広告の秒単位リテンション曲線を読む：3本の曲線と1つのパーセンタイル

競合広告を調べるとき、多くの人はクリエイティブセンターを再生数順に並べ、上位の動画を何度か見て、「冒頭のテンポが速い」「課題訴求がうまい」といった感想を抜き出します。そして、それをなぞった動画を作る。ところが、仕上がりは今ひとつ。次のヒット広告を開いて、また同じことを繰り返すことになります。

このやり方の問題は、調査量が足りないことではありません。見ている数字が違います。再生数やいいねは、そのクリエイティブが勝ったことしか教えてくれません。何秒目で勝ったのか、何によって勝ったのかはわからない。そして、次の制作物に持ち込めるのはまさにその2点です。

まずデータの出所を明確にしておくと、ここで扱う曲線やパーセンタイルはすべて、各プラットフォームの公開広告ライブラリとクリエイティブセンターで、自分のアカウントから確認できるものです。スクレイピングも署名も、何かを迂回する操作も必要ありません。そもそも広告主向けにプラットフォーム側が用意したデータであり、多くの人が見るべき数値を知らないだけです。

再生数は、もっとも判断材料にならない数字

再生数には、プラットフォームの配信ロジックによるノイズが大きく混ざります。コンテンツ自体が良かったのかもしれませんし、早く出稿して大きく配信し、安いトラフィックが取れる時期に当たっただけかもしれません。再生数だけでは、「良いクリエイティブ」と「大きな予算」を切り分けられません。

いいねはさらに危険です。いいねは感情的な反応であり、本当に欲しいコンバージョンとは別方向に動くことが少なくありません。見た人を笑わせる広告にはいいねが集まります。しかし、笑ってスワイプされればコンバージョンはゼロです。いいねに最適化すれば、最適化されるのは購買意図ではなく娯楽性になります。

両者に共通する致命的な欠点は、時間軸を持たないスカラー値であることです。クリエイティブは時間とともに展開するものであり、2秒目、5秒目、8秒目では視聴者の反応がまったく異なります。それを総再生数ひとつで平坦にしてしまう。いつ何が起こるかが本質の仕事に対して、時間を潰した数字を使えば、必要な情報は最初から失われています。

時間軸を持つデータは、クリエイティブセンターの詳細ページに最初からあります。それなのに、ほとんどの人はそこを開きません。

見るべきは3本の曲線、その変曲点

成果の出ているクリエイティブを開くと、動画本体のほかに、ほとんど見られていない秒単位のグラフが3つあります。秒ごとのリテンション、クリック、コンバージョンです。横軸は動画の秒数で、全体の長さはプラットフォーム側が示しています。縦軸は順に、その時点で視聴を続けている人数、クリックした人数、コンバージョンした人数です。いくつかのハイライトフレームも表示されますが、ハイライトが示すのは変化があった場所であって、その意味ではありません。

曲線を見るときに重要なのは、全体として高いかどうかではなく、何秒目で折れたかです。3本の曲線の変曲点は、それぞれ異なることを教えてくれます。

リテンション曲線の急落は、冒頭で視聴者を引き留められたかを示します。リテンションは100%から始まり、下がっていきます。見るべきなのは下がり方です。2秒目や3秒目で大きく落ちるなら、最初の2秒で見る理由を提示できていません。スワイプした人は、そこで引っかからなかった人です。急落した位置は、台本内のその一文、そのカットに直結します。3秒目で落ちるなら、問題は3秒目のフレームにあります。

クリック曲線のピークは、実際にどの秒で訴求が刺さったかを示します。クリックは均等には発生せず、1〜2秒に集中して跳ねます。その秒で画面がしていること、たとえば価格を見せている、結果を実演している、約束を打ち出しているといった要素こそが、そのクリエイティブの本当のフックです。フックは冒頭にあると思われがちですが、クリックのピークを見ると、実際には中盤にあることも珍しくありません。

もっとも直感に反し、かつ価値が高いのが、コンバージョン曲線の遅れです。コンバージョンはクリックとほぼ同時には起きず、必ず後からついてきます。視聴者は5秒目で惹きつけられてクリックしたものの、ベネフィットを最後まで見て、12秒目になって初めてコンバージョンするかもしれません。クリックのピークからコンバージョンが伸び始めるまでの秒差は、「興味がある」から「買いたい」へ進ませるのに必要な説得パートの長さを示します。この遅れが長すぎるなら、ベネフィットの提示が遅く、届く前に視聴者が離脱している可能性があります。

3本を重ねて見れば、その広告の流れが見えてきます。数秒で引き留め、ある秒で惹きつけ、さらに数秒かけてコンバージョンへ運ぶ。この3つの変曲点が出る秒数は、そのまま次の台本へ移植できる構造です。

CTRは絶対値ではなくパーセンタイルで見る

曲線以外にも、プラットフォームはもうひとつ重要な数値を出しています。そのクリエイティブのCTRパーセンタイルです。

初心者が陥りやすいのは、「CTRが5%なら悪くない」と絶対値だけで読むことです。5%が高いか低いかは、同じ条件の比較対象なしには判断できません。衝動買いされやすいカテゴリなら5%でも最下位かもしれず、高額商材なら上位かもしれません。CTRの絶対値自体には情報がなく、意味を持つのはパーセンタイルです。パーセンタイル0.9なら、その業界のクリエイティブの90%よりクリックされているということです。これは判断に使える文章になります。

パーセンタイルには見落とされがちな条件もあります。集計期間です。同じクリエイティブでも、直近7日、30日、180日で算出すれば、パーセンタイルは大きく変わり得ます。最近になって配信量が増えたクリエイティブは、7日間では高くても、180日間では薄まります。どの期間を比較するかで数値の意味が決まるため、自分の出稿サイクルに合わせて期間を揃えてください。

もうひとつ見逃しやすいのが、日ごとの人気推移です。上昇中なのか、横ばいなのか、すでに下落に転じているのかを見ます。CTRパーセンタイルが高くても、人気曲線が下を向いている広告を今コピーすれば、すでに終わりかけたトラフィックの波を追うことになります。コピーすべきなのは、一定以上のパーセンタイルがあり、なお人気が上がっている広告です。この曲線が決めるのは「コピーするか」ではなく、「今コピーするには遅すぎないか」です。

複数の曲線をまとめてモデルに読ませる

1本の広告にある3本の曲線なら、人間でも読めます。しかし再利用可能な結論を得るには、同じ業界で成果を出した十数本から二十数本をまとめて見て、変曲点にどんな共通性があるかを探さなければなりません。どれも2秒目より前にリテンションを維持しているのか。クリックのピークは決まった種類のフレームに集中しているのか。これは人間の頭だけでは難しい作業です。何十本もの曲線を、点ごとの値まで揃えて同時に扱う必要があるからです。そこでモデルを使います。

やり方は一発処理ではなく、2段階です。この考え方は広告コピーを大規模にクラスタリングする記事と同じです。

第1段階は、広告ごとの構造化抽出です。各広告について、3本の曲線それぞれの変曲秒、変曲点前後の値の落差、その秒に画面で何が起きていたかを取り出し、ひとつの構造化レコードにします。ここは高並列で回せる機械的な作業で、広告1本につき1コール、1バッチでは数百から数千コールになります。

第2段階では、その表全体をモデルに一度に渡してアトリビューションを行います。プロンプトでは出力形式を固定する必要があります。「なぜこの広告は良いのか」と聞いてはいけません。そうすると「魅力的な導入」といった曖昧な回答が並びます。共通構造ごとに、次の3項目を出させてください。

You'll receive per-second curve summaries for N high-performing creatives in
one category, each with three inflection seconds, drops, and a frame
description at that second. Find the recurring structures, and output each
one in the format below, no prose:

1. Inflection second
   Which second of the video this structure reliably appears at (give a
   range, not a single point)

2. What the frame is doing
   The specific action/element at that second, pointing to specific
   creative IDs, no vague descriptions allowed

3. Reusable script structure
   Abstract it into one instruction you can write into the next script
   (e.g. "an after-use result frame must appear before second 2")

4. Counterexample
   Are there creatives in this batch that break this structure and still
   perform well? If so, list them. If the structure doesn't actually hold,
   say so directly

第1段階には、安価なバッチ向けティアが適しています。一方、第2段階ではバッチ全体の曲線値を同時に保持する必要があり、数十本の点ごとの配列は簡単に数十万トークンに達します。ここはロングコンテキスト向けティアの領域です。2つのティアを組み合わせれば、コストと精度を両立できます。

アトリビューションは台本の指示に変換できなければならない

先のプロンプトで最も重要なのは3番目です。次の広告の台本指示に変換できないアトリビューションには価値がありません。

「ヒット作はどれもリズムが良い」はアトリビューションではなく感想です。「良いリズム」で撮影することはできません。一方で、「視聴維持に成功した広告はすべて、商品そのものではなく使用後の結果を示すフレームを2秒目より前に置いている」ならアトリビューションです。次の台本で2秒目より前に結果フレームを置く、というそのまま実行できる撮影指示になるからです。

使えるアトリビューションかどうかは、ひとつだけ確認すればわかります。台本上の具体的な変数にできるかどうかです。秒数は変数です。フレームの種類も変数です。説得パートの長さも変数です。変数になるものを残し、ならないものは捨てる。最終的に必要なのは競合分析レポートではなく、次の広告群のための変数表です。何秒目に何を置くか、説得に何秒取るか、どのフレームにフックを置くかを決める表です。

変数表の次に来るのが台本で、その次が完成した広告です。台本から完成動画へ進む段階では、現場の画像・動画生成が必要になります。「キーワードから曲線アトリビューション、台本、完成動画」までの全体ループは、キーワードから完成広告までの記事で扱っています。この記事の対象は、曲線を変数表へ変換する前半だけです。

落とし穴：相関を因果として受け取らせない

バッチアトリビューションには、ほぼ避けられない罠があります。モデルが相関を因果関係として断定しやすいことです。

たとえば高リテンションの広告10本の冒頭に猫が出てくると、モデルは「猫がリテンションの鍵だ」と言い出します。しかし実際には、その広告群がたまたま猫好きの同じチームから出ているだけかもしれません。猫も高いリテンションも、そのチームのスタイルの結果であって、両者に因果関係はないかもしれない。そんなアトリビューションを信じて次の広告群に猫を無理に入れても、リテンションは動きません。

この罠は、JSリバースエンジニアリングでモデルが「アルゴリズムの系統を認識した時点で詳細な検証を止める」問題と同じです。モデルは一貫性のある説明を作ると、自分で疑うことを止めます。リバースエンジニアリングのワークフローでは、プロンプトに反証セクションを強制することで対処しています。この方法はここにもそのまま使えます。先ほどのプロンプトにある4番目、反例は任意ではありません。アトリビューションを信頼できるか測るテストです。

使い方は直接的です。モデルが「2秒目の結果フレームが高いリテンションを生む」と主張したら、「2秒目に結果フレームを置いていてもリテンションが低かった広告は、このバッチ内にあるか」と答えさせます。あれば、その因果関係は誤りであり、フレームとリテンションの間には別の要因があります。バッチ全体を探しても反例が見つからなければ、その構造は変数表に入れる価値があります。反例を出せないモデルのアトリビューションは、ひとつたりとも制作指針に使うべきではありません。相関の寄せ集めをもとに撮影し、なぜ効かないのかわからなくなるからです。

工程ごとに使い分けるモデル

この4段階のパイプラインでは、モデルに求める能力が工程ごとに大きく異なります。全工程をひとつのモデルで済ませると、コストか精度のどちらかを無駄にします。

特に注目すべきなのは反例探索の工程です。これは、アルゴリズム系統の識別における反証セクションと同じものを試しています。モデルが、自分で出した結論をさらに疑い続けられるかどうかです。弱いモデルは反例セクションを結論の言い換えにします。「この構造は大半のクリエイティブで確認できる」と書くだけです。強いモデルは、実際に結論に矛盾するクリエイティブを掘り出します。反例セクションの質が、そのまま誤った因果関係に基づいて何本撮ることになるかを左右します。

モデル差は、私の説明を信じるより実際に試すほうが早いです。手順は次のとおりです。

1. ひとつの業界から上位クリエイティブを10〜15本取得し、それぞれの秒単位の3曲線とCTRパーセンタイルを取ります。

2. 安価なティアで構造化テーブルに抽出します。必要なのは変曲秒と、その秒のフレームです。

3. 表全体をclaude-opus-5とgpt-5.6-solに渡し、上記4番の反例プロンプトを実行します。

4. 見るのはひとつです。リテンションは美しいのにコンバージョンが低い広告を、モデルが自力で反例として抜き出すかを確認してください。自発的に反例を出すティアこそ、アトリビューションを台本に落とし込めるティアです。

1回回せば、どんなベンチマークより直接的に差がわかります。

難しいのはモデル選定ではなく、切り替えのコスト

4つのモデル、3つのベンダー、3種類のSDK、3種類の認証方式、3種類のエラー形式。工程ごとにモデルを使い分けるなら、素直に実装すれば3つのクライアントをつなぐことになります。多くの人はそこで工数を計算し、割に合わないと判断して、結局はひとつのモデルだけで最後まで回します。その結果、バッチアトリビューションでは反例探索の弱いティアを使い、誤った因果関係にもとづく広告を大量に作りながら、その理由に気づけません。

AIReiterはこの層を統一します。キーはひとつ、インターフェースはOpenAI互換で、4つのティアをすべて背後にまとめています。リクエストボディのmodelフィールドを変えるだけで切り替えられます。

# Batch attribution + counterexamples: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<attribution prompt + N curve-summary table>"}]
  }'

# Extract fields per creative: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Long context to hold a whole batch of curves:
#   "model": "kimi-k3"

すでにOpenAI SDKを使っているなら、base_urlをhttps://aireiter.com/api/v1に向けるだけで、それ以外は変更不要です。Anthropic SDKでは、同じキーを使ってPOST /api/v1/messagesを呼び出します。

価格面では、Claudeモデルは定価から30%オフ、GPTモデルは半額です。このフローでは、割引が主要コストに直接効きます。広告ごとの項目抽出は、1バッチあたり数百から数千コールと最も呼び出し密度が高く、Claude Sonnetを30%オフで使えます。単一クリエイティブの差分アトリビューションはGPT-5.6 Solを半額で実行できます。数十万トークンのロングコンテキスト入力が必要なバッチアトリビューションも、同じキーでKimi K3を呼び出せます。割引は、もっともコストの大きい2つの工程に効きます。

• APIキーを取得する

• 登録なしで試す：まずは数本分の曲線を手入力し、2つのモデルが反例を出すか比較してから、どちらを組み込むか決めてください。

まとめ

再生数やいいねでクリエイティブを読むことは、時間軸を潰したスカラー値で、最初から最後まで時間が本質の仕事を判断するようなものです。必要な情報は、最初から消えています。

クリエイティブセンターには以前から時間軸付きのデータがあります。秒単位の3本の曲線にある変曲点は、引き留める秒、惹きつける秒、コンバージョンさせる秒を示します。CTRパーセンタイルは、絶対値ではわからない、同業内でその広告がどの位置にいるかを示します。複数広告の曲線をモデルに渡してバッチアトリビューションを行えば、「良さそう」という感覚ではなく、次の台本に書き込める変数表が得られます。ただし、モデルに必ず反例を出させ、思い込んだ相関をひとつずつ実際の因果関係からふるい落とすことが前提です。

ここでのモデルの役割は明確です。何十本もの曲線を同時に揃え、共通構造を見つけ、適切なプロンプトがあれば自分の結論にも反論できるアトリビューターです。広告を撮影してくれるわけでも、因果関係を最終判断してくれるわけでもありません。反例で実際の因果を絞り込み、変数表を台本に変え、完成した広告へ進めるのは次の記事の担当です。