eBayのカテゴリ選択は検索露出とBest Match順位を直接左右する出品設定です。商品そのものが良くても、カテゴリを一段浅く選ぶ・近接カテゴリと取り違えるといった失敗があると、バイヤーの絞り込み検索から完全に外れてインプレッションがゼロ近くまで落ちます。本記事ではカテゴリ選択がSEOに与える影響、よくある失敗例、30,000件超の販売データに基づく実務的な選び方を、出品運用に組み込める形で解説します。
結論｜eBayのカテゴリ選択はBest Match順位を決める最上流の設定
eBayの検索アルゴリズムBest Matchは、商品タイトル・画像・価格・セラー評価など複数のシグナルを総合して順位を決定します。
その中でカテゴリ整合性は、他シグナルが評価される前段として働く土台シグナルです。
バイヤーが左サイドバーのカテゴリフィルタで絞り込みを行った瞬間、誤カテゴリのリスティングは検索結果から完全に除外されます。
カテゴリが間違っていると、どれだけタイトルを磨いても、どれだけPromoted Listingsに予算を投じても、表示機会そのものが失われます。
- カテゴリは最上流 — タイトルより先に整える
- 深さが効く — 一段浅いカテゴリは検索に出にくい
- Item Specifics整合 — カテゴリに紐付く必須項目を満たせるか
出品手順全体の中での位置づけは、以下の記事を参照してください。
カテゴリ選択の失敗例｜手作業で陥りやすい4つの落とし穴
手動出品で頻発するカテゴリ選択のミスは、いずれもBest Matchの関連性評価を下げ、インプレッション・CTR・成約率の三段階で損失を生みます。
失敗1｜一段浅い上位カテゴリを選ぶと検索から消える
出品時の入力画面で「Collectibles」などの上位カテゴリのまま登録を確定してしまう失敗です。
バイヤーは4階層目以降のリーフカテゴリで絞り込むため、2階層で止まった商品はカテゴリフィルタから外れて表示されなくなります。
特に一括出品ツールからの投入時、マッピングが曖昧だと上位カテゴリにフォールバックしやすく、気づかないうちに在庫の大半が浅いカテゴリに収まっていることがあります。
失敗2｜類似カテゴリの取り違えでカタログと紐付かない
「Toys & Hobbies」と「Collectibles」のようにジャンルが重なる商品では、カタログ（Product Catalog）と紐付くカテゴリを外すとeBay商品ページの自動マッチングが失われます。
カタログに紐付かないリスティングは検索結果でのサムネ品質・関連性スコア・コンバージョン率がいずれも下がり、同一商品を出品する競合との比較で不利になります。
失敗3｜eBay Motors系への誤配置で手数料と配送ルールが変わる
車両部品・アクセサリはeBay Motors配下に独立した手数料構造と配送ポリシーが適用されます。
ここに誤って配置すると、一般カテゴリとは異なるFinal Value Feeの上限やInternational Shipping制限が発生し、送料設定・販売者評価のルールが大きく変わります。
逆に、車関連のアクセサリを一般カテゴリに入れてしまうと、Motorsバイヤーの専用検索動線から完全に外れ、本来リーチすべき購買層を取り逃がします。
失敗4｜国別サイト差異を無視するとDE/ITで順位が付かない
eBay.comの最適カテゴリが、そのままeBay.deやeBay.itの最適カテゴリとは限りません。
特にドイツ（eBay.de）・イタリア（eBay.it）ではカテゴリ名称と階層が米国版と異なるケースが多く、翻訳ベースのマッピングだけで運用すると海外サイト側だけ検索順位が付かない状態が続きます。
国別にソールドリスティングを確認する習慣がないと、この差に気づくまでに数ヶ月のタイムラグが発生します。
eBay販売データで検証｜カテゴリ階層の深さと売れ筋の関係
Exponentialユーザーの2026年3月の販売データ（N=30,482件）を用いて、実際にカテゴリ階層がどの程度の深さで成約しているかを集計しました。
販売実績の約56%はカテゴリ階層4段目で成約している
| カテゴリ階層の深さ | 販売件数 | 構成比 |
|---|---|---|
| 2段（上位カテゴリ止まり） | 2,748件 | 9.0% |
| 3段 | 7,066件 | 23.2% |
| 4段 | 16,958件 | 55.6% |
| 5段 | 3,011件 | 9.9% |
| 6段以上 | 699件 | 2.3% |
全体の約88%が3段以上の深さのカテゴリで成約しており、最頻出は4段目のリーフカテゴリです。
2段で止まっている9.0%は、オークション形式や一点物の古物など構造的に深いカテゴリが存在しない商品群が中心で、汎用商品を2段カテゴリに置くと検索で不利になります。
迷ったら一段深いリーフカテゴリを選ぶのが、販売実績から見える安全なデフォルト運用です。
トップレベル別の販売件数と平均価格
| トップカテゴリ | 販売件数 | 平均販売価格（USD） |
|---|---|---|
| Collectibles | 10,548件 | $73 |
| Toys & Hobbies | 4,154件 | $116 |
| eBay Motors | 1,928件 | $179 |
| Clothing, Shoes & Accessories | 1,823件 | $252 |
| Sporting Goods | 1,446件 | $178 |
| Music | 792件 | $126 |
| Books & Magazines | 748件 | $78 |
| Jewelry & Watches | 622件 | $326 |
| Video Games & Consoles | 542件 | $125 |
| Cameras & Photo | 320件 | $290 |
Collectibles・Toys & Hobbiesなど件数上位のカテゴリは平均単価が$100前後に収まり、Jewelry & Watches・Cameras & Photoなど平均単価$290〜$326の高単価カテゴリは件数が絞られる構造です。
自分の取扱商品が「件数重視の低単価カテゴリ」と「件数は少ないが単価が高いカテゴリ」のどちらに属するかを理解することが、売上設計と広告予算配分の起点になります。
カテゴリ別の需要把握は、以下の記事も参照してください。
バイヤー問い合わせの約27%はカテゴリ＋Item Specifics整合で削減できる
カテゴリ選択の失敗は検索露出だけでなく、出品後のバイヤー問い合わせ件数にも跳ね返ります。
Exponentialユーザーの受信メッセージ本文（N=6,039件、集計期間2026/01〜03、商品名・個人名を除いて定型パターンのみ抽出）を質問タイプ別に集計すると、以下の構造が見えます。
| 質問タイプ | 件数 | 構成比 | 本来紐付くItem Specifics |
|---|---|---|---|
| Size / Fit（サイズ・寸法） | 662件 | 11.0% | Size（Clothing・Shoes系の必須項目） |
| Condition（状態・使用感） | 738件 | 12.2% | Condition・Grade（Collectibles系の必須項目） |
| 真贋（Authentic・Genuine） | 139件 | 2.3% | Brand・Authenticity Guarantee（Jewelry & Watches系） |
| Model / MPN | 74件 | 1.2% | Model・MPN（Electronics・Parts系） |
| 互換性（Compatible） | 15件 | 0.2% | Compatible With（eBay Motors系） |
| 小計 | 1,628件 | 26.9% | カテゴリ＋IS整合で構造的に削減可能 |
これら5タイプの質問は、いずれもカテゴリに紐付くItem Specificsを正確に埋めていれば商品ページ上で解決できる情報です。
バイヤー問い合わせの約4分の1は、カテゴリ選択＋Item Specifics整合という上流設計で構造的に削減できるという仮説が、実データから読み取れます。
問い合わせ対応の工数を減らしたいセラーにとって、カテゴリ選択の最適化は返信テンプレ整備より前に着手すべき打ち手です。
カテゴリ取り違えが起きやすい近接グループ
販売データから、特にカテゴリ取り違えの影響が大きい近接グループは以下の3組です。
- Collectibles ⇄ Toys & Hobbies（フィギュア・ミニカー・玩具系）
- Collectibles ⇄ Sports Mem, Cards & Fan Shop（トレーディングカード・応援グッズ）
- Clothing, Shoes & Accessories ⇄ Jewelry & Watches（アクセサリ・腕時計の境界）
これらの境界商品は、競合セラーのソールドリスティング分布を調べないと自信を持ってカテゴリを決められません。
正しいカテゴリ選び方の実務フロー｜競合検索からItem Specifics整合まで
カテゴリ選択を感覚で決めず、毎回同じ手順で検証することでミスを構造的に減らせます。
ステップ1｜競合のソールド検索で一致カテゴリを特定する
eBay.com検索窓に商品を示すキーワードを入力し、左サイドバーの「Sold items」にチェックを入れます。
結果一覧の左サイドバーに表示されるカテゴリ分布を確認し、直近で実際に売れているカテゴリを把握します。
同一商品が集中しているカテゴリが最適解であり、自分が選ぼうとしていたカテゴリと異なる場合は必ず見直します。
ステップ2｜Product Researchで販売件数と成約率を裏取りする
初出の「Product Research（旧テラピーク）」は、カテゴリごとの販売件数・Sell-through rate（成約率）・平均販売価格を確認できるeBay公式の分析ツールです。
ステップ1で候補を2つ以上抽出できた場合、Product Researchで直近90日のデータを比較し、Sell-through rateが高い方のカテゴリを選びます。
Product Researchの操作手順は、以下の記事に具体的に整理しています。
ステップ3｜推奨カテゴリとマニュアル選択の使い分け
eBay出品画面のカテゴリ自動推奨機能は、タイトル文字列からの類推で候補を3〜5件提示します。
精度は年々改善していますが、近接カテゴリの取り違えは自動推奨では防ぎきれないため、推奨のトップをそのまま受け入れず、必ずステップ1・2で検証した結果と照合します。
推奨カテゴリと検証結果が異なる場合は、販売データの裏取りがある方を選びます。
ステップ4｜Item Specifics整合性を最終確認する
カテゴリが決まったら、そのカテゴリに紐付くItem Specificsの必須項目（Required）を満たせるかを確認します。
必須項目を空白のまま強行すると出品自体が保存できません。
推奨項目（Recommended）もできる限り埋めます。推奨項目を空白のままにすると、バイヤーのサイズ・素材・互換性などのフィルタ絞り込みからリスティングが除外されます。
Item Specificsの充足がBest Match順位とフィルタ露出に与える影響は、以下の記事で詳しく解説しています。
カテゴリ選択を運用に組み込む｜出品数が増えた後の仕組み化
出品数が数百〜数千品を超えると、1品ずつ上記4ステップを踏むのは現実的ではなくなります。
在庫規模が拡大したタイミングで、カテゴリマッピングのルール化と逸脱検知の自動化を仕組みとして整えることが、順位と売上の両方を守る鍵になります。
一括出品時のカテゴリ指定ルールを事前に定義する
CSV・スプレッドシート経由の一括出品を行う場合、仕入先の商品ジャンル（例：ブランド・製品タイプ）と出品カテゴリの対応表をあらかじめ用意します。
対応表は以下の3項目を最低限含めます。
- 仕入先ジャンル — 仕入元で商品を識別するキー
- 出品先リーフカテゴリID — 4段目以降のカテゴリIDをそのまま記録
- 必須Item Specifics — カテゴリごとに空白禁止の項目を明示
対応表を通さない個別登録を禁止するだけで、カテゴリ誤配置の大半は防げます。
月次でカテゴリ分布をモニタリングする
出品数が増えた後は、誤カテゴリが混入しても気づきにくい状態になります。
月次でSeller HubのListings画面からカテゴリ別の出品数・売上を確認し、想定と異なるカテゴリに商品が偏っていないかをチェックします。
特に上位カテゴリ（2段目止まり）の比率が10%を超えている場合は、マッピング対応表の見直しが必要です。
Exponentialで仕入先〜出品カテゴリまで一気通貫で管理する
Exponentialは仕入先を含むサプライチェーン全体の在庫管理を効率化するSaaSで、23チャネルの仕入先と連携して在庫の有無・価格変動を自動検知します。
仕入先商品データと出品カテゴリを紐付けて管理できるため、カテゴリマッピング対応表をツール上で運用し、欠品時の自動取り下げ・価格変動時のアラートと組み合わせて、カテゴリ整合性・在庫・価格の3要素を同じダッシュボードで守れます。
683アカウントの稼働実績があり、月間延べ約1億件の在庫チェックを自動実行することで、出品数が増えても誤カテゴリ・欠品キャンセル・値崩れの3大リスクを同時に抑える運用が可能です。
eBayカテゴリ選択に関するよくある質問
出品後にカテゴリを変更してもよいですか
販売実績が蓄積されたリスティングほど、カテゴリ変更によるBest Match評価の一時的な低下が大きくなります。
出品直後に違和感を発見した時点で早めに移動し、一定の販売実績が出たリスティングは原則動かさない運用が安全です。
カテゴリを2つに分けて同じ商品を複数出品してよいですか
同一商品を異なるカテゴリで重複出品すると、eBayのDuplicate Listingsポリシーに抵触するリスクがあります。
1商品1カテゴリを原則とし、複数カテゴリのどれが適切か迷う場合はステップ1・2の検証で一本化してください。
カテゴリ自動推奨はどの程度信頼できますか
eBayの自動推奨は年々精度が改善していますが、近接カテゴリの取り違えは依然として発生します。
推奨結果は候補として扱い、最終判断は競合のソールド検索とProduct Researchで裏取りするのが安全です。
まとめ｜カテゴリ選択は最上流の出品設定
カテゴリ選択は、タイトル・画像・価格より前段にある最上流の出品設定です。
販売データの約56%が4段目のリーフカテゴリで成約している事実は、「迷ったら一段深い方を選ぶ」が再現性のある安全策であることを示しています。
- 階層4段目を基準にする — 販売実績55.6%の最頻出ゾーン
- 競合ソールド検索で裏取り — Product Researchでさらに検証
- Item Specifics整合を最後に確認 — 必須項目を満たせるカテゴリを選ぶ
- 出品数が増えたらマッピング対応表で仕組み化 — 誤カテゴリの混入を構造的に防ぐ
683アカウントの稼働実績、23チャネルの仕入先対応、月間延べ約1億件の在庫チェックを通じて、カテゴリ整合性・在庫・価格の3要素を一体で守る運用が可能です。
参照リンク
本記事で参照した公式ページへのリンクです。
- Item Specifics（eBay公式） — カテゴリに紐付くItem Specificsの必須・推奨項目の公式ガイド
- eBayカテゴリ選択ガイド（eBay公式） — カテゴリ選択の基本とポリシー
- Duplicate Listings Policy（eBay公式） — 同一商品の重複出品に関するポリシー
- Product Research（旧テラピーク）の使い方（eBay公式） — カテゴリ別販売件数・Sell-through rateの公式分析ツール
- Exponentialマニュアル：大量出品 — 一括出品時のカテゴリマッピング設定と運用手順
参照データ算出方法
Exponentialが蓄積しているeBay販売データベースに対してBigQueryクエリを実行して算出しました。
-- カテゴリ階層の深さ別 販売件数分布
select array_length(split(json_value(data, "$.category.CategoryName"), ":")) depth, count(*) cnt
from [販売データテーブル]
where date(timestamp) >= date("2026-03-01")
and date(timestamp) < date("2026-04-01")
and operation = "CREATE"
and json_value(data, "$.category.CategoryName") is not null
group by 1
order by 1
-- トップレベルカテゴリ別 販売件数・平均単価
select split(json_value(data, "$.category.CategoryName"), ":")[safe_offset(0)] top_cat, count(*) cnt, round(avg(safe_cast(json_value(data, "$.transaction_price") as float64)), 2) avg_price
from [販売データテーブル]
where date(timestamp) >= date("2026-03-01")
and date(timestamp) < date("2026-04-01")
and operation = "CREATE"
and json_value(data, "$.category.CategoryName") is not null
group by 1
order by cnt desc
limit 20
-- バイヤーメッセージ本文の質問タイプ別集計（N=6,039）
with msgs as (
select lower(json_value(data, "$.body")) body
from [メッセージデータテーブル]
where date(timestamp) >= date("2026-01-01")
and date(timestamp) < date("2026-04-01")
and operation = "CREATE"
and json_value(data, "$.body") is not null
and json_value(data, "$.body") != "No Message"
and length(json_value(data, "$.body")) > 20
)
select count(*) total,
countif(regexp_contains(body, r"\b(size|fit|measurement|cm|inch|inches)\b")) size_q,
countif(regexp_contains(body, r"\b(compatible|compatibility|work with|fit (my|your|the))\b")) compat_q,
countif(regexp_contains(body, r"\b(authentic|genuine|original|real|fake)\b")) authentic_q,
countif(regexp_contains(body, r"\b(condition|used|damaged|scratch|defect)\b")) condition_q,
countif(regexp_contains(body, r"\b(model|mpn|part number|serial)\b")) model_q
from msgs