はじめに
「セールを打ったら売上が伸びた」「広告費を増やしたらアクセスが増えた」。こうした報告を、そのまま成果として受け取っていないでしょうか。
もちろん、施策の後で数字が伸びていること自体は事実かもしれません。ただし、その伸びの中には「もともとその時期は季節的に売れやすかった」「別の施策も同時に走っていた」「たまたま市場全体が上向きだった」という要因が混ざっていることが少なくありません。実施前後を単純に比べるだけでは、本当にその施策が効いたのか、それとも放っておいても伸びていたのかを区別できないのです。
これは広告代理店や制作会社から届く「効果がありました」というレポートを受け取る側にとっても、他人事ではありません。報告された数字が、施策そのものの効果なのか、季節要因を含んだ数字なのかを見分ける手段を、発注側が持っておく意味は小さくないはずです。
今回は、BigQueryに追加された AI.CAUSAL_EFFECT という関数を題材に、「施策の真の効果を、自社データで検証する」という考え方を紹介します。
AI.CAUSAL_EFFECTとは何をしてくれる関数か
AI.CAUSAL_EFFECT は、ある施策（値上げ・キャンペーン・広告出稿など）が指標に与えた「真の効果」を定量化するためにBigQueryへ追加された関数です。2026年9月10日付のBigQueryリリースノートに一次情報があり、原文では次のように説明されています。
“You can use the AI.CAUSAL_EFFECT function to quantify the impact of specific interventions on time series data. This feature is in Preview.”
（AI.CAUSAL_EFFECT関数を使うと、時系列データに対する特定の介入の影響を定量化できます。この機能はプレビュー段階です。）
ここで重要な言葉が「プレビュー」です。まだ正式版（GA）ではなく、今後仕様が変わる可能性がある段階の機能だという点は、最初に押さえておく必要があります。本番の意思決定を丸ごと委ねる前に、まずは検証目的で試す位置づけと考えるのが妥当です。
仕組み：「もしやらなかったら」を予測して差分を取る
この関数の考え方はシンプルです。施策を開始した日を境に、実際に観測された数値（実測値）と、「もしその施策をやらなかったとしたら、どうなっていたか」という予測値（反実仮想・カウンターファクチュアルと呼ばれます）を比較し、その差分を「施策による効果」として算出します。
この「やらなかった場合の予測」を作る部分では、時系列予測モデルの ARIMA_PLUS が使われることがあります。過去のトレンドや季節性から、施策が無かった場合に自然に伸びていたであろう水準（有機的なベースライン）を推定し、そこに実測値との差を重ねる仕組みです。
ARIMA_PLUS そのものについては、週次の売上予測に使う方法をBigQuery ML × 時系列モデルARIMA_PLUSでEC売上の週次予測を自動化するで詳しく解説しています。AI.CAUSAL_EFFECT は、このARIMA_PLUSが作る「予測」を土台にして、そこに「介入があった場合の実測値との差分」という因果効果の評価を一段重ねた関数だとイメージすると分かりやすいと思います。
構文の骨格は次のようになっています(2026年9月14日付のGoogle Cloud公式ブログの使用例を参照。出典: BigQuery augmented analytics TVFs)。
SELECT * FROM AI.CAUSAL_EFFECT(
(SELECT * FROM 日次実績のテーブル),
data_col => '見たい指標のカラム名（例: 売上・アクセス数）',
timestamp_col => '日付のカラム名',
intervention_timestamp => '施策を開始した日時',
output_time_series => TRUE
);必要なのは「日付」と「見たい指標」の2列からなる時系列データと、施策を開始した日時だけです。特別な前処理をしなくても、季節変動や自然な伸びを差し引いた「その施策だけの効果」を出せる、という点がこの関数のポイントです。
裏を返せば、この関数は魔法のように何もないところから答えを出してくれるわけではありません。土台となる日次・週次の時系列データ（日付＋指標）が、GA4やBigQuery上にすでに蓄積されていることが前提になります。データの整備が済んでいない状態では、まずそこから着手する必要があります。
具体例：オースティンの自転車シェアリングの効果測定
Google Cloud公式ブログでは、Austin Bikeshare（テキサス州オースティンの自転車シェアリング）の公開データセットを使った具体例が紹介されています。この例は複数の関数を段階的に使う構成になっており、AI.CAUSAL_EFFECT はそのうちの1ステップです。
まず、利用実績の時系列データから2018年2月ごろに大きな変化点があることが検出されました。この時期は、オースティン市議会が可決した自転車シェアの新制度（Dockless Mobility Pilot Program）の開始と、テキサス大学との無料メンバーシップ提携の時期が重なっています。この変化点を境に AI.CAUSAL_EFFECT で効果を測定したところ、これらの施策をやらなかった場合の有機的な予測ベースラインと比較して、**+358%の利用増加（89,775件のインクリメンタルな乗車）**が、99.9%の確実性で「施策による効果である」と算出されています。
さらに、その増加の主な要因を別の分析（AI.KEY_DRIVERS）で掘り下げたところ、テキサス大学の学生向け無料メンバーシップが、変化点前後（前後約30日間の比較）で突出した伸び（7,167.1%増）を見せていたことが分かった、という流れです。つまり「季節的な自然増を差し引いても、なお89,775件分の増加が施策によるものだと言える」という因果効果の算出と、「その中心的な要因は何か」という深掘りは、別の関数の役割分担になっています。広告費や施策コストに対して、この規模の増分が実際にその施策由来だと言えるかどうかは、経営判断の材料としての重みが違います。
経営として何が変わるのか
この関数が実務にもたらす一番の変化は、「施策の効果」を報告する側と受け取る側の間で、検証の手段が非対称でなくなることです。
これまでは、広告代理店や制作会社から「キャンペーンの効果でこれだけ伸びました」と報告されても、それが本当に施策由来なのか、季節要因や他の要因が混ざっているのかを、発注側が独自に検証する手段は限られていました。自社にBigQueryとGA4のデータが蓄積されていれば、同じ時系列データを使って自社側からも因果効果を試算できるようになる、というのがこの機能の価値です。
ROAS（広告費用対効果）の検証についても同じ発想が当てはまります。広告プラットフォーム側が示す成果指標を鵜呑みにせず、自社データで検算するという考え方は、Meta広告×GA4×BigQueryでクリエイティブ別ROASを深掘りするでも扱っています。あわせて、施策の「量」だけでなく「本当にその施策由来か」という質の面まで検証したい場合に、AI.CAUSAL_EFFECT は選択肢の一つになります。
ただし、プレビュー機能であることは重ねて強調しておきます。過去の意思決定を全面的に書き換えるような使い方ではなく、まずは過去に実施した値上げやキャンペーンについて、手元のデータで試算してみる、という検証目的から始めるのが安全な距離感だと考えています。
まとめ
「セールで売上が上がった」「広告を強化したらアクセスが増えた」という報告を、季節要因やトレンドを差し引かずにそのまま評価すると、本当は効いていない施策を過大評価したり、逆に地道に効いている施策を見落としたりするリスクがあります。BigQueryの AI.CAUSAL_EFFECT は、この「施策だけの効果」を反実仮想の予測との差分から定量化する手段を提供してくれます。
とはいえ、これは日次・週次の時系列データがすでに整備されていることが前提の機能であり、プレビュー段階でもあります。まずは自社のBigQueryやGA4に、施策効果を検証できるだけのデータが揃っているかを確認するところから始めるのが現実的です。
過去に実施したキャンペーンや値上げについて「あれは本当に効果があったのか」を自社データで検証してみたい、あるいはそもそも検証に耐えるデータ基盤が整っているか点検してほしいという場合は、BigQueryデータ基盤構築サービスでご相談いただけます。まずは状況を話してみたいという方は、お問い合わせからどうぞ。