株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
AIマーケティングPDCAサイクル自動化とは、キャンペーンの計画(Plan)・実行(Do)・評価(Check)・改善(Act)をAIが自律的に実行するシステムである。2026年現在、「短時間で複数回PDCAを回す」という次元の高速化が実現しつつあり、先行企業は従来3ヶ月サイクルだった施策改善を数時間単位で回している。本記事では、renueが自社プロダクトとして実装している3モジュール構成をもとに、本番品質のAI PDCA自動化を実装するためのパターンを解説する。
AI PDCA自動化の5つのコア機能
| 機能 | 担当クラス | 役割 |
|---|---|---|
| 1. KPI計算 | KPI分析モジュール | ROI/CTR/CVR/CPC/CPA等を自動算出 |
| 2. 強み・弱み分析 | KPI分析モジュール | 目標達成率からパフォーマンスを定性判定 |
| 3. サイクル管理 | PDCA自動化モジュール | サイクル番号の自動採番、前回参照 |
| 4. AI Plan生成 | PDCA自動化モジュール | LLMで次サイクルの計画を自動立案 |
| 5. キャンペーン推薦 | 推薦モジュール | 新規キャンペーンの提案 |
機能1: KPI分析モジュール によるKPI自動計算
PDCAのCheckフェーズを自動化するには、まずKPI計算を機械化する必要がある。一般的な実装では以下の指標を1つのKPI計算関数で全て算出する。
算出する指標
- 集計期間: キャンペーン期間日数
- 予算消化率: 予算消化率 (実績 / 予算 × 100)
- ROI: 投資収益率 ((売上 - コスト) / コスト × 100)
- CTR: クリック率 (クリック / インプレッション × 100)
- conversion_rate: コンバージョン率 (CV / クリック × 100)
- CPC: クリック単価 (コスト / クリック)
- CPA: 獲得単価 (コスト / CV)
- goal_achievement: 目標達成率(impressions/clicks/conversions/revenueの4軸)
ゼロ除算の防止
本番実装で最もハマる罠がゼロ除算である。KPI計算では以下の分母が0になる可能性がある。
- インプレッション0(キャンペーン開始直後)
- クリック0(広告が反応されていない)
- コンバージョン0(成約まで時間がかかる業界)
- 予算0(計画未定のキャンペーン)
一般的な実装では、全ての分母チェックを明示的に行い、0の場合は該当指標を`None`のままにする。これによりダッシュボードで「データ不足」を正しく表示できる。
機能2: 強み・弱み自動判定
目標達成率から「強み」「弱み」を自動判定する。一般的な実装では以下の4段階評価を採用している。
| 達成率 | 評価 |
|---|---|
| 100%以上 | 目標達成(強み) |
| 70〜99% | 順調 |
| 40〜69% | 標準 |
| 40%未満 | 要改善(弱み) |
強み・弱みの活用
この判定はLLMに渡すコンテキストとして使う。単に「CTR 2%でした」と伝えるより、「CTRは目標の45%で要改善」と伝える方がLLMは改善策を提案しやすい。
機能3: PDCA自動化モジュール によるサイクル管理
PDCAは1回で終わるものではない。一般的な実装ではPDCAサイクル管理テーブルで全サイクルを永続化し、継続的に改善を追跡する。
サイクル番号の自動採番
新しいサイクルを作成する際、現在のサイクル番号を取得して+1する。これによりサイクル間の時系列関係が明確になる。
- サイクル番号=1: 初回計画
- サイクル番号=2: 初回結果を踏まえた改善計画
- サイクル番号=3: 2回目の結果を踏まえた改善計画
前サイクル参照による学習
新しいPlanを生成する際、前サイクルの結果を必ず参照することが重要である。一般的な実装では以下のフローで前サイクルを取得する。
- 現在のサイクル番号を確認
- 番号>1 の場合、直前のサイクル番号で前サイクルを取得
- 前サイクルの改善施策サマリー欄をLLMのコンテキストに含める
- LLMは前回の施策の成否を踏まえて新しい計画を立てる
この「前サイクル参照」が、単発の分析ではなく継続的な学習を実現する鍵である。
機能4: AI Plan生成 — LLMによる計画立案
PDCAのPlanフェーズを自動化するには、現在の分析結果をLLMに渡して計画を生成させる。
LLMに渡すコンテキスト
以下をプロンプトに含めることで、具体的で実行可能な計画が得られる。
- キャンペーン情報(名前・タイプ・予算・目標値)
- 現在のパフォーマンス(ROI/CTR/CVR/予算消化率)
- 強み・弱みの定性評価
- 前サイクルの改善施策(サイクル番号 > 1 の場合)
プロンプト例
機能5: 推薦モジュール による新規推薦
既存キャンペーンの改善だけでなく、「次にどんなキャンペーンを実施すべきか」をAIに提案させる。一般的な実装では推薦モジュールが担当する。
推薦の入力データ
- 過去の全キャンペーンの成績
- キャンペーンタイプ別の平均ROI
- 季節性・トレンド
- 現在のリード状況(未対応リード数、未成約リード数)
推薦の出力形式
- 推奨キャンペーンタイプ
- 推奨予算
- 推奨期間
- 推奨目標KPI(前回データを元に算出)
- 類似過去キャンペーンとの差分
- 期待ROI(予測値)
LiteLLMによるモデル切替
本番運用では、タスクによって最適なLLMが異なる。一般的な実装では`litellm`ライブラリを使ってモデルを抽象化している。
モデル選定の指針
- KPI計算(非LLM): SQL/pandasで高速処理
- 強み弱み判定(非LLM): ルールベースで決定的
- Plan生成: 軽量モデル (コスパ重視、高速)
- 複雑な戦略提案: 高性能モデル (精度重視)
- 大量バッチ分析: 低コストモデル (低コスト)
一般的な実装ではデフォルトで軽量モデルを使い、必要に応じて別モデルに切り替えられる設計になっている。
PDCAサイクル高速化の実践
「短時間で複数回PDCAを回す」ためには、人間の介在を最小化する必要がある。一般的な実装で採用しているポイント。
自動トリガー
- キャンペーン期間中、毎日定期的にKPI計算(Cron/非同期処理基盤)
- 目標達成率が一定値を下回ったら自動アラート
- 週次でPDCA自動化モジュールによる計画生成を自動実行
- 生成された計画はドラフト状態で保存、人間が承認
人間の役割
- AIが生成した計画のレビュー・承認
- 例外的な判断(ブランド方針との整合性確認)
- クライアントとのコミュニケーション
AIがPlan-Check-Actを担当し、人間は承認と例外対応に集中する設計が最も効果的である。
業界別の適用パターン
| 業界 | 主要KPI | PDCA頻度 |
|---|---|---|
| EC/D2C | ROAS, CVR, 客単価 | 日次 |
| BtoB SaaS | MQL, SQL, CAC | 週次 |
| 金融 | 申込率, LTV | 週次 |
| 不動産 | 問い合わせ率, 成約率 | 月次 |
| 採用 | 応募率, 書類選考通過率 | 週次 |
データモデルの設計
PDCA自動化を実装するには、以下のテーブルが必要である。
- Campaign: キャンペーン基本情報(名前/タイプ/予算/目標)
- PDCAサイクル管理モデル: サイクル情報(サイクル番号/plan/do/check/actの4段階)
- 受注統合モデル: キャンペーン期間中の注文データ
- GeneratedContent: キャンペーンで生成したコンテンツ
- Lead: リード情報(ステータス管理)
PDCAサイクルのデータ設計
- サイクル番号: サイクル番号
- 計画日付 / 計画サマリー: 計画フェーズ
- 実行開始日 / 実行終了日 / 実行サマリー: 実行フェーズ
- 評価日付 / 評価サマリー / 評価指標(JSON): 評価フェーズ
- 改善日付 / 改善サマリー: 改善フェーズ
- ステータス: サイクルステータス(planning/doing/checking/acting/completed)
一般的な実装上の特徴
renueは「Self-DX First」の方針のもと、AIマーケティングPDCA自動化を自社プロダクトとして開発している。社内の主要業務を自社開発のAIツールで自動化済み(2026年1月時点)であり、PDCA自動化はその中核の一つである(全て公開情報)。
技術スタック
- 言語: Python 3.11
- ORM: データアクセス層
- LLMクライアント: 複数モデルに対応する抽象化層
- デフォルトモデル: 軽量モデル(コスパ重視)
- バックエンド: バックエンドフレームワーク
- 非同期ジョブ: 非同期処理基盤
- DB: 業務データベースと分析基盤
導入時のよくある失敗パターン
- ゼロ除算の防止を忘れる: KPI計算がエラーで止まる
- 前サイクル参照なしでPlan生成: 同じ失敗を繰り返す
- サイクル番号を自動採番しない: 時系列関係が失われる
- 人間の承認工程を省略: AIの誤提案が本番に反映される
- 強み・弱みの定性評価なし: LLMが改善提案を出せない
- LLMモデルを固定: コストと精度のバランスが取れない
- 自動トリガーがない: 結局手動運用になる
AI PDCA高速化がもたらす変化
2026年現在、先行企業では「短時間で複数回PDCAを回す」レベルの高速化が実現している。これはゲームチェンジャーと言えるレベルの変化である。
従来: 3ヶ月サイクル
- 月初: キャンペーン計画
- 1ヶ月目: 実行
- 月末: データ収集
- 2ヶ月目: 分析会議、改善案作成
- 3ヶ月目: 次サイクル開始
AI自動化後: 数時間サイクル
- AIが毎時KPIを自動集計
- 異常検知で即座にアラート
- AIが改善案を数分で生成
- 承認されれば数時間で反映
この差により、競合との差は指数関数的に開く。先行者利益が極めて大きい領域である。
あわせて読みたい
サービス・採用に関する公開情報は、renue公式サイトをご確認ください。
