\kappa \min\{S,A\}\)）

これ1本で「SEOと広告はどれくらい代替できるのか？」を調整できます。
例：短期は広告が代替しやすい（\(\rho\)大きめ）、長期はSEOと広告が補完的（\(\rho\)小さめ/負）など。

集約の基本式

　代替可能性を明示的に埋め込むには、CES（Constant Elasticity of Substitution）型の集約が自然です。式は

$$W = \kappa \left( \delta \, S^{\rho} + (1-\delta)\, A^{\rho} \right)^{1/\rho}$$

で与えられ、\(\kappa>0\)は尺度、\(\delta \in [0,1]\)はSEOと広告の相対比重、\(\rho\)は代替度を決めるパラメータです。代替の弾力性は\(\sigma=\frac{1}{1-\rho}\)​で表現され、\(\rho\) を調整するだけで、両者の置き換えやすさを一つのノブで連続的に制御できます。

パラメータの意味

　\(\delta\) が大きいほど、同じ投入でもSEOの寄与を相対的に重く評価し、逆に小さければ広告寄りの評価になります。

　さらに重要なのは \(\rho\) の役割で、これは「一方が不足するともう一方でどこまで埋められるか」という代替性を定めます。競合が激しい短期施策では、広告を強めれば一定程度の流入を補えることが多く、\(\rho\) を相対的に大きく取る設計が適合しやすくなります。

特殊ケースと位置づけ

　この枠組みは線形から完全補完までを内包しており、\(\rho=1\)では最小形の線形結合に一致し、\(\rho\to 0\) の極限では \(W=\kappa S^{\delta}A^{1-\delta}\) というCobb–Douglas型に落ち着きます。

　さらに \(\rho\to -\infty\)とすれば \(W=\kappa \min\{S,A\}\)のLeontief型となり、どちらか一方がボトルネックになる設計を表現できます。事業の時間軸や市場の状況に合わせて、この連続体のどこに立つかを選べるのがCESの強みです。

実務での調整感覚

　実務では、短期は広告の代替性が効きやすい一方、長期はSEOと広告を併進させないと伸び悩む場面が増えます。

　したがって、四半期ごとに \(\rho\) の想定を点検し、\(\delta\) を配分方針に合わせて微修正しながら、\(\kappa\) はKPIの単位合わせとしてキャリブレーションする、という運用がストレスなく機能します。

実務形

相乗効果も入れる

CES + 相互作用

$$W = \kappa \left( \delta \, S^{\rho} + (1-\delta)\, A^{\rho} \right)^{1/\rho} \;+\; \mu \, \bar{S}\,\bar{A}$$

\(\mu \ge 0\)
　相乗効果の強さ

\(\bar{S}=S/S_{\mathrm{ref}},\ \bar{A}=A/A_{\mathrm{ref}}\)​
　正規化（例：基準月や中央値で割る）

CESで基礎的な代替/補完を表しつつ、同時稼働によるブーストを追加で表現します。
\(\mu\)は過大にすると凸性が壊れるので、まずは小さく設定 → データで推定。

拡張した目的関数

　現場では、SEOと広告を同時に強化すると、単純な代替では説明できないブーストが生じることがあります。こうした相乗効果を素直に取り込む拡張が

$$W = \kappa \left( \delta \, S^{\rho} + (1-\delta)\, A^{\rho} \right)^{1/\rho} \;+\; \mu \, \bar{S}\,\bar{A}$$

という形で、右端の \(\mu \, \bar{S}\,\bar{A}\)が相互作用項になります。

相互作用項の解釈

　\(\mu \ge 0\) は相乗効果の強さを表し、\(\mu\) をゼロにすると純粋なCESに戻ります。

　たとえば有力な記事群が整っているときに広告で初速を付ける、あるいは広告で想起された指名検索が増えサイト全体の評価が底上げされる、といった状況では、この項がもたらす追加の上振れが現実の動きに近いフィットを与えます。

正規化と安定性

　相互作用を安定に扱うために、\(\bar{S}=S/S_{\mathrm{ref}},\ \bar{A}=A/A_{\mathrm{ref}}\)​のように基準値で正規化しておくのが安全です。

　なお\(\mu\) を過大にすると目的関数の凸性が崩れ、配分最適化が不安定になるおそれがあるため、最初は小さめに据え、データで推定しながら徐々に調整していく姿勢が推奨されます。

使い方

指標の定義と推定の流れ

（１）指標を決める

　\(S\)：例）有機流入CV数／オーガニック新規売上／SEO投資を通じた効果指標

　\(A\)：例）広告由来CV数／広告売上／媒体横断の効果指標

　※　投資額そのものを入れる場合は、逓減効果を表すために
$$f_S(s)=\log(1+k_S s),\ f_A(a)=\log(1+k_A a)$$

　　 のような変換を推奨。

（２）パラメータ初期値（経験則）

　\(\delta\)：SEOを重視なら0.6〜0.7、均等なら0.5

　\(\rho\)：まず0（Cobb–Douglas）から開始

　\(\mu\)：0〜0.1の小さめで試す

（３）推定（履歴データで当てる）

　目的変数 \(Y\)（CV・売上・利益など）に対して

　$$Y_t \approx \alpha + \beta \, W(S_t,A_t) + \varepsilon_t$$​
　もしくは
$$Y_t \approx W(S_t,A_t)$$
　とみなし、\(\kappa,\delta,\rho,\mu\) を最小二乗やベイズで推定。

（４）指数化（社内モニタリング用）
$$\mathrm{WSI}_t = 100 \times \left( \delta \left(\frac{S_t}{S_{\mathrm{ref}}}\right)^{\rho} + (1-\delta) \left(\frac{A_t}{A_{\mathrm{ref}}}\right)^{\rho} \right)^{1/\rho}$$

月次で追い、戦略配分の妥当性を可視化。

指標の定義

　まずは \(S\) と \(A\) の中身を運用実態に合わせて定義します。
　SEO側は有機流入のCV数やオーガニック新規売上、広告側は広告由来のCV数や広告売上など、いずれも「効果」を表す指標で揃えると理解が一致します。もし投資額そのものを入力したい場合は、逓減効果を反映するために

$$f_S(s)=\log(1+k_S s),\ f_A(a)=\log(1+k_A a)$$

のような凹関数で前処理し、効果に近い形へ写像してからモデルに入れると安定します。

初期設定の目安

　パラメータの初期値は、運用を始めるための実務的なガイドとして十分です。SEOをやや重視する方針なら \(\delta\) を0.6〜0.7に、両者を均等に扱うなら0.5に置き、代替度はまず \(\rho=0\)（Cobb–Douglas）から始めるのが癖のない選択です。

　相乗効果を入れる場合の \(\mu\) は0〜0.1の範囲に小さく置き、学習の進捗にあわせて見直します。

パラメータ推定

　推定は履歴データに当てはめるだけです。目的変数 \(Y\) をCVや売上、利益などのKPIで用意し、

$$Y_t \approx \alpha + \beta \, W(S_t,A_t) + \varepsilon_t$$​

のように回帰して \(\kappa,\delta,\rho,\mu\) を最小二乗やベイズで学習します。KPIがそのまま合成スコアと見なせるなら、$$Y_t \approx W(S_t,A_t)$$ としてスケールを \(\kappa\) に吸収させる設計でも問題ありません。

指数化とモニタリング

　運用では「今月の総合到達度が基準期に比べてどれだけ上がったか」を、ひと目で確認できる指数が役立ちます。

そこで

$$\mathrm{WSI}_t = 100 \times \left( \delta \left(\frac{S_t}{S_{\mathrm{ref}}}\right)^{\rho} + (1-\delta) \left(\frac{A_t}{A_{\mathrm{ref}}}\right)^{\rho} \right)^{1/\rho}$$

を用い、基準値に対する増減を月次で追跡します。配分の重心や代替性の仮定が指数に直に反映されるため、チーム内の会話も自然にモデルドリブンへと移行します。

予算配分まで踏み込む

総予算 \(B\) を SEO投資 \(s\) と広告投資 \(a\) に配分（\(s+a\le B\)）。

効果指標を \(S=f_S(s),\ A=f_A(a)\)とし、利益最大化
$$\max_{s,a}\ \Pi = p \cdot W\!\big(f_S(s), f_A(a)\big) – (c_S s + c_A a)$$

（\(p\)：成果の単価、\(c_S,c_A\)​：コスト係数）

逓減効果関数 \(f_S,f_A\)​ によって内点解が生まれ、配分の最適解が得られます。

最適化の定式化

　総予算 \(B\) をSEO投資 \(s\) と広告投資 \(a\) に配分する問題は、効果の写像 \(S=f_S(s)\)、\(A=f_A(a)\)を介して
$$\max_{s,a}\ \Pi=p\cdot W\!\big(f_S(s),f_A(a)\big)-(c_S s+c_A a)$$

と書けます。ここで \(p\) は成果単価、\(c_S,c_A\)​ はそれぞれのコスト係数です。制約は単純に \(s+a\le B\) とおけば十分で、必要に応じてチャネルや領域ごとの上限・下限を追加します。

解の直観と運用

　写像 \(f_S,f_A\)​ を凹にとることで目的関数はよく振る舞い、極端な片寄せを防いだ内点解が生まれます。現場では「限界効果が限界費用に一致するまで投資を増減する」という古典的な直観がそのまま最適解の特徴づけになり、週次や月次の配分会議をモデルの示す勾配に沿って前へ進められます。

Web戦略 実務への指針

　まずはCES型で「SEOと広告という二つの要素からWeb戦略が成り立つ」ことを厳密に表現し、必要に応じて相互作用項を加えて相乗効果を吸収する、という二段構えが最も実務的です。

　指標の定義、初期値の設定、推定と指数化、そして予算配分という一連の流れをこの枠組みに載せれば、意思決定は一貫し、議論は透明になります。