AIマーケティングPDCA自動化実装ガイド【2026年版】— CampaignAnalyzer × AI Plan生成 × 前サイクル参照の本番アーキテクチャ

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、「1日で20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`CampaignAnalyzer`・`PDCAAutomation`・`CampaignRecommender`の3クラス構成をもとに、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	CampaignAnalyzer	ROI/CTR/CVR/CPC/CPA等を自動算出
2. 強み・弱み分析	CampaignAnalyzer	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	PDCAAutomation	サイクル番号の自動採番、前回参照
4. AI Plan生成	PDCAAutomation	LLMで次サイクルの計画を自動立案
5. キャンペーン推薦	CampaignRecommender	新規キャンペーンの提案

機能1: CampaignAnalyzer 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。renueの実装では以下の指標を1関数(`calculate_metrics`)で全て算出する。

算出する指標

duration_days: キャンペーン期間日数
budget_utilization: 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)
target_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)

renueの実装では、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。renueの実装では以下の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: PDCAAutomation によるサイクル管理

PDCAは1回で終わるものではない。renueの実装では`PDCACycle`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、最新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。

cycle_number=1: 初回計画
cycle_number=2: 初回結果を踏まえた改善計画
cycle_number=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。renueの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、`cycle_number - 1` で前サイクルを取得
前サイクルの`act_summary`(改善施策の要約)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(cycle_number > 1 の場合)

プロンプト例

system_prompt = "あなたはデジタルマーケティングの専門家です。キャンペーンの分析結果に基づいて、具体的な改善計画を立案してください。"

context = f'''
キャンペーン情報:
- 名前: {campaign.name}
- タイプ: {campaign.campaign_type}
- 予算: {campaign.budget}円
- 目標インプレッション: {campaign.target_impressions}
- 目標クリック: {campaign.target_clicks}
- 目標コンバージョン: {campaign.target_conversions}
- 目標売上: {campaign.target_revenue}円

現在のパフォーマンス:
- ROI: {metrics.get('roi', 'N/A')}%
- CTR: {metrics.get('ctr', 'N/A')}%
- コンバージョン率: {metrics.get('conversion_rate', 'N/A')}%
- 予算消化率: {metrics.get('budget_utilization', 'N/A')}%

強み: {', '.join(strengths) if strengths else 'なし'}
弱み: {', '.join(weaknesses) if weaknesses else 'なし'}
'''

if previous_cycle and previous_cycle.act_summary:
    context += f"
前回の改善施策: {previous_cycle.act_summary}"

機能5: CampaignRecommender 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。renueの実装では`CampaignRecommender`クラスが担当する。

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。renueの実装では`litellm`ライブラリを使ってモデルを抽象化している。

from litellm import completion
from src.shared.lib.litellm_model_compat import resolve_litellm_model

response = completion(
    model=resolve_litellm_model(self.model),
    messages=[...],
)

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: `claude-haiku-4-5` (コスパ重視、高速)
複雑な戦略提案: `claude-opus-4-6` (精度重視)
大量バッチ分析: `gpt-4o-mini` (低コスト)

renueの実装ではデフォルトで`claude-haiku-4-5`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

「1日で20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。renueの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/Celery)
目標達成率が一定値を下回ったら自動アラート
週次でPDCAAutomation.generate_plan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)
PDCACycle: サイクル情報(cycle_number/plan/do/check/actの4段階)
UnifiedOrder: 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)

PDCACycleのカラム設計

`cycle_number`: サイクル番号
`plan_date` / `plan_summary`: 計画フェーズ
`do_start_date` / `do_end_date` / `do_summary`: 実行フェーズ
`check_date` / `check_summary` / `check_metrics(JSON)`: 評価フェーズ
`act_date` / `act_summary`: 改善フェーズ
`status`: サイクルステータス(planning/doing/checking/acting/completed)

renueの実装特徴

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12業務を553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: SQLAlchemy 2.0
LLMクライアント: LiteLLM(複数プロバイダー抽象化)
デフォルトモデル: claude-haiku-4-5(コスパ重視)
バックエンド: FastAPI
非同期ジョブ: Celery
DB: MySQL (Azure) / BigQuery (分析用)

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「1日で20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。

よくある質問

AIが提案した計画をそのまま実行して良い?

本番運用では必ず人間の承認工程を挟むべき。特に大規模予算のキャンペーンでは、AI提案がブランド方針や法規制と整合しているかをレビューする必要がある。renueの実装でも、PDCA.generate_planの出力はドラフト状態で保存される。

LLMコストはどれくらい?

claude-haiku-4-5で1サイクルあたり数十円程度。月間100キャンペーンで月額数千円〜数万円。この費用で数十人月分の分析作業が自動化できるため、ROIは極めて高い。

どのKPIから自動化すべき?

ROI/CTR/CVRの3つから始めるのが推奨。これらは業界を問わず重要で、計算ロジックも標準化されている。その後、業界固有の指標(ROAS/LTV/MQL等)を追加する。

前サイクル参照の効果は?

非常に大きい。前サイクルの失敗を踏まえた計画は、同じ失敗を繰り返さないため成功率が明確に向上する。renueの実装では`act_summary`を必ずコンテキストに含める設計になっている。

導入後に最も改善するKPIは?

「PDCAサイクル完了までの時間」が最も劇的に改善する(3ヶ月 → 数時間)。次いで「キャンペーン全体ROI」「人間の分析工数」「改善施策の実施回数」が改善する。これらを導入前のベースラインと比較することでROIを定量化できる。