#relationships·Jul 17, 2026·6 分で読める
Reach vs Frequency: When to Prioritize Each in Ad-Tech
リーチは広告を見たユニークユーザー数をカウントします。フリークエンシーは各ユーザーが広告を見た回数をカウントします。これらを合わせてキャンペーンの露出を定義します。
コアの違い
リーチ = 露出したユニークな個人の数。フリークエンシー = 1人あたりの平均露出回数。
- リーチが答えるもの: どれだけ多くの異なる人に触れたか？
- フリークエンシーが答えるもの: どれだけの頻度で触れたか？
計算式
- リーチ = ユニークなCookie / デバイスID
- フリークエンシー = 総インプレッション数 / リーチ
なぜ重要か
リーチが高くフリークエンシーが低い = 広い認知度、薄い繰り返し。リーチが低くフリークエンシーが高い = 狭いオーディエンス、強い繰り返し（広告疲れのリスク）。
どちらをいつ使うか
リーチを選ぶ場合:
- 新製品のローンチやブランド認知キャンペーンを行うとき。
- 目標が最大限のユニークな視聴者数（例：スーパーボウルの広告）。
- 予算が限られている場合 — 深さよりも広さを優先したい。
フリークエンシーを選ぶ場合:
- リターゲティングや連続メッセージキャンペーンを実施するとき。
- メッセージの定着を確実にする必要がある場合（例：3回以上の露出）。
- 広告疲れや無駄が疑われる場合（フリークエンシーが5〜7を超えるとROIがマイナスになる可能性あり）。
両方を組み合わせてテレビのような計画のためにGRP（総視聴率 = リーチ％ × フリークエンシー）を計算します。
どこが分かれるか
定義
リーチ: ユニークな個人が露出した数。フリークエンシー: 個人あたりの平均露出回数。
- リーチ = フリークエンシー計算式の分母。
- フリークエンシー = 総インプレッション数 / リーチ。
主なユースケース
リーチ: ブランド認知、オーディエンス拡大。フリークエンシー: メッセージ定着、リターゲティング。
- リーチは幅を最適化。
- フリークエンシーは深さを最適化。
過剰使用時のリスク
リーチ: 広すぎる = 興味のないユーザーへの無駄なインプレッション。フリークエンシー: 高すぎる = 広告疲れ、ネガティブなブランド認知。
- リーチの無駄 = 低い関連性。
- フリークエンシーの無駄 = 不快感。
どこが重なるか
両方ともインプレッションベース
両指標は同じ生データ（広告インプレッション）から始まります。クリックやコンバージョンは必要ありません。
両方とも識別に依存
正確なリーチとフリークエンシーには、デバイスやセッションをまたいだ一貫したユーザー識別（クッキー、デバイスID、ログイン）が必要です。
両方とも計画に使用
メディアプランナーはリーチとフリークエンシーを組み合わせて、キャンペーン予算策定のためのGRP（リーチ％×フリークエンシー）を計算します。
実務シーン
ブランド認知キャンペーン
設定: CPGブランドが新しいスナックを発売。予算は4週間で50万ドル。
- 結果: リーチのみに最適化し、ターゲットオーディエンスの80%に到達、フリークエンシーは1.2。
- 確認した項目: 全デバイスでのユニークリーチ。
教訓: シンプルな認知には高リーチ・低フリークエンシーが効果的。メッセージが明確なら反復は不要。
リターゲティングキャンペーン
設定: Eコマースサイトがカート放棄者をリターゲティング。予算は2週間で10万ドル。
- 結果: フリークエンシーキャップをユーザーあたり5に設定。平均フリークエンシーは3.8。コンバージョン率は12%。
- 確認した項目: フリークエンシー分布と接触回数別のコンバージョン。
教訓: リターゲティングではフリークエンシーが重要 — 露出が少なすぎると想起されず、多すぎると不快感を与える。
どう一緒に使うか
リーチは、最大限のユニーク露出を目標とする場合に最適な指標です — 新製品のローンチ、ブランド認知、または政治キャンペーンなど。これを使って次の問いに答えます：どれだけ多くの異なる人々にリーチできたか？
フリークエンシーは、メッセージの反復を目標とする場合に最適な指標です — リターゲティング、連続的なストーリーテリング、または想起促進など。これを使って次の問いに答えます：どれだけの頻度でリーチできたか？
幅と深さのバランスが必要な場合は両方を使用します — 例：目標GRPを設定したキャンペーン。リーチを最大化しながらフリークエンシーキャップ（例：ユーザーあたり週3〜5回）を監視します。
対照スナップショット
| 観点 | フリークエンシー | リーチ |
|---|---|---|
| 測定内容 | リーチされたユニークユーザー数 | ユーザー一人あたりの平均接触回数 |
| 計算式 | ユニークCookie/デバイスID数 | 総インプレッション数 ÷ リーチ数 |
| 最適化目標 | リーチの最大化 | 接触頻度の最大化（上限あり） |
| リスク | 関心のないユーザーへの無駄なインプレッション | 広告疲れとネガティブなブランド認知 |
| 代表的な使用例 | ブランド認知向上、新製品ローンチ | リターゲティング、シーケンシャルメッセージ |
よくある誤解
リーチとユニークリーチの混同
なぜこの混同が誤りか：一部のプラットフォームでは「リーチ」を総インプレッション数として報告します（誤り）。
- 代わりにすべきこと：常に指標の定義を確認してください。Google広告ではリーチ＝ユニークユーザー数。Metaではリーチ＝リーチしたアカウント数。広告サーバーとクロスチェックしましょう。
フリークエンシー分布の無視
なぜこの混同が誤りか：平均フリークエンシーは外れ値を隠します。一部のユーザーは広告を20回見る一方、他のユーザーは1回しか見ないことがあります。
- 代わりにすべきこと：フリークエンシー分布（例：1回、2回、3回以上露出したユーザーの割合）を確認してください。DSPでフリークエンシーキャップを設定しましょう。
クイックチェック
これらの指標を区別できるかテストします。
boolean
フリークエンシーは総インプレッション数÷リーチで計算されます。
回答を選択してください
学習用の解説です。入札や出稿の助言ではありません。