ROI 0.5から1.4へ：バッテリーブランドがAI動画で広告収益を伸ばした方法

Douyin・JD.com・Taobaoで広告運用するバッテリーブランドが、AI動画クリエイティブによりQianchuan ROIを0.4-0.6から1.3-1.4へ改善し、週200本体制へ拡張した事例です。

広告予算は据え置き。入札戦略も変えていない。それでもQianchuan動画広告ROIは数カ月ほぼ横ばい――。

これは、AI駆動のクリエイティブ制作ワークフロー導入前に、あるバッテリーブランドのパフォーマンス責任者が直面していた状況です。Douyin・JD.com・Taobaoで複数の主力SKUを同時運用していたものの、コンテンツチームの制作量は週約100本が限界。ROI改善に必要な検証速度には到底足りませんでした。Qianchuan動画広告ROIは0.4-0.6に張り付き、業界基準を下回っていました。

計算は明快でした。問題は予算ではなく、クリエイティブ供給量です。

課題：EC広告における「クリエイティブ枯渇」

バッテリーは機能性が強いカテゴリです。購買判断は速く、ユーザーは持続時間・使用シーン・コスパ訴求に敏感です。だからこそ、広告制作には固有の難しさがあります。

プラットフォームごとに求める内容が異なる

Douyinではストーリー・シーン訴求が反応しやすい一方、JD.comやTaobaoのフィードでは、スペック比較や価格基準を明示する直球情報が好まれます。各プラットフォームごとに台本を作り直す必要があり、テスト角度が増えるほど手作業負荷は急増しました。

類似クリエイティブはすぐに配信抑制される

初期フェーズでは同一素材を複数アカウントに展開していましたが、アルゴリズムが類似性を即座に検出し、配信を抑制。1本あたりの寿命は短くなる一方、人員は増えません。

データ密度が低く最適化できない

週100本しか出せないと、当たりクリエイティブ数が少なすぎます。どの角度がどのプラットフォームで効くか、どのフックが完視聴率を押し上げるか、といったパターンを統計的に捉えられません。結果として勘判断が続き、検証効率は低迷します。

マルチプラットフォーム×マルチSKUでコストが乗算

3プラットフォーム × 複数SKUは、本来膨大な素材供給を必要とします。手動の台本作成と編集ではスケールできず、常に対象範囲を削る判断を迫られ、出稿機会を取りこぼしていました。

旧来手法 vs 新手法

	Manual Production	AI Batch Production (Clipo)
Script creation	Editor writes individually: 3-5 scripts per person per day	AI generates multi-angle variations from structured inputs
Platform adaptation	Manual rewrite for each platform, redundant work	Same product inputs, one-click platform-specific variants
Weekly output	~100 videos/week	200+ videos/week
AB testing capacity	Limited angles per week, insufficient sample size	Multiple angles live simultaneously, fast signal
Footage retrieval	Memory-based folder browsing, 10-20 min per clip	Semantic search, 30 seconds to locate
Data feedback loop	Data and production disconnected, patterns hard to extract	Performance data feeds directly into next batch direction

解決策：ステップ別に分解

Step 1: 素材ライブラリを資産化する

このブランドは複数回の撮影で豊富な素材を持っていましたが、整理軸は撮影日と型番のみ。目的シーンを探すには記憶頼みでフォルダを手繰る必要があり、1回10〜20分は普通でした。

全素材をClipoにアップロードすると、AIが各クリップを自然言語で自動注釈化しました。

"Product placed on outdoor grass, front-facing packaging visible"
"Model using flashlight outdoors, close-up on battery compartment"
"Unboxing sequence, charge indicator LED highlighted"

以後、素材取得は「検索クエリ」になりました。意味で入力し、30秒で候補が返る。この前提がなければ、バッチ制作は成立しません。

Step 2: マルチプラットフォーム・マルチ角度の並列検証

検索可能な素材基盤ができた後は、複数の訴求角度を同時生成し、各プラットフォームで同時検証します。

チームはSKUごとの価値要素（型番仕様、主要シーン、持続性能、対象ユーザー）を構造化し、高ROI動画を参照としてClipoに投入。AIが勝ち動画の構造を分解し、複数のコピー角度を生成しました。

シーン訴求: "Three days camping. This battery didn't quit."
比較訴求: "Same price range, runtime comparison — the competitor didn't like these numbers."
課題解決訴求: "When did you last change your batteries? This one will make you forget that question."
レビュー訴求: "I tested 6 battery brands this month. Only one made me reorder."

同一素材セットから、4種類の訴求角度を作成し、Douyin・JD.com・Taobao向けに微調整して一括レンダリング。完成動画を同時に供給できる状態へ移行しました。

Step 3: 制作-配信-データ-最適化のループを作る

バッチ動画を配信すると、すぐに実績データが返ってきます。どのプラットフォームで、どの訴求角度・どのフックがCTRを押し上げるか。どのSKUがCV単価を下げるか。どの冒頭構造が完視聴率を高めるか。

このデータは「あとで誰かが見る資料」ではなく、次バッチの入力に直結しました。高成果の台本構造はテンプレート化して翌週の重点複製へ。低成果角度は廃止、または別素材で再検証。

手動運用では週100本しかなくサンプル密度が足りないため、こうした再現性のある学習ループは回りません。週200本になるとシグナル密度が上がり、意思決定できるパターンが見えます。

Step 4: 勝ち筋を体系的に拡大する

検証サイクルを重ねると、特定プラットフォーム×特定SKUで再現性高く効く構造テンプレートが見えてきます。たとえば「Douyinのバッテリー商材では、シーン導入＋スペック提示の組み合わせが、他角度よりROIで40%以上高い」などです。

この高価値構造を体系的に複製します。素材を差し替え、コピー詳細を調整し、バリアント数を増やしつつ、勝ち構造の核は維持する。実務上のクリエイティブ公式はこうです。Creative Output = (Accumulated Learning + New Footage) × Feedback Quality × Iteration Volume. 学習蓄積が深いほど、1回の反復効率は高まります。