CPAだけで判断すると新規偏重になる理由
広告の成果指標としてCPA（顧客獲得単価）は最も普及しています。しかし、CPAだけで投資判断をすると、意図せず新規獲得に偏りがちです。
その構造はシンプルです。新規向けキャンペーンと既存顧客向けキャンペーンのCPAを並べたとき、既存顧客向けは「すでに一度購入している人」への再アプローチなので、CPAは低くなりやすい傾向があります。一見すると効率が良く見えます。
ところが、ここに落とし穴があります。
- 既存顧客への広告は「広告がなくても購入していた層」を含みやすい
- CPAが低いからと既存向けに偏重すると、新規流入が減りLTV母数が細る
- 結果として、中長期の事業成長が鈍化する
一方で、新規獲得のCPAは既存向けより高くなるのが一般的です。CPAの数値だけを見れば「効率が悪い」と判断されてしまいます。しかし、その新規顧客が将来もたらすLTV（顧客生涯価値）を考慮すれば、投資として十分に合理的なケースは多くあります。
運用メモ 「既存顧客向け広告のCPAが低い」ことは必ずしも広告の成果とは限りません。広告接触がなくても購入していた可能性があるためです。既存向けの広告効果を正しく評価するには、ホールドアウトテスト（広告非接触群との比較）を併用するのが理想です。
LTV視点で既存顧客への投資を正当化する
CPAの限界を補うのがLTV（顧客生涯価値）の視点です。LTVとは、1人の顧客が取引期間を通じてもたらす累計売上や利益のことです。
LTVを基準にすると、投資判断の枠組みが変わります。
| 指標 | 判断基準 | 課題 |
|---|---|---|
| CPA | 初回獲得の効率 | リピート・継続を考慮しない |
| LTV | 顧客が生涯にもたらす価値 | 算出に購買データが必要 |
| LTV/CPA比率 | 投資回収倍率 | 新規・既存で分けて算出すべき |
LTVが高い顧客セグメントに対しては、初回のCPAが多少高くても投資を正当化できます。逆に、LTVが低いセグメントはCPAが安くても投資対効果が悪い可能性があります。
LTVの簡易計算式
LTVの計算にはいくつかの方法がありますが、実務で使いやすい簡易式は以下です。
LTV = 平均購入単価 x 平均購入回数 x 平均継続期間
たとえば、平均購入単価が5,000円、年間購入回数が3回、平均継続年数が2年であれば、LTV = 5,000 x 3 x 2 = 30,000円です。この顧客を獲得するCPAが10,000円であれば、LTV/CPA比率は3.0倍となり、十分に投資回収できる水準です。
以下のフローは、LTVをもとに許容CPAを逆算する判断フレームワークです。
許容CPAの計算では、粗利率と「売上のうち広告費に充当できる比率」を掛け合わせます。たとえばLTVが30,000円、粗利率が50%、広告費充当比率が30%なら、許容CPA = 30,000 x 0.5 x 0.3 = 4,500円です。
事業フェーズ別の投資比率モデル
新規獲得と既存顧客への投資比率は、事業フェーズによって大きく変わります。一律の「正解」はありませんが、フェーズごとの傾向は明確です。
各フェーズの考え方を整理します。
立ち上げ期（新規80%：既存20%）: 顧客基盤がまだ小さい段階では、まず新規獲得に集中して母数を増やします。既存向けはメルマガやCRMでの接点を最低限確保する程度です。
成長期（新規60%：既存40%）: 一定の顧客基盤ができた段階で、既存向けの投資を増やし始めます。リピート率やクロスセルの促進に広告を活用し、LTVの引き上げを図ります。
成熟期（新規40%：既存60%）: 市場の成長が鈍化し、新規獲得のCPAが上昇する段階です。既存顧客のロイヤルティを高め、LTVの最大化を重視します。ただし、新規獲得を完全に止めると顧客数が自然減するため、一定の投資は継続します。
これらの比率はあくまで目安です。自社の粗利率、リピート率、顧客の離脱率によって調整してください。
新規と既存の定義をプラットフォームでどう区別するか
投資を分けて管理するには、広告プラットフォーム上で「新規」と「既存」を区別する仕組みが必要です。主要プラットフォームでの定義方法は以下のとおりです。
| プラットフォーム | 新規・既存の区別方法 |
|---|---|
| Google広告 | カスタマーマッチで既存顧客リストを除外 / 新規顧客の獲得目標を設定 |
| Meta広告 | カスタムオーディエンスで既存顧客を定義し、除外または配信 |
| LINE広告 | オーディエンスセグメントで既存を除外、友だち追加済みをセグメント |
| Yahoo!広告 | サイトリターゲティングリスト+コンバージョン済み除外 |
Google広告の「新規顧客の獲得目標」
Google広告のP-MAXや検索キャンペーンでは、「新規顧客の獲得目標」を設定できます。この機能を使うと、新規顧客のコンバージョンに対して既存顧客より高い価値を設定し、自動入札が新規獲得を優先するよう誘導できます。
設定方法は2種類です。
- 新規顧客値モード: 新規顧客のコンバージョン値に上乗せ額を設定する
- 新規顧客のみモード: 新規顧客のコンバージョンだけを最適化対象にする
前者が推奨です。既存顧客への配信も残しつつ、新規顧客を重視するバランスの取れた設定です。
カスタマーマッチ・除外リストを使った実装方法
新規と既存を広告配信レベルで切り分けるには、カスタマーマッチが中核的な手法です。以下の手順で実装します。
1. 顧客リストの作成
CRMやECのデータベースから、既存顧客のリストを作成します。リストに含める情報は、メールアドレス、電話番号、住所のいずれかです。Google広告の場合、SHA256でハッシュ化してアップロードするか、管理画面上で平文アップロードすればGoogle側がハッシュ化します。
2. セグメント分割
既存顧客をさらに細分化すると、施策の精度が上がります。
- 購入回数別: 初回購入者、2回目以上のリピーター、VIP顧客
- 最終購入日別: アクティブ顧客（90日以内）、休眠顧客（91日以上）
- 購入金額別: 高単価顧客、標準顧客
3. キャンペーン構成
セグメントに応じたキャンペーン構成の例を示します。
| キャンペーン | ターゲット | 目的 | 入札戦略 |
|---|---|---|---|
| 新規獲得 | 既存顧客リストを除外 | 新しい顧客の獲得 | 目標CPA（LTVベースの許容CPA） |
| 休眠復帰 | 91日以上未購入の顧客 | 再購入の促進 | 目標ROAS |
| アップセル | アクティブ顧客 | 単価向上・関連商品 | 目標ROAS |
| VIP維持 | 高LTV顧客 | ロイヤルティ向上 | コンバージョン数の最大化 |
4. リストの更新運用
カスタマーマッチのリストは定期的に更新する必要があります。手動更新だと頻度が落ちがちなので、Google Ads APIやZapierなどで自動化するのが理想です。更新頻度は週次を推奨します。
運用メモ カスタマーマッチのマッチ率は一般的に30〜60%程度です。マッチ率が低い場合は、メールアドレスに加えて電話番号や住所を併用すると改善します。リストのデータ量が少なすぎると（目安は1,000件未満）セグメントが作成できない場合があるため、初期段階ではリストを統合して使い始めるのが現実的です。
新規獲得CPAと既存LTVの統合レポート設計
新規と既存を分けて投資した成果は、統合レポートで評価します。単にCPAやROASを並べるのではなく、LTV視点を組み込んだ構成にすることが重要です。
レポートに含めるべき指標
レポートは以下の3層構造で設計します。
第1層：獲得効率（短期指標）
- 新規顧客CPA
- 既存顧客CPA
- 新規顧客数
- 既存顧客からの売上
第2層：顧客価値（中長期指標）
- セグメント別LTV（実績値）
- リピート率（30日/90日/180日）
- 新規→リピーター転換率
- 顧客あたり平均購入回数
第3層：投資回収（経営指標）
- LTV/CPA比率（新規・既存別）
- 投資回収期間（月数）
- 顧客ポートフォリオ構成比の推移
統合レポートの運用ポイント
統合レポートの更新頻度は月次が基本です。LTVは短期間では変動しにくいため、週次で追う必要はありません。ただし、新規顧客CPAは週次でモニタリングし、急激な変動があれば対処します。
レポート上で最も重要なのは、LTV/CPA比率の推移です。この比率が継続的に低下している場合、新規獲得の質が落ちているか、既存顧客の離脱が加速しているかのいずれかです。原因の切り分けには、リピート率と新規CPAの推移を合わせて確認します。
まとめ：二項対立を超えるための3つの原則
新規獲得と既存顧客への投資は、どちらか一方を選ぶものではありません。以下の3つの原則で設計することで、CPAとLTVの二項対立を超えた投資判断が可能になります。
- CPAだけでなくLTV/CPA比率で評価する: 初回のCPAが高くても、LTVで回収できるなら合理的な投資です
- 事業フェーズに応じて比率を変える: 固定比率ではなく、顧客基盤の成熟度に応じて新規と既存の投資配分を調整します
- プラットフォーム上で新規・既存を区別する仕組みを作る: カスタマーマッチと除外リストで、投資の出し分けを運用レベルで実装します
LTVデータが十分に蓄積されていない段階では、まずカスタマーマッチで新規と既存を区別するところから始めてください。データが溜まれば、セグメント別LTVの算出、許容CPAの逆算、投資比率の最適化と段階的に精度を上げていけます。