
AIショッピングトラフィックは、いまや測定する価値がある規模になっていますが、読み違えやすさは依然として残っています。サイトにクリックで訪問する前に起きるやり取りもあります。閲覧セッションというより取得リクエストに近い訪問もあります。そして、多くのマーチャントはいまだに1つの分析プラットフォームですべてを説明できると考えています。よりよい方法は、AIコマースを発見、リファラル、サイト内パフォーマンスに分けて、実際に何が起きているかを把握することです。
このようなレイヤー別の見方が重要なのは、このチャネルがまだ発展途上だからです。標準的なアナリティクスにリファラル数が現れる前でも、マーチャントが実際のAI上の可視性を持っていることはあります。別のストアでは、有望な訪問があっても、商品ページが比較向けに作られていないためにまったくコンバージョンしないことがあります。フレームワークがなければ、チームは小さな数値に過剰反応したり、すでに役立つシグナルを見過ごしたりします。
このガイドでは、アトリビューションが完璧であるかのように装うことなく、このチャネルを実務的に測定する方法を紹介します。目的は、AIシステムがカタログのどこに接触しているか、どのページが意味のある評価を受けているか、そしてそれらのやり取りを踏まえて次の商品改善やコンテンツ改善をどう変えるべきかを理解することです。
主なポイント
- AIコマースの測定にはサーバーサイドとクライアントサイドの両方のシグナルが必要です。多くのAIリクエストは、ブラウザアナリティクスが依存するスクリプトを実行しません。
- インデックス化、取得、クリック流入を分けて、チームが意図の異なるレベルを混同しないようにします。
- AIクローラーは、User-Agent だけでなく、公開されているIPレンジでも検証してください。
- Adobeは、2025年のホリデーシーズンにおける生成AI経由の小売トラフィックが前年比で693%増加したと測定しており、このチャネルは合計値だけでなく商品レベルで測定する価値があります。
AIトラフィックは3種類のシグナルとして扱う
すべてのAIトラフィックを単一のリファラルチャネルとして扱うことは、最もよくある計測ミスです。少なくとも3つのレイヤーがあります。情報を収集するディスカバリークローラー、現在のページデータを取得するリトリーバルエージェント、そしてサイトに訪問してコンバージョンにつながる可能性のあるユーザー主導のアクセスです。それぞれで商業的な意図が異なります。
ディスカバリーは、カタログが発見可能かどうかを示します。リトリーバルは、コンテンツが回答やショッピング体験に取り込めるかどうかを示します。クリック経由の訪問は、訪問後に体験がコンバージョンにつながるかを示します。ディスカバリークローラーは、AI回答エンジンからのユーザー主導の訪問とは異なりますが、どちらも重要です。前者はチャネルから認識されていることを示し、後者は表示された内容に対してユーザーが行動したことを示します。これらを混在させると、生のボット量を過大評価するか、従来のセッションソースのように見えないという理由で上流の可視性を過小評価することになります。
レイヤーを分けることで、チーム間の目的も揃えやすくなります。エンジニアリングはクロールや取得の挙動、グロースチームはリファラル品質、マーチャンダイジングはどの商品が繰り返し評価されているかを重視します。優れたレポートモデルは、全員を単純化された1つのチャートに押し込めることなく、各チームに有用なレイヤーを提供します。
- ディスカバリーシグナルは可視性の可能性を示す
- リトリーバルシグナルは積極的な商品評価を示す
- クリック経由の訪問は下流の商業パフォーマンスを示す
チャネルレポートを信頼する前にサーバーサイド検知を導入する
AIトラフィックのレポートは、サーバーサイドログ、CDN分析、またはインフラレベルのボット分類から始めてください。クライアントサイド分析では全体像の一部しか取得できないためです。AI関連のリクエストの多くは、ブラウザ分析ツールが依存するスクリプトを実行しません。単純なフェッチもあれば、閲覧より検証に近いリトリーバルレイヤーを経由するものもあります。タグ付けされたセッションだけを確認していると、大量の上流アクティビティを見落とします。
リクエストは、公開されているUser-Agentで識別します。OpenAIのGPTBot、OAI-SearchBot、ChatGPT-User、PerplexityBotとPerplexity-User、Google-ExtendedとGoogleのクローラー、そしてAnthropicのClaudeBotファミリーです。User-Agent文字列だけでは偽装可能なため、各ベンダーが公開しているIPレンジと照合して確認してください。Cloudflareのドキュメント にある逆引きDNSとIP検証の方法は、リクエストが正当であることを証明する標準的な方法です。
得られる価値は、単なるトラフィック量の追跡ではありません。ページレベルでの理解です。どの商品、コレクション、またはドキュメントページにAIからのリクエストが繰り返し発生しているかを把握できれば、可視性とページ品質を関連付け、AIシステムがすでに注目している箇所を優先的に改善できます。カタログ全体を同じ緊急度で扱う必要はありません。
- 既知のAI User-Agentトークンを記録し、公開IPレンジと照合して検証する
- リクエスト数の多い商品URLとカテゴリURLを毎週確認する
- すべてのボットを同一視せず、ソースファミリーごとにトラフィックを分類する
- チームが数値を信頼できるよう、検知ルールを文書化する
AI支援セッションとAIインデックス可視性を分けて扱う
タグ付けされたセッション数がまだ大きく増えていなくても、AI上で高い可視性を持っているケースはあります。これは正常です。通常、ディスカバリーはクリックより先に発生します。レポートではこの違いを明確にし、経営層がチャネルを「巨大」または「存在しない」のどちらかと誤解しないようにしてください。上流の存在感を見るビューと、下流のサイト行動を見るビューを分けて構築します。
これは特に、専門外の関係者へ共有する際に重要です。経営層がAIを広告検索やオーガニック検索と同じように捉えている場合、クリック数が少ないだけでチャネルが早々に軽視されることがあります。しかし、商品がAI体験の中で取得・評価・表示される頻度が時間とともに増えているなら、上流アクティビティには十分な戦略的意味があります。
分離モデルは、このコミュニケーション上の問題を解決します。上流の可視性は「取り込まれ、評価されているか」を示し、下流のセッションは「ユーザーが行動したか」を示します。2つを並べて提示することで、課題が発見可能性なのか、クリック行動なのか、商品ページのコンバージョンなのかを把握できます。すべての意味を1つの混在した数値に背負わせる必要はありません。
- ページ取得やクローラー活動はセッションとは分けてレポートする
- AI経由のランディング、直帰率、コンバージョンを個別に追跡する
- AIトラフィックの挙動を指名検索やオーガニックショッピングトラフィックと比較する
- 頻繁に評価されているがコンバージョンが低い商品を把握する
商品とカテゴリ単位で計測する
チャネル全体の合計値では、最も重要なパターンが見えません。どの商品が注目を集めているかです。AIショッピングでは、注目はカタログ全体に均等に分散されることはほとんどありません。特定カテゴリ、仕様情報が充実した商品、差別化が明確なページほど、多く評価されます。最も有用なレポートは月次の折れ線グラフではなく、AIから注目を集めている商品やコレクションのランキングと、その後のページパフォーマンスです。
この商品レベルの視点によって、チャネルは単なるトレンドレポートから運用ツールへ変わります。特定カテゴリにリクエストが継続的に集まる場合、それはカタログがすでにAIシステムに理解されやすい状態であることを示します。逆に、ある商品ファミリーがほとんど表示されない場合、原因は属性情報の不足、カテゴリ表現の弱さ、または比較ベースのリトリーバルに十分な説明がページにないことが多くあります。
カテゴリ分析が重要なのも同じ理由です。多くの購買判断は商品そのものより1段上のレイヤーで行われます。コレクションページ、ガイド、カテゴリハブは、カタログ構造をシステムがどう理解するかに影響するため、計測対象には最終ランディングページだけでなく、それを支えるカテゴリコンテキストも含める必要があります。
- AIが接触した上位の商品ページとそのコンバージョン率を追跡する
- 比較意図の強いクエリに対応するカテゴリハブを監視する
- トラフィックはあるがカート追加率が低い商品を特定する
- AI接触商品をカタログ全体の基準値と比較する
チームが行動に移せるマーチャントスコアカードを作成する
レポートは意思決定につながるべきです。そのため、実用的なAIコマースのスコアカードでは、リクエスト量、ページカバレッジ、商品在庫状況、構造化データの完全性、そして重要商品のコンバージョン結果を組み合わせます。マーチャンダイジング、グロース、コンテンツチームが週次レビューで使える程度に範囲を絞ってください。専門家でなければ解釈できないものは、見栄えだけのダッシュボードになります。
優れたスコアカードは責任を明確にします。商品がAIから繰り返し注目されているにもかかわらず、属性不足、古い価格情報、弱いコピーが残っている場合、チームはその問題を明確に把握し、担当を割り当てられるべきです。スコアカードは、少数の重要ページを示し、何が問題かを説明し、次のスプリントで対応できる十分な文脈を提供するときに信頼されます。
技術的な純粋性よりも、マーチャントの優先事項に近づけてください。収益チームが重視するのは、ログ上のすべての例外ではなく、どの商品が重要かです。優先カテゴリ、リクエスト数の多い商品、最も明確なコンテンツやデータの欠落に焦点を当てることで、レポートは週次運用の一部になります。
- 商品およびカテゴリごとのAIソースカバレッジ
- 構造化データとフィード問題の件数
- 優先商品の可視性からコンバージョンまでのパフォーマンス
- 自社商品の情報が比較時に不足している比較ページ
トラフィック分析を商品改善につなげる
AIショッピングトラフィックを計測する理由は、トレンドラインを眺めるためではなく、行動につなげるためです。計測によって、カタログがどこで発見されやすいか、どこで商品比較が行われているか、どこで選定から外れているかが分かります。そして、その価値は翌週の業務を変えたときに初めて生まれます。
商品が注目を集めているにもかかわらず成果が低い場合は、まずコンテンツと商品データを改善してください。タイトルを洗練し、仕様を明確化し、不足している属性を追加し、画像を強化し、信頼シグナルを検証しやすくします。多くのチームは興味深いAIトラフィックレポートを作成しても、観察で止まってしまいます。より良いパターンは、計測とマーチャンダイジングのループを作ることです。ページが頻繁に取得されているなら、比較しやすい状態かを確認してください。カテゴリにトラフィックがあるのにカート追加率が低いなら、商品ページが十分な安心感を提供しているかを確認してください。あるコレクションだけが回答エンジンに繰り返し表示されるなら、カテゴリ構造と補足コンテンツを見直してください。
時間が経つにつれて、このワークフローは計測を商品改善エンジンへ変えていきます。レポートは、チャネルがすでに関心を持っている領域を示します。マーチャンダイジング業務は、最も恩恵を受けやすいページを改善します。これにより、抽象的なトラフィック成長を眺めるのではなく、チャネルを商品情報の明確さと商業パフォーマンスへ直接結び付けられます。
- 不完全な商品ページは新規コンテンツ追加前に修正する
- 比較意図が強い領域では商品差別化を改善する
- モデルやチャネルに大きな変更があった後は優先ページを更新する
- コンテンツやフィード更新のたびにパフォーマンス変化を確認する
よくある質問
- ログ内のAIショッピングトラフィックはどう特定すればよいですか?
文書化されている User-Agent、つまり OpenAI's GPTBot and OAI-SearchBot、PerplexityBot、Google-Extended、Anthropic's ClaudeBot を照合し、その後、信頼する前に各ベンダーの公開IPレンジでそれぞれ検証してください。
- Google AnalyticsではAIトラフィックをうまく追跡できないのはなぜですか?
多くのAIリクエストはページのJavaScriptを実行しないため、クライアントサイドのツールでは把握できません。サーバーサイドのログとCDNアナリティクスなら、ブラウザアナリティクスが見逃すアクセスや取得リクエストを捉えられます。
- AIショッピングトラフィックは、実際のところもう意味のある規模ですか?
急速に伸びています。Adobe は、2025年のホリデーシーズンにおける生成AI経由の小売トラフィックが前年比で693%増加したと記録しています。絶対数のベースはまだ控えめでも、今のうちから測定しておけば、主流の売上チャネルになる前にトレンドを把握できます。
- 偽装ボットで数値が歪むのを防ぐにはどうすればよいですか?
User-Agent 文字列は簡単に偽装できるため、Cloudflareのドキュメント にある逆引きDNSの方法を使って、公開されているIPレンジと照合して検証してください。検証を通過したリクエストだけを集計します。