Taobaoの検索ランキングが「予測できる指標」を捨てた理由: 因果効果で組み直しGMVが0.36%増

41日間のA/Bテストで動いた0.36%

Alibaba ranking model gains 0.36% GMV in 41-day A/B test

Alibaba傘下Taobao & Tmall Groupの研究者7名が2026年8月26日にarXivへ投稿した論文は、買い物客ごとにどの成約シグナルを重視するかを学習するランキング層を提示し、41日間のオンライン実験で従来型の式に対しGMVが0.36%改善したと報告しています。

ppc.land

商品の並び順を決めているのは、いくつもの予測値を一本のスコアに束ねる合成式です。その式の中身をどう決めるべきかという問いに、Alibabaの検索チームが正面から答えを出しました。

2026年8月26日、Taobao & Tmall Groupの研究者7名がDCEO: Direct Causal Effect Optimization for Long-Term User Value Modeling in E-commerce SearchをarXivに投稿しています。41日間のオンラインA/Bテストの結果は、GMVが0.36%増、クリック数が0.36%増、購買数が0.12%増でした。対照群は、実務で長く使われてきた「予測クリック率 × 予測コンバージョン率 × 購買時の期待取引額」というGMV予測式です。

数字だけ見れば地味に映ります。ただしこれは何年もチューニングされた本番ランキングに対する相対改善であり、比較対象は「ランキングなし」ではありません。マーケットプレイスの取扱規模において0.36%は絶対額として小さくない数字になります。もっともAlibabaは2020年以降、Taobao・TmallのプラットフォームGMVを開示していないため、この0.36%が金額でいくらに相当するかは未開示です。

予測が上手いことと、実際に動かせることは違う

論文がまず据えるのは、EC検索が抱える構造的なズレです。

ランキングは1回のリクエストのなかで商品ごとにスコアを付けます。一方で事業側が見ている目的は、1人のユーザーが数日かけて積み上げる累積購買や累積GMVです。論文はこれを粒度のギャップと呼びます。ユーザー単位の数字をそのまま学習ラベルに使うと、同じ人に表示された商品がすべて同じラベルを受け取ってしまい、どの商品が効いたのかを区別できません。

実務がこのギャップを埋めてきた方法が多目的融合です。クリック、カート投入、購買、取引額といった上流モデルの予測値を一本のランキングスコアに合成し、A/Bテストを繰り返してパラメータを手で調整します。論文はこのやり方に2つの限界を挙げます。全ユーザーで共有される少数のパラメータでは個別化に限界があること、そしてオンライン実験の反復が高くつき遅いことです。

ここからが本題になります。著者らの主張は、予測上の関連があることと、その指標を押し上げれば最終目的が動くこととは別だという点にあります。購買意図はファネルのあらゆる段階に漏れ出します。高価値ユーザーとよく相関する信号は、その人たちを言い当てているだけという可能性があります。言い当てる能力と、行動を変える能力は違います。

この区別の根拠として引かれているのが、Tyler VanderWeeleが2013年にBiometrics誌へ発表した代理指標（surrogate measures）の研究です。代理指標とは、本来測りたい結果の代わりに使う観測しやすい指標を指します。医療統計では、治療が代理指標を改善しても本来の臨床結果はむしろ悪化しうる「代理のパラドックス」が知られています。良い予測子が良い介入対象とは限らないという命題は、EC検索でもそのまま成立します。

代替として著者らが置いた定義が相対因果効果です。商品単位の代理スコアをユーザー単位の代理指標に集約したうえで、その指標を一定割合だけ増やしたときに最終目的がどれだけ改善するかを測ります。この値を最大化する商品単位スコアを探すという問題設定に組み替えました。

集約の設計には注意深さがあります。日次の行動回数も行動率も、どちらもインプレッション数に依存し、そのインプレッション数はランキング自身が動かしてしまいます。論文はここでインプレッション数を100に固定した行動率を代理指標に採用しています。

actorだけが本番に出る

DCEOはactor-critic構造をとります。強化学習で使われる、行動を決める側（actor）と、その良し悪しを評価する側（critic）に役割を分ける設計です。

actorはユーザー特徴とリクエスト特徴を受け取り、合計が1になる非負の重みを出力します。この重みで上流の予測スコアを混ぜ、商品単位の代理スコアを作ります。重みがリクエストごとに生成されるため、同じ検索語を打った2人のユーザーが、クリック確率と高額購買確率の異なる配合を受け取ることになります。

criticの役割は反実仮想の推定です。代理指標が現状のときの4日間GMV予測と、それを5%だけ増やしたと仮定したときの予測との差分を出します。actorはこの差分を最大化するよう学習します。これが因果効果ロスです。因果効果ロス単独では学習が不安定になるため、条件付き正規化ランキングロスという安定化項が加わり、最終構成での係数は0.3に落ち着きました。

推論時に動くのはactorだけです。その出力は既存の融合式に対数項を1つ足す形で組み込まれ、元のスコア構成要素と重みには手を触れません。既存の予測スタックを置き換えずその上に載せる設計だという点は、独立系アナリストのEric Seufert氏もLinkedInでの論評で、エンドツーエンドの作り直しを要求する深層学習型レコメンダとの対比として指摘しています。

17個のスコアに配られた重み

最終構成が使う上流スコアは17個です。インプレッション起点が9個（クリック確率、カート投入確率、購買確率、発生GMV、取引額10・30・100・300・1,000超の購買確率）、クリック起点が7個、カート投入起点が1個という内訳になります。

学習された重みの上位は次の通りです。

素直に読むと意外な配分です。GMVを狙うなら購買確率や取引額の予測に重みが寄りそうなものですが、最大の重みはインプレッションからクリックへの確率に付きました。2番手は取引額1,000超という高額帯の購買確率です。一方、素直な購買確率（インプレッション後の直接購買確率）は0.032しかありません。しかもこれらの重みはインプレッション間で0.046から0.115の標準偏差を持ち、固定の配合ではなく文脈依存で動いています。

損失関数のアブレーションも明快です。従来型の予測相関にもとづく最適化が0.022、因果効果ロスに置き換えると0.031、ランキングロスを追加した最終構成で0.053となり、論文はこれを2.41倍の改善と表現しています。

ただし最も示唆に富むのは、スコアセットを差し替えた比較のほうです。

GMVを直接予測するスコアだけを使う構成が、比較された5つのなかで最も弱かった。求めているものをそのまま予測するのが最善ではない、というのがこの論文の実証的な中身です。

目的関数を変えると、棚の並びが変わる

同じ設定で最終目的だけを差し替えた実験が、事業者にとって最も重い結果を残しました。

4日間のクリック数を目的にすると、モデルは重みの0.999をインプレッションからクリックへの確率だけに集中させ、他をほぼゼロにします。4日間の購買数を目的にするとクリックへの重みは0.531に下がり、クリックから購買、そして取引額10超の購買へと重みが移ります。4日間GMVを目的にすると、取引額の閾値スコア群に重みが分散します。

DCEOは固定の融合ルールを学びません。渡された目的に応じて、代理指標の組成そのものを変えます。裏を返せば同じ商品カタログの並び順が、プラットフォーム内部で選ばれ、公開されることのない目的関数によって変わるということです。

論文自身の倫理セクションはこの点を率直に扱っており、目的の選定には人間の監督と影響を受けるステークホルダーへの配慮が必要であること、システムが商品や出品者の露出を変えうることを明記しています。

論文が自ら置いた留保

推進側の主張として読むには、この論文は自己批判的すぎます。制約セクションの項目のうち、少なくとも3つは数字の射程を大きく狭めます。

相対因果効果は、観測ログで学習したcriticによるモデルベースの局所推定にすぎません。因果として読むには、ユーザー特徴が代理指標と最終目的の主要な交絡因子を捉えていること、介入後の水準でも十分なデータが存在すること、その局所領域でcriticの予測が正確であることが要ります。著者らは未観測の交絡が因果同定にバイアスをかけうると明記し、5%という小さな介入幅は外挿を抑えるだけでバイアスを消すわけではないとしています。将来の課題としては、ブースト強度をランダムに振って本物の介入データを取ることを提案しています。

A/Bテストはこれを救いません。論文は、オンライン実験が学習された代理スコアのエンドツーエンドの有効性を検証するものであって、0.053という数値推定そのものを直接検証するわけではないと述べています。0.053と0.36%は別のものを測っている数字です。

そして評価対象は1つの検索システムと最長4日の期間だけです。論文自身が、他のプラットフォーム、他の目的、より長い期間での検証が必要だと書いています。付け加えるなら、この結果はTaobaoという特定のトラフィック規模と特定のユーザー行動の上で成立したものです。論文本文はプラットフォーム名を明示しておらず、Taobao・Tmallという特定は著者所属からの推定にとどまります。社内A/Bの結果が中小規模のECサイトで再現するかは、この論文からは何も言えません。

EC事業者が持ち帰るべきこと

Alibabaの検索チームの話ですが、示唆はもっと広いところにあります。

AI経由の露出や推薦を最適化しようとする事業者がいま最もやりがちなのは、売上とよく相関する指標を見つけて、それを追いかけることです。AI検索での露出を測る言及数、引用数、参照ドメイン数。いずれも売上と相関することはあります。しかしDCEOの問題設定に照らせば、その相関は「買う気のある顧客をその指標が言い当てている」だけという可能性が残ります。指標を押し上げる施策に予算を入れたとき、売上が同じ比率で動く保証はどこにもありません。

もう一つは、A/Bテストで検証できない指標に投資する危うさです。論文の著者らはA/Bテストを回せる立場にありながら、それでもオフライン推定の因果的な読みに留保を付けました。多くのEC事業者は、AI検索の露出について統制群を作ることすらできません。生成AIが購買行動の起点を見えなくしているという計測上の死角も、この問題を重くしています。だとすれば検証不能な代理指標に対しては、少なくともそれが本当に介入可能な変数なのかを問い直す必要があります。

方向性の近い議論は他の領域でも起きています。2026年8月にZalandoの研究者が公開したマーケティングミックスモデルの論文は、標準的な定式化がROAS 4.20倍の真値に対して10.61倍と報告する例を示しました（合成データを使った単著プレプリントで査読前である点は留保が必要です）。観測データへの相関的なあてはめは、介入と突き合わせたときに壊れます。DCEOはこの議論を、広告予算の配分からランキング関数そのものへと一段下ろしたものだと読めます。

出品者側の実務としては、目的関数が変われば重み配分が変わるという事実そのものが起点になります。クリックされやすさに寄る局面と、高額帯の購買確率に寄る局面とでは、商品ページで整えるべきものが違います。プラットフォームがどの目的で最適化しているかは開示されませんが、「どちらの局面でも成立する情報整備」と「一方にしか効かない小手先」を区別する視点は持てます。

まとめ

世に流通する数字は0.36%です。ただしランキングの理解を変えるのは0.999のほうです。渡された目的がクリック数であれば、モデルは単一のクリック予測にほぼ全ての重みを寄せます。並び順は、公開されない一つの決定に従属しています。

次に見るべきは、著者らが将来課題に挙げたブースト強度のランダム化が実際に行われるかどうかです。観測ログからの推定ではなく介入データが取れれば、この種の主張の検証可能性は一段上がります。そして同じ発想が検索ランキングからAIアシスタントの推薦順へ持ち込まれたとき、EC事業者が向き合う「見えない目的関数」はもう一つ増えることになります。