米国でEコマースの広告運用を長く手がけていると、クライアントからほぼ毎月のように同じ相談を受けます。「ROASは4倍を超えてるんです。でも、なぜか銀行口座のお金が増えないんですけど」--これは決して珍しい話ではありません。むしろ、Meta広告をある程度の規模で回している企業ほど、この違和感に直面しています。
多くの場合、こんなアドバイスが返ってきます。「クリエイティブをテストしましょう」「Advantage+ショッピングを試してみてください」と。もちろん間違いではありません。ただ、問題の本質はそこではないことが多い。もっと根っこにある構造的なギャップ、つまりMetaのアルゴリズムは事業の利益ではなく「購入イベント」を追いかけているという点に目を向ける必要があります。
ROASの罠：なぜ数字は良いのにキャッシュが残らないのか
Meta広告のコンバージョン最適化は、ピクセルやConversions API（CAPI）から送られてくる「Purchase（購入）」イベントを学習します。多くのECサイトでは、購入完了ページで次のような値をそのまま送っています。
- イベント：Purchase
- value：注文の売上総額（例：100ドル）
- currency：USD
アルゴリズムは優秀なので、このデータをもとに「購入しそうな人」と「購入金額が大きい人」を見つけようとします。ここまでは期待通りに動いています。ただ、売上総額は事業の成功指標ではありません。実際に手元に残るお金は、売上からさまざまなコストを差し引いた後の限界利益です。
具体的には、次のような要素を差し引く必要があります。
- 商品原価（COGS）
- 送料と決済手数料
- クーポンや値引きの総額
- 返品・返金にかかる損失
- カスタマーサポートの対応コスト
特に米国のアパレルECでは、返品率が20〜30%にのぼるのが当たり前で、無料返品が標準化しています。つまり、Metaのアルゴリズムは注文後にその商品が返品されるかどうかを一切知らないまま、どんどん「購入しやすい人」を探してしまう。結果として、次のような顧客を効率よく集めてしまうのです。
- サイズ違いで複数注文し、合わない分を返品する人
- 割引クーポンがないと買わないディスカウント依存層
- 一度きりで終わる低LTVの顧客
ダッシュボードのROASはきれいに見えても、倉庫では返品処理に追われ、粗利益は伸びない。これこそ、私が現場で何度も見てきた「ROASの罠」です。
たとえば、こんなケースを考えてみましょう。
- 注文総額：100ドル
- 商品原価：40ドル
- 送料・手数料：10ドル
- クーポン値引き：10ドル
- 期待返品損失：10ドル
- 限界利益：30ドル
この商品を広告費25ドルで販売した場合、売上ベースのROASは4.0です。しかし利益ベースで見ると、30ドル ÷ 25ドルでわずか1.2。広告費以外の固定費を考えたら、ほとんど利益は残りません。ここに気づかずに予算を増やせば増やすほど、粗利の薄い注文ばかりが積み上がっていきます。
新しい切り口：「利益シグナル純度」を高める
ここで提案したいのが、「利益シグナル純度」という考え方です。これは、Metaに送るコンバージョン信号が、実際の事業利益にどれだけ近いかを示す指標です。
売上総額をそのままvalueとして送っている場合、利益シグナル純度はかなり低い状態です。原価も返品も値引きも、何も考慮されていません。この状態で広告予算を増やせば、アルゴリズムは低粗利商品や返品率の高い顧客をより多く集めるようになります。
一方で、限界利益に近い数値をvalueとして送ると、アルゴリズムは「利益を生む購入」を探すように学習し始めます。これは単なる数値調整ではなく、機械学習への教師データの品質改善にほかなりません。
米国の先進的なD2Cブランドでは、この考え方をPOAS（Profit on Ad Spend）という指標とセットで導入し始めています。ROASが売上を測るのに対し、POASは広告費1ドルあたりの粗利を測ります。広告の成功を判断する軸を、売上から利益へ。このシフトが、持続的な成長の出発点になります。
実装ステップ：データ層から広告運用まで
利益シグナル純度を高めるには、やみくもに広告設定をいじるのではなく、次の4つのステップを順番に進めるのが有効です。
Step 1：SKU別に粗利と返品率を可視化する
まずは広告運用の前に、EC事業のデータ基盤を整えます。商品ごとに限界利益を計算しましょう。
限界利益 = 販売価格 - 商品原価 - 送料 - 決済手数料 - 平均値引き額 - 期待返品コスト
期待返品コストは、商品カテゴリ別の過去30〜90日の返品率に、返品1件あたりの処理コスト（返送送料・検品・再梱包など）を掛けて算出します。たとえば、アパレルのトップスで返品率が25%、返品処理コストが15ドルなら、1件あたり3.75ドルの期待損失を上乗せするわけです。この数字がないまま広告を最適化しても、Metaは「利益のない売上」を追いかけ続けます。
Step 2：CAPIのvalueを「限界利益」に近づける
次に、ピクセルではなくCAPI（サーバーサイド計測）を使って、購入イベントのvalueに限界利益ベースの数値を送信します。
例を挙げると、売上総額が100ドル、限界利益が30ドルなら、送信するvalueは30です。これを実現するには、ECプラットフォームやタグマネージャー側で、注文データに基づいて動的にvalueを計算する仕組みが必要です。Shopifyを使っているなら、カスタムアプリやサーバーサイドのスクリプトで対応できます。
ここで一つ注意点です。会計上の売上管理は、従来どおり売上総額で行ってください。あくまでMetaに送る最適化用の数値として、限界利益ベースのvalueを設定するのです。Metaの計測ポリシーや自社の会計監査と矛盾しないよう、導入前に社内の法務・経理担当との確認をおすすめします。
Step 3：高LTV顧客をシードにしたオーディエンス設計
利益シグナル純度は、データ層だけでなくオーディエンス層でも高められます。具体的には、次のような顧客リストをMetaにアップロードし、価値ベースの類似オーディエンス（Value-Based Lookalike）を作成します。
- 過去12ヶ月で2回以上購入したリピーター
- 返品実績が一度もない顧客
- 平均注文粗利が高い顧客
同時に、返品常習者やクーポン待ちのディスカウント依存層は除外します。これだけで、アルゴリズムが「利益を生む顧客に似た人」を探しやすくなります。米国のECブランドでは、LTVの高い顧客リストをシードにした類似オーディエンスと、Advantage+ショッピングキャンペーンを組み合わせる例が増えています。
Step 4：返品を減らすクリエイティブとLP設計
いくらデータを最適化しても、広告クリエイティブや商品ページが曖昧なままだと返品は減りません。特にアパレルやサイズ展開のある商品では、次の要素を広告クリエイティブとランディングページにしっかり明示しましょう。
- 着用モデルの身長・体重・着用サイズ
- 素材の質感や伸縮性がわかる動画
- 実寸サイズ表（cm／インチ併記）
- 購入者のレビューと実際の写真
「期待と実物のギャップ」を広告段階で埋めることが、結果的に返品率の低下と利益シグナル純度の向上につながります。広告は「売る」だけでなく、「返品を防ぐ」役割も担っているのです。
測定指標をROASからPOASへシフトする
利益シグナル純度を高めたあとは、レポートも利益ベースに切り替えます。
POAS（Profit on Ad Spend）＝ 広告経由の粗利 ÷ 広告費
さらに、全社的なマーケティング効率を測るなら、MER（Marketing Efficiency Ratio）も併用しましょう。
MER = 総売上 ÷ 総広告費
ただしMERは売上ベースなので、粗利率と返品率を掛け合わせた「利益MER」を社内指標として持つことを強くおすすめします。米国のD2Cブランドでは、Triple WhaleやNorthbeamなどのアトリビューションツールを使い、広告キャンペーン別の粗利・返品率・リピート率をリアルタイムで追うのが一般化しつつあります。日本でも徐々に、こうした利益起点のレポーティングへ移行する企業が増えています。
結論：Metaはあなたが定義した「成功」を最適化する
Facebook広告のアルゴリズムは、冷酷なほど正直です。あなたが送信したコンバージョン信号が「売上」なら、Metaは売上を最大化します。あなたが送った信号が「利益」なら、Metaは利益を最大化しようとします。
米国EC市場で生き残っている企業は、広告運用のテクニック以前に、このデータ設計の段階で差をつけています。広告クリエイティブを何度も差し替える前に、まずは自社の商品別限界利益と返品率を計算し、Metaに送っているPurchaseイベントのvalueが本当に事業利益を反映しているかを見直してみてください。
ダッシュボードのROASを追いかけるのをやめる。その瞬間から、Facebook広告はEコマースの持続的な利益成長を支える、心強いエンジンに変わります。