Yahoo!検索広告の年齢・性別ターゲティング完全ガイド｜小売・店舗集客での使い方と設定方法【2026年版】

1-1. これまでの検索広告と属性ターゲティングの関係

検索広告は本来、「今まさに何かを探している人」に届く広告です。「横浜 コート メンズ」「日焼け止め 敏感肌」「炊飯器 買い替え」——こうした検索キーワードには、すでに強い購買意図が含まれています。だからこそ検索広告はコンバージョンに近く、小売の集客においても費用対効果の高い施策として使われてきました。

一方で、これまでの検索広告は「誰が検索しているか」を細かく問いませんでした。同じ「コート」というキーワードでも、検索しているのが20代の男性なのか、50代の女性なのかで、見せたい商品も、響くメッセージも、想定単価もまったく異なります。ところが従来は、キーワードとキャンペーン単位の地域・デバイス調整くらいしか手立てがなく、「属性による最適化」はディスプレイ広告やリターゲティングの領域とされてきたのです。

この「検索意図は分かるが、属性は問えない」というギャップが、今回のアップデートで埋まりました。顕在的な検索意図の上に、客層という第二の軸を重ねられるようになったのです。

1-2. 今回のアップデートで検索広告に加わったこと

今回、Yahoo!検索広告に加わった主な要素は次の通りです。

• 年齢・性別の事前設定オーディエンスリスト：男女×6年代の計12種のリストが用意され、広告グループに紐づけて使えるようになった。
• 広告グループ単位での属性配信調整：広告グループごとに、特定の属性リストの成果を観測したり、除外したりできる。
• 属性別の成果可視化：どの年代・性別がクリック・コンバージョンしているかをリスト単位で確認できる。
• 自動入札のシグナル強化：属性データが自動入札の最適化材料として活用され、配信の精度向上に寄与する。

ポイントは、これが「検索広告の中で属性を扱える」ようになったという点です。従来、属性で客層を狙いたければディスプレイ広告に頼るしかありませんでしたが、購買意図の濃い検索面でも客層を意識した運用ができるようになりました。

2-1. 男女×6年代＝12種の事前設定リスト

用意されているのは、性別（男性／女性）と6つの年代を掛け合わせた計12種のリストです。

※ リストの名称・区分は媒体の仕様に準じます。上表の「イメージ客層」は一般的な傾向の目安であり、実際の来店・購入層は店舗ごとに異なります。

この12種を、広告グループにまとめて紐づけることも、必要なものだけを選ぶこともできます。後述しますが、おすすめは最初に全12種を紐づけて全属性を観測することです。そうすることで、「思い込んでいた客層」と「実際にコンバージョンしている客層」のズレが見えてきます。

2-2. 「全ユーザー」と属性が判定できないユーザー

ここで必ず理解しておきたいのが、年齢・性別が判定できないユーザーが一定数存在するという事実です。ログイン状況や行動履歴の有無によって、システムが属性を推定できないケースは避けられません。そのため、12種のリストだけで配信を組むと、属性不明のユーザーへの配信を丸ごと取りこぼす恐れがあります。

言い換えれば、この機能は「特定客層だけに配信するためのスイッチ」ではなく、「全体に配信しつつ、客層ごとに濃淡をつけるダイヤル」として捉えるのが正解です。除外は最後の手段であり、まずは観測から入ります。

4-1. 基本の設定ステップ

重要なのは、設定の初手は「絞り込み」ではなく「観測」だということです。多くの人が「40代女性に絞りたい」という発想で設定に入りますが、それはデータを見てから決めることです。まずは全属性を紐づけ、配信は今まで通り全体に行いながら、属性別の成果だけを見えるようにするのが正しい第一歩です。

4-2. 「観測」と「絞り込み・除外」の違い

属性リストの使い方は、大きく2つのモードに分かれます。この違いを理解しておかないと、意図せず配信を狭めてしまう事故が起きます。

くり返しになりますが、初手は必ず「観測」から。除外は、データという裏付けを得た後の「最後の手段」です。

5-1. 属性の調整は「広告グループ単位」に一元化される

年齢・性別の調整は広告グループのオーディエンスリストで行う仕組みです。キャンペーンレベルで同じ属性軸の調整を重ねて併用することは想定されていません。つまり「キャンペーンでも広告グループでも属性を二重に調整する」という運用はできず、属性は広告グループ側で一元管理するのが基本になります。地域・デバイス・曜日時間帯といった別軸の調整とは併用できますが、属性軸だけは扱いが分かれている点に注意してください。

5-2. 「全ユーザー」を安易に外さない

第2章でも触れた通り、年齢・性別が判定できないユーザーが一定数います。特定属性リストだけに絞って「全ユーザー」を外すと、属性不明層と、想定外に成果の良い属性を丸ごと取りこぼすことになります。小売では「メイン客層ではないと思っていた層が実は優良顧客」という逆転が珍しくないため、全ユーザーは原則残す設計を徹底してください。

5-3. 少ないデータで除外を判断しない

導入直後、ある属性のコンバージョンがゼロだからといって、すぐ除外するのは早計です。クリック数・表示回数が少ないうちは、たまたま成果が出ていないだけの可能性が高いからです。母集団の小さい属性ほど、数字は振れやすくなります。除外の判断は、一定の期間と件数を確保してから行いましょう。

5-4. 自動入札との関係を理解しておく

これは次章でくわしく扱いますが、コンバージョン数最大化・目標コンバージョン単価などの自動入札を使っている場合、手動の入札価格調整率は無効になります。「調整率を設定したのに効かない」と悩む人の多くが、自動入札を使っていることに気づいていません。自動入札下では、調整率ではなく「除外」でコントロールする、という発想の切り替えが必要です。

6-1. ステップ①：全12リストを「観測」で紐づける

最初のステップは、対象広告グループに全12種のリストを「観測」モードで紐づけることです。配信は絞らないので成果を落とすリスクはなく、属性ごとのクリック率・コンバージョン率・獲得単価が見えるようになります。この段階では一切、除外も強化もしません。ただ客層データを貯めることに徹します。

6-2. ステップ②：一定のデータが貯まるまで待つ

属性別に意味のある判断をするには、各リストにある程度のクリック・コンバージョンが必要です。目安として数週間、かつ各属性に一定件数のデータが集まるまでは、数字を眺めるだけにとどめます。母数が小さいうちの「コンバージョンゼロ」は、非効率の証拠ではありません。ここで焦らないことが、後の最適化の質を決めます。

6-3. ステップ③：データを見て「除外」する

十分なデータが貯まったら、いよいよ調整です。判断の型は次の通りです。

• 明確に獲得単価が高く、件数も足りている属性 → 除外を検討。無駄打ちを止め、その予算を効率の良い属性に回す。
• コンバージョン率・獲得単価が良好な属性 → 配信を強める（自動入札を使っていない場合は入札を強化、使っている場合はその属性向けの訴求・LPを磨く）。
• 判断がつかない属性 → 観測を継続。無理に動かさない。

この「広げてから、削る」という順番が、属性ターゲティングの黄金律です。最初から狭く始めると、そもそも「他の属性がどうだったか」というデータが手に入りません。全体を見てから絞るからこそ、根拠のある除外ができるのです。

6-4. 現場の会話でイメージする

7-1. 自動入札を使うと入札価格調整率は無効になる

結論から言うと、コンバージョン数の最大化や目標コンバージョン単価といった自動入札を使っている場合、手動で設定した属性別の入札価格調整率は無効になります。自動入札は、機械学習が「今このユーザーはコンバージョンしそうか」をリアルタイムで判断して入札額を決める仕組みで、手動の一律な調整率とは考え方が根本的に異なります。そのため、両者を同時に効かせることはできず、自動入札が優先されるのです。

7-2. 自動入札下では「除外」でコントロールする

では自動入札を使っている場合、属性の調整は何もできないのかというと、そうではありません。調整率は使えなくても、「除外」は機能します。明確に成果の悪い属性を除外すれば、自動入札の配信対象からその属性を外せます。また、属性リストを紐づけて成果データを貯めること自体が、自動入札の最適化材料（シグナル）になり、配信精度の向上に寄与します。

7-3. どちらの入札方式でも「観測」の価値は変わらない

手動入札でも自動入札でも、属性リストを観測モードで紐づけてデータを貯める価値は共通です。手動入札なら貯めたデータを調整率に反映でき、自動入札なら除外判断とシグナル強化に使えます。どちらにせよ、出発点は「全リストを観測」で変わりません。