Skill: Ad Creative（広告クリエイティブ自動生成・最適化）

入力

出力

Step 1: マーケティングコンテキストの確認

プロジェクト内の marketing-context.md を探して読み込む。存在しない場合は最低限のコンテキストを収集する。

1a. marketing-context.md の読み込み

以下の情報を確認する:

1b. marketing-context.md が存在しない場合

以下を直接ヒアリングする:

1. プロダクト: 何を売るか（商品名、カテゴリ、価格帯）
2. ターゲット: 誰に売るか（役職、業種、課題）
3. USP: なぜ競合ではなく自社を選ぶべきか
4. ブランドトーン: カジュアル / プロフェッショナル / 権威的
5. 禁止表現: 使ってはいけない言葉・表現

チェックリスト:

品質ガードレール

• 法的リスクのある表現（薬機法・景品表示法違反）を広告文に使用してはならない
• 競合他社の商標・ブランド名を比較広告以外の文脈で直接言及しないこと

品質基準:

• バリエーション数 ≥3 パターン/広告グループ

• 広告見出し文字数 最大 30 文字（Google Ads 規定準拠）

• marketing-context.md の有無を確認した

• ブランドボイスとトーンを把握した

• ターゲットペルソナの課題・欲求を理解した

• USP と差別化ポイントを整理した

• 禁止表現・コンプライアンス要件を確認した

Step 2: 既存広告データの分析

CSV やスプレッドシートで提供されるパフォーマンスデータを分析し、勝ちパターンと負けパターンを特定する。

2a. データ取り込みと前処理

受け取る CSV の典型的なカラム構成:

campaign,ad_group,headline_1,headline_2,headline_3,description_1,description_2,impressions,clicks,ctr,conversions,cvr,cpa,cost

2b. パフォーマンスセグメンテーション

広告を 4 象限に分類する:

2c. 勝ちパターンの抽出

スター広告群から以下を分析する:

• テーマ: どの訴求軸（課題解決 / 実績 / 緊急性）が強いか
• 構文: 疑問文 / 命令文 / 数値入り / 社会的証明
• 文字数: 短文（15文字以下）vs 長文（25文字以上）の傾向
• CTA: どのCTAワードが高い CVR を示すか

チェックリスト:

• CSV データを正常に読み込めた
• 4 象限のセグメンテーションを実施した
• 上位 20% の勝ちパターンを特定した
• 下位 20% の負けパターンを特定した
• 統計的に有意なパターン（1,000 imp 以上）のみ分析した

Step 3: ターゲットオーディエンス戦略

プラットフォーム別のオーディエンスに合わせたメッセージング戦略を策定する。

3a. オーディエンスセグメント定義

3b. メッセージングマトリクス

各セグメントに対して 3-5 個の訴求軸を設定する:

チェックリスト:

• オーディエンスセグメントを定義した
• 各セグメントに 3-5 個の訴求軸を割り当てた
• プラットフォーム別の最適な訴求軸を整理した
• ペルソナの言語（業界用語・日常語）を反映した

Step 4: ヘッドライン生成

プラットフォーム別の文字数制約を厳守しながら、訴求軸ごとにヘッドラインを量産する。

4a. プラットフォーム別文字数制約

詳細な制約は platform-specs.md を参照。

4b. ヘッドライン生成ルール

強いヘッドラインの原則:

1. 具体性: 「時間を節約」→「レポート作成を75%短縮」
2. 能動態: 「自動化される」→「今すぐ自動化する」
3. 数値活用: 「多くの企業」→「10,000社以上」
4. ベネフィット優先: 機能ではなく得られる結果を訴求

詳細な心理学原則は psychology-triggers.md を参照。

4c. 訴求軸×バリエーション生成

各訴求軸について以下の 4 次元でバリエーションを展開する:

4d. Google RSA 専用ルール

• ヘッドラインはどの組み合わせでも意味が通ること
• キーワード系 3-4本、ベネフィット系 3-4本、社会的証明系 2-3本、CTA系 2-3本、差別化系 1-2本、ブランド名 1本
• ピン留めは最小限に（機械学習の最適化を阻害する）

チェックリスト:

• 全ヘッドラインがプラットフォーム別文字数制約内である
• 訴求軸ごとに最低 3 バリエーション生成した
• 具体的な数値・実績を含むヘッドラインがある
• CTA を含むヘッドラインがある
• Google RSA の場合、どの組み合わせでも意味が通る

Step 5: ディスクリプション生成

ヘッドラインを補完し、CTAで行動を促すディスクリプションを生成する。

5a. プラットフォーム別文字数制約

5b. ディスクリプション構成パターン

コピーフレームワークの詳細は ad-copy-frameworks.md を参照。

5c. CTA の最適化

チェックリスト:

• ディスクリプションがヘッドラインの繰り返しではない
• 全ディスクリプションに CTA が含まれている
• プラットフォーム別文字数制約を遵守している
• ベネフィット・証拠・オファーのバランスが取れている
• 反論処理のディスクリプションが含まれている

Step 6: クリエイティブマトリクス構築

生成したヘッドラインとディスクリプションを組み合わせ、プラットフォーム投入用のマトリクスを構築する。

6a. 組み合わせロジック

全組み合わせを総当たりするのではなく、戦略的に組み合わせる:

6b. CSV 出力フォーマット

Google Ads RSA 用:

campaign,ad_group,headline_1,headline_2,headline_3,headline_4,headline_5,headline_6,headline_7,headline_8,headline_9,headline_10,headline_11,headline_12,headline_13,headline_14,headline_15,description_1,description_2,description_3,description_4,path_1,path_2,final_url

Meta Ads 用:

ad_name,primary_text,headline,description,cta_type,url

LinkedIn Ads 用:

ad_name,intro_text,headline,description,cta_type,destination_url

6c. バリエーション数の目安

チェックリスト:

• 組み合わせに戦略的な意図がある（無作為ではない）
• CSV フォーマットが対象プラットフォームの仕様に準拠している
• 各広告セットに訴求軸の多様性がある
• 重複・酷似するバリエーションを排除した

Step 7: プラットフォーム別最適化

各プラットフォーム固有の仕様とベストプラクティスに基づいて最終調整を行う。

7a. Google Ads（RSA）最適化

7b. Meta Ads 最適化

7c. LinkedIn Ads 最適化

チェックリスト:

• Google RSA の広告有効性が「優良」以上である
• Meta Ads のプライマリテキストが 125 文字以内にフックを含む
• LinkedIn Ads のトーンがプロフェッショナルである
• 各プラットフォームのポリシー違反がない
• 動的要素（カスタマイザ等）のデフォルト値が文字数制約内である

Step 8: 品質チェックと納品

最終的な品質ゲートを通過させ、投入準備を完了する。

8a. ブランドガイドライン準拠チェック

8b. バリエーション多様性チェック

以下の基準でバリエーションの多様性を検証する:

• 訴求軸の分布: 1 つの訴求軸に偏っていないか
• 構文の多様性: 疑問文・命令文・叙述文がバランスよく混在するか
• CTA の多様性: 同じ CTA の繰り返しがないか
• 類似度: 酷似するコピーを排除する（表現を入れ替えただけのものは 1 つに集約）

8c. Ad Creative Slop 防止チェック（Distributional Convergence 対策）

LLM が広告クリエイティブを大量生成する際、distributional convergence により「量産したはずが全部同じ」という状態に陥る。表層的な語彙の差し替えではなく、訴求の本質が多様化しているかを検証する。

Why: 広告クリエイティブの量産は「量が質を生む」が前提だが、distributional convergence によって 量産されたコピーが実質的に同一であれば、A/B テストの意味がなくなる。プラットフォームの機械学習も 実質的に同じ広告から学習することになり、最適化が停滞する。

核心原則: 語彙を変えるのではなく、訴求の角度を変えよ — 同じベネフィットの言い換えではなく、 異なる訴求軸・異なる認知段階・異なる心理トリガーからアプローチすることで、 真のバリエーションが生まれる。

チェックリスト:

• ヘッドライン群が訴求軸8カテゴリ中4カテゴリ以上をカバーしている（AC-1）
• バリエーション間で4次元（語彙×具体度×トーン×構文）のうち最低2次元が変化している（AC-2）
• CTA が認知段階に応じて使い分けられている（ソフト/ハード/緊急性/アクション）（AC-3）
• オーディエンスセグメントがプロダクト固有の購買プロセスから導出されている（AC-4）
• 訴求軸の優先順位がデータまたはペルソナ分析に基づいている（AC-5）
• プラットフォーム別最適化が各プラットフォーム固有の特性を反映している（AC-6）
• 心理トリガーがペルソナと認知段階に基づいて選定されている（AC-7）
• パフォーマンス分析が4象限分類の先の因果分析まで踏み込んでいる（AC-8）
• AC-1〜AC-8 に 2 つ以上該当しない

8d. 納品物の整理

8e. イテレーション記録テンプレート

## イテレーション記録
- ラウンド: [番号]
- 日付: [日付]
- 分析対象: ヘッドライン [X]本 / ディスクリプション [Y]本
- トップパフォーマー: 「[ヘッドライン]」— CTR: [値], CVR: [値]
- ワーストパフォーマー: 「[ヘッドライン]」— CTR: [値], CVR: [値]
- 勝ちパターン: [要約]
- 新規生成: ヘッドライン [X]本 / ディスクリプション [Y]本
- テスト仮説: [今回テストする新しい訴求軸・構文]
- 停止候補: [パフォーマンスが低い訴求軸]

チェックリスト:

• 全コピーがブランドガイドラインに準拠している
• 禁止表現チェックを通過した
• バリエーションに十分な多様性がある
• CSV フォーマットがプラットフォーム仕様に合致している
• イテレーション記録を更新した

Examples

Example 1: SaaS プロダクトの Google Ads RSA を新規作成

「プロジェクト管理ツール TaskFlow の Google Ads 検索広告を作って。
 ターゲットは中小企業のマネージャー層。USP はリアルタイム進捗可視化。」

→ Step 1 で marketing-context.md を確認（なければヒアリング）
→ Step 3 でオーディエンスを「課題認知層」「解決策探索層」に設定
→ Step 4 で 15 本のヘッドライン生成（各30文字以内）
  例: 「進捗が一目でわかるTaskFlow」(14文字)
      「プロジェクト遅延をゼロに」(12文字)
→ Step 5 で 4 本のディスクリプション生成（各90文字以内）
→ Step 6 で RSA 用 CSV を出力
→ 成果物: 15H+4D の RSA セット × 3 広告グループ

Example 2: 既存広告のパフォーマンス改善（CSV分析）

「この CSV に過去30日の広告データがあります。パフォーマンスが悪い広告を
 特定して、新しいバリエーションを提案してください。」

→ Step 2 で CSV を分析、4象限セグメンテーション実施
  スター: 3本（CTR 5.2%、CVR 3.1%）— 成果訴求が強い
  淘汰候補: 8本（CTR 0.8%、CVR 0.2%）— 汎用的な表現
→ Step 2c で勝ちパターン抽出: 数値入りヘッドラインが高CTR
→ Step 4-5 で勝ちパターンを踏襲した新バリエーション 30 本生成
→ Step 8e でイテレーション記録を作成
→ 成果物: パフォーマンス分析レポート + 新規クリエイティブ CSV

Example 3: Meta Ads の大量バリエーション生成

「Meta 広告で新しいリード獲得キャンペーンを始めます。
 ターゲットは人事担当者。採用管理ツールの広告を 20 パターン作って。」

→ Step 1 でコンテキスト確認（人事向け採用管理ツール）
→ Step 3 でセグメント定義: 採用業務に課題を感じている人事担当者
→ Step 4 で 10 本のヘッドライン（40文字以内）
→ Step 5 で Meta 用プライマリテキスト 10 本（125文字にフック集約）
→ Step 6 で 20 パターンの組み合わせ構築
→ Step 7b で Meta 固有の最適化（改行・絵文字・配置対応）
→ 成果物: Meta Ads 投入用 CSV（20 広告セット）

Example 4: LinkedIn Ads の B2B キャンペーン

「LinkedIn でエンタープライズ向けセキュリティ製品の広告を作って。
 ターゲットは CISO と IT マネージャー。」

→ Step 1 でコンテキスト確認
→ Step 3 で B2B セグメント定義（職種: CISO、IT Manager）
→ Step 4 で LinkedIn 用ヘッドライン 10 本（70文字推奨）
→ Step 5 でイントロテキスト 5 本（150文字推奨）
→ Step 7c で LinkedIn 最適化（プロフェッショナルトーン、統計活用）
→ 成果物: LinkedIn Ads 用 CSV + クリエイティブ戦略メモ

Example 5: 複数プラットフォーム同時展開

「新商品ローンチで Google、Meta、LinkedIn の 3 プラットフォームに
 同時出稿したい。一括でクリエイティブを作って。」

→ Step 1-3 を共通で実施
→ Step 4 でプラットフォーム横断のヘッドライン生成
  最も制約が厳しい Google RSA（30文字）から開始し拡張
  Google 30文字 → Meta 40文字 → LinkedIn 70文字 の順
→ Step 5 でプラットフォーム別ディスクリプション生成
→ Step 6 で 3 つの CSV を生成
→ Step 7 で各プラットフォーム固有の最適化
→ 成果物: 3 プラットフォーム分の CSV + 統合クリエイティブ戦略メモ

Example 6: ABテスト設計を含むクリエイティブ生成

「現在の広告は課題喚起型のコピーが中心です。社会的証明型のコピーと
 ABテストしたい。テスト用のバリエーションを作って。」

→ Step 2 で現行広告（課題喚起型）を分析
→ Step 3 で社会的証明型の訴求軸を設計
→ Step 4-5 で社会的証明型のヘッドライン・ディスクリプション生成
  例: 「導入企業500社突破」「顧客満足度98%」
→ Step 6 で A群（課題喚起）/B群（社会的証明）のマトリクス構築
→ Step 8e でテスト仮説を記録:
  「仮説: 社会的証明型は課題喚起型より CVR が 15% 高い」
→ 成果物: ABテスト用 CSV + テスト計画書

不正データ入力時のエラーハンドリング

Given: CTR や CVR が欠損・不正値を含む CSV データ When: パフォーマンス分析を実行 Then: エラーメッセージで不正行を特定し、有効データのみで分析を継続する

基本フローでのゼロからの広告生成

Given: 新規プロダクトで既存広告データなし When: ゼロからクリエイティブを生成 Then: ブランドボイスとペルソナに基づく基本セットを出力する

marketing-copy スキルとの連携

Given: marketing-copy で策定済みのブランドコンテキスト When: 上流スキルの成果物を参照して広告を生成 Then: ブランドガイドラインと整合する統合された広告セットを出力

Troubleshooting

References

アンチパターン検出

このスキルの出力品質を検証するためのチェックリスト。

• ヘッドライン群が訴求軸8カテゴリ中4カテゴリ以上をカバーしているか（1カテゴリ集中の排除）
• バリエーション間で4次元（語彙×具体度×トーン×構文）のうち最低2次元が変化しているか
• プラットフォーム別最適化が各プラットフォーム固有のアルゴリズム特性・UI仕様を反映しているか
• CTA がペルソナの認知段階に応じて使い分けられているか（全広告が同一CTAでないか）
• 心理トリガーがペルソナと認知段階に基づいて個別選定されているか（社会的証明+希少性の一律適用でないか）
• パフォーマンス分析が4象限分類の先の因果分析まで踏み込んでいるか

Related Skills