デジタルアナリティクス入門
•
10 j'aime•3,374 vues
2014年に連載したコラムを加筆修正したものです。 分析に関心があるけどなかなか手が回っていない、またはどうもやり方が分からない、基本的な知識が欲しい、という方にお勧めです。
Recommandé
Contenu connexe
Tendances
Tendances (20)
En vedette
En vedette (14)
Similaire à デジタルアナリティクス入門
Similaire à デジタルアナリティクス入門 (20)
Plus de Koji Fukuoka
Plus de Koji Fukuoka (20)
Dernier
Dernier (17)
デジタルアナリティクス入門
- 1. Analytics On The Digital New Age ビジネスのパフォーマンスを高める デジタルアナリティクス 入門 福岡 浩二 【著】
- 3. 2 テーマに応じた基本的な考え方と製品理解のための基礎知識・代表的な製品特徴や選定 のポイントをご紹介しています。 最後の８章は、分析製品を通じてデータを可視化し気づきを獲得した後に、どのように 他者に伝えて動いてもらうか、について触れています。 【図.本書の全体構成】 読者の対象は、IT 部門以外で日々業務を実行しているエンドユーザ部門の方々を想定し ています。今後分析を行う上で必須となる IT や関連製品知識もふれていますが、あくま で成果を出すのが目的なので、すべてにおいて熟達する必要はありません。 もし本書を通じて興味をもったら、まず小さくてもいいので何か業務で使っているデー タで試してみることをお勧めします。 本書が読者の皆様の行動へのきっかけになれば幸いです。
- 4. 3 【目次】 はじめに................................................................................................................................1 1 章. 分析（アナリティクス）が求められる背景 .....................................................................4 デジタルシフトする時代 ..................................................................................................5 ビッグデータとデジタル革命 ...........................................................................................7 複雑化する分析製品と不変な原則..................................................................................11 2 章. 分析の定義と成功要因 .........................................................................................15 分析の定義と目的 ...........................................................................................................16 分析で効果を出すための成功要因..................................................................................19 3 章. 評価指標の設計方法.............................................................................................22 指標設計のポイント........................................................................................................23 指標設計のフレームワーク.............................................................................................27 組織管理の重要性 ...........................................................................................................29 4 章. 分析製品の系譜 ....................................................................................................32 意思決定支援システムの流れ .........................................................................................33 テーマ別製品カテゴリの位置づけ..................................................................................35 5 章. Web 分析のエッセンス ........................................................................................37 Web 分析の全体像...........................................................................................................38 Web への集客施策について............................................................................................45 Web サイト訪問後の活性化............................................................................................55 顧客の醸成（ロイヤリティ）について...........................................................................59 分析プロセスについて ....................................................................................................63 6 章. BI（業務分析）のエッセンス..............................................................................65 BI の成り立ちと活用領域について.................................................................................66 BI を構成する基本的技術...............................................................................................73 BI 導入に成功した企業の共通点とは？ .........................................................................88 7 章. その他分析：ソーシャル/競合 .............................................................................89 ソーシャル/競合分析.......................................................................................................90 その他分析手法と今後の流れ .........................................................................................95 8 章. 伝える力を高める.................................................................................................96 メッセージをどう伝えるか？ .......................................................................................101 伝える力＝論理×情熱 ..................................................................................................105
- 6. 5 デジタルシフトする時代 自分が好きな人が Facebook で話題にしている製品になんとなく関心をもち、Amazon の評価を読んで買ってみようかなと真剣に検討して、店舗にある実機展示コーナーで 色々と触ってみて、（そこでは買わずに）ネットの比較サイトを使って最安値で購入。そ してその感想を twitter でつぶやいて皆と分かち合う。 このような消費者購買行動はもはや珍しくなくなっており、当然それに応じて、企業と の接点（タッチポイント）やコミュニケーションの在り方も、この数年で比較するだけ でも大きく変容を遂げています。 例えば、2013 年には遂に、楽天や Amazon などの主要サイトでの PC からのアクセス数 は昨対比マイナスとなりました。それに代わり、急激に iPhone などのスマートデバイス 系でのアクセスが急増しています。（※１） そして、2014 年上半期で行われたある調査結果によると、EC サイトの売上の 4 割はス マホ経由で行われ、アクセスするユーザの 5 割はスマホでアクセスしていることが分か りました。（※２） これにより、PC の前に座ったときだけでなく、日常生活のあらゆるシーンで持ち歩ける デバイスを通じてネットでの情報・サービスを受信し、同時に個人がネット経由で発信 出来る環境にいるわけです。 さらに、ヒトが情報を得る・対話するためにネットを活用するだけではなく、モノの インターネット化も進んできています。 よく「IoT（Internet Of Things）」という言葉で総称されるようになりましたが、モノに センサーや AI 機能を取り付けることで、ヒトとモノ、またはモノとモノとの情報交換を 搭載する製品も増えてきています。 例えば、フィットネス用ウェアラブルセンサーを搭載した「Fitbit」。これは手首に装着 しておくだけで歩数、距離、消費カロリー、睡眠サイクルなどを計測/推測して PC・ス マホにデータを自動的に同期することができます。 Softbank は、この機器を組み合わせて、活動データから未来の自分の顔を予測して表示 する「タイムマシン」機能や、24 時間 365 日無料で電話相談が可能な「健康相談」を提 供する新しいヘルスケアサービスを開始しています。（※３）
- 7. 6 このように、従来は取得が困難であったデータがデジタル技術で簡単に入手できるよう になるため、いわゆる「ビッグデータ」という言葉が NHK で特集されるなど、IT 業界以 外でも使われるようになりました。
- 8. 7 ビッグデータとデジタル革命 実際、下図にあるように、今世界で発生しているデジタルデータのうち、大半は Web サ イトのアクセスやセンサーなどのログや、SNS など個人が発信するデータといわれてい ます。 【図. 構造・非構造データの情報量推移】（※４） 「ビッグデータ」という言葉は聞いたことがある人が多いと思います。 厳密な定義が決まっているわけではありませんが、上図のように、従来の構造化データ （業務システムに蓄積されたデータ）だけでなく、今まで拾ってこなかった膨大 （Volume）・多様（Variety）・流動性（Velocity）の高いデータ群までを総称して呼ぶ ことが多いです。 ここで押さえておくことは、データの特性よりは、なぜそのように非構造データが肥大 化したのかという点です。上記で挙げたセンサーの進化もありますが、下記に挙げた３ 要素の影響も大きいです。 ・モバイル ・クラウド ・ソーシャル それぞれビジネスパーソンであればおなじみの言葉だと思いますので、ここの語句説明 は割愛します。
- 9. 8 ただし、これらの要素が大きな力を持った背景には、コンピュータのコストパフォーマ ンスが飛躍的に高まっていることと、非構造データを処理するための新しい処理技術が 開発されたということはあまり注視されません。 後者については、おそらくビッグデータに関わる技術解説本では間違いなく出てくる、 「Hadoop」「NoSQL」などがその代表例です。技術的な仕組みまで理解する必要はないで すが、キーワードとしては知っておいたほうがいいでしょう。 これらの技術進化もあり、従来処理コスト上実現困難であったデータの加工・可視化・ 最適化が実現できるようになり、新しい価値（Value）を生んでいくわけです。 【図.Big Data の定義とその動力源】 分析が期待される背景も、このように処理可能となったデータ群を活用することで、新 しい価値を生み出せないかと、上記であげたヘルスケアなど様々な分野で検討が進めら れています。 例えば欧米の主要業界についてビッグデータの経済的効果を調査した結果があります。 それによると、米国のヘルスケア産業における付加価値は 3,333 億ドル、小売業で売上 純利益は 60%以上増加、製造業では開発コストが 25%減少、製品の市場投入までの期間が 20%～50%短縮化、利益マージンが 2%～3%増加、という経済効果が創出されました。（※５）
- 10. 9 このように、ビッグデータ自身も他の要素が組み合わさって出来上がったコンセプトの 一つであり、上記をくくるとその根底にあるのは「デジタル技術革新」による影響が大 きいことが分かります。 今まででも触れたスマートデバイス・ウェアラブルだけでなく、デジタルサイネージ （電子看板）・3D プリンタ・ドローン（無人操縦機）など、IT 以外での技術革新も複合 的に組み合わさりながら新しい価値が新陳代謝しているのが今のデジタル時代です。 分析というとデータをどう解析するのかから考えがちですが、このような底流に流れて いる動きをキャッチアップしておくと、本当はあれば有用なのに無理と諦めていたデー タが、実は簡単に収集・解析することが出来る可能性もあることに気づきます。 すでに企業側は、技術がもたらすビジネスインパクトについて強く意識をしています。 IBM が行っている全世界の CEO 向けアンケート調査で興味深い結果があります。（※６） 「自社に最も影響を及ぼす重要な外部要因は？」という同じ問いを 10 年以上前から行っ ているのですが、下図にある通り「テクノロジー」が急速に浮上してとうとう 2012 年か ら１位になりました。 【図.CEO インタビュー「最も重要な外部要因は？」】
- 12. 11 複雑化する分析製品と不変な原則 前節で触れたデジタルテクノロジーの進化によりデータが肥大化していくと、必然的に それを利活用したいというニーズも膨らみます。 下図は、Web 検索人気が分かる Google Trend（http://www.google.co.jp/trends/）を使っ て日本で“アナリティクス”というワードで調べた結果です。 2009 年から劇的に関心が高まったのが視覚的に分かります。なお、これはグローバル全 体でも同じ傾向です。 色々と切り口を絞り込めるので、是非関心のある方は試してみてください。例えば国内 地域・都市別で見ると「福井県」が一位（2015/1/17 時点）、など面白い洞察・企画の素 材になります。消費者向け製品・サービスを担当されている方はよくこのサービスを活 用してトレンドをつかんでいます。 【図.Google Trend での「アナリティクス」検索結果】
- 18. 17 【図. 一般的な問題解決アプローチ】 ここで１つ、上記のイメージを具体的に理解するために、日常生活での簡単な分析例を 挙げてみます。 先ほどウェアラブルでヘルスケアサービスについて触れたので、これを例に取り上げて 見ましょう。 皆さんが仮に 2015 年 1 月 1 日に、「スリムな体型になるため、2015 年中に体重を 6Kg 減らす」という目標を立てたとします。 その目標達成を図る重要な中間指標として、ウェアラブルやセンサー機器で運動量や摂 取カロリーを測ることに決めました。（Plan） 早速実行して（Do）その結果を眺めて見ると、週末よりも平日の木曜・金曜日に摂取カ ロリー消費量が高いことが分かりました。（Check）ここであなたははっと気づきます。 「よくよく振り返ると木曜・金曜に残業で疲れて夜遅くに甘いものを食べている。これ が原因かも！？」とあたりづけ、いわゆる「仮説」を作りました。（Action）
- 19. 18 仮説を立てるとまた次の PDCA を回します。今回の仮説を元に改善策を組み立てると 「甘いものを食べない」となります。 ただ、これは少々ストイックで非現実的すぎるので、もう少し深く内省して「なぜ甘い ものを木曜・金曜日に集中して食べてしまうのか？」を探ると、要は仕事が多忙になる 曜日ということが分かりました。つまり、仕事を平日後半に貯めてしまっていたのです 従って、本質的な課題は甘いものを食べるストレスを誘発する「不毛な残業」と設定 し、仕事・プライベート含めて自身のライフサイクルを見直すことにしました。（Plan の見直し） あとは、12 ヶ月で 6Kg 減らすための月別計画表、週別での行動計画に落とし込み、例え ば「1 週間で 20Km 走ること」「夜 10 時以降のカロリー摂取をやめること」と重要な中 間指標を立てなおし、あとはその見直しを継続することで目標達成に近づけます。 以上の活動も、日常のシーンですがれっきとした「分析」です。人によっては計画を立 てた後の数値チェックと問題点の指摘の範囲、と考える人もいるかも知れませんが、あ くまでその作業は痩せるための手段であることには同意いただけると思います。 企業活動になると、これらの作業が機能分化してしまうがために、数値チェックと異常 値の発見自体を目的と錯覚してしまい、企業全体の成果に結実しないのです。 是非自社でも、いわゆる「分析」といわれている組織活動と照らし合わせてみてくださ い。 少なからずの企業で、今行っている分析という活動がどう目標に貢献しているのか、そ もそも必要なことなのか？ 回答に困るのではないでしょうか？ 次に、この原則を踏まえた分析を行ううえでの成功要因について触れてみます。
- 20. 19 分析で効果を出すための成功要因 冒頭に触れたとおり、書籍タイトルに「デジタル」をつけたのは、あらゆるものがデ ジタル化している、という意図を狙ったものです。 確かに分析ツールレベルの話になると、従来と異なる手法も必要になってきますが、 ここでは原則の話をしているので、分析の成功要因は時代が変遷しても不変です。 それは大きく分けると以下の４要素に絞ることができます。頭文字をとって「分析の４ P」と名づけています。 【図. 分析の４P】 これら４要素を（足し算ではなく）掛け合わせたものが、「組織の分析力」として機能し ます。どんなに People(個人の分析リテラシー)や Product（データ収集・分析製品）が 整っていても、組織としてそれを押し上げる仕組み（Policy・Process）がなければほと んど意味がありません。 例えば、マーケティング部門が顧客の購買分析を行っているがなかなか効果が出ない、 という課題があったとします。今は、IT 部門から定期的にそのレポート結果を Excel で もらっているが、これを改善するために分析ツールを導入しようとしたとします。 そのときにすぐ IT を解決策に考えがちですが、上記４要素をチェックしたうえで判断し ないと、どんな高額な製品を導入しても問題解決には至らないでしょう。 このケースだと、考え方としては下記のようにそれぞれの要素をもう少し落とし込ん で、どの要素が足りないのかを把握するのが第一歩です。
- 21. 20 【図. IT システムが解決できること・できないこと】 デジタルシフトに伴い特に検討すべきなのはまず「Policy」と「Process」です。 従来捕捉できなかったデータが活用できるということは、企業活動の在り方を大きく変 える可能性を秘めています。特に日本ではモノが成熟化してあらゆるものがコモディテ ィ化してしまうため、データを活用して製品・サービス力を磨くことで競争優位性を築 くことができます。Google・Amazon はまさにそれを武器としており、今でも検索エン ジンや推奨エンジンのアルゴリズムを日々磨いています。 そして、企業方針だけでなく、実際に分析を行う組織単位や業務プロセスも見直す必要 があります。特に実店舗でビジネスを長年行ってきた企業に多い傾向ですが、EC サイト を立ち上げたにも関わらず、実店舗の仕組みは何も変えず、その分析をそれぞれが独立 して行ってしまいがちです。 理想的な進め方としては、まずは顧客がどのように企業のタッチポイントをチャネル横 断的に行動して購買及び他者影響を及ぼすのかを改めて見直し、それを基にして分析組 織が担う役割・範囲を定義づける必要があります。 いずれにしても、これらを成熟度でスコア化して評価をすると、単なる理屈でなくより 現在の立ち位置と目指す理想像との距離感が分かります。 重要なのは、まず組織としてこの４要素で何が足りないのかを可視化して、常に悪い点 を見直そうする継続的な活動です。
- 22. 21 参考までに、先ほどの４要素を使った分析の成熟度モデルを載せておきます。 【図. 分析の成熟度モデル】 これは情報活用における４要素を軸に、ステージ別での成熟度で表したものです。 使い方として、まず組織としてどのようなステージを目指すのかを目標設定し、現状と の乖離を把握し、どう目標に到達していくのかを組織内で可視化するために使います。 ここで１つだけ注意しておきます。 例えばステージ３を目指すと決め、現状は全ての要素がステージ１だとします。だから といっていきなりステージ３まで各要素を同時に高めようとするのは現実的ではありま せん。特に Product 以外の要素は、組織や意思決定の文化にも根ざすため、トップの協 力を仰ぐ等の施策が必要です。（欧米で意思決定支援システムがいち早く普及しているの はトップダウン文化の影響も大きいです） もちろんこのモデルをより細分化してカスタマイズしてもよいですが、あくまで全体の 立ち位置とゴールを明確にして、優先順位をつけて組織的に行動するのが目的なのであ る程度ざっくりでもよいでしょう。 このように、まずは分析による成果を出すための構造を理解した上で、次に、問題解決 のプロセスでも触れた評価指標をどう設定するのか？について触れてみます。
- 23. 22 3章. 評価指標の設計方法
- 24. 23 指標設計のポイント 評価指標の中でも、KPI（Key Performance Indicator：重要評価指標）という言葉は 大分ビジネスでも認知されるようになりました。ただし、有効活用されているかという と、残念ながらまだ多くないと感じます。 活用のポイントについて触れていくまでに、心構えとして知っておいていただきたいの が「指標もナマモノである」ということです。 一度目標や評価指標を設けると、それが永続的に従うべき、もしくは変えることに抵抗 感があるという声をよく聞きます。これは「仮説」を上手く立てられないという悩みと 根底にある原因は似ており、変えることイコール失敗してしまったと誤解してしまうこ とにあります。 指標も仮説も、あくまで組織が「その時点で」目指している方針・戦略の道標または進 捗を図るものです。特に近年のように外部環境の変化が激しい時代では、長期的に有効 な戦略というのはあまり成立しません。 従って、戦略・戦術転換に応じて仮説や指標も柔軟に補正していくべきです。まずはど んなに小さなことでもよいので「指標」をセットして実績との乖離を見て補正してみる という癖をつけてみましょう。 特にデジタルマーケティングにおける施策では、データの捕捉とターゲットへのリーチ 力が一般的に高いがゆえに、ケースによっては翌日から効果検証を行うことも出来るた め、一層評価指標の鮮度は意識する必要があると思います。 以上を踏まえて、指標設計に重要な３つのポイントについて説明します （１）初めに全体のストーリーを設計・共有 そもそも評価とは、目標・計画と比較して初めて意味を持ちます。従ってまずは属する 組織・事業全体の目標・戦略を明確にすることが必要です。よく見かけたことがあると 思いますが、図１のようなツリーで KGI（Key Performance Indicator：重要目標達成指 標）、CSF（Critical Success Factor：重要成功要因）に紐付けて、その進捗を図る KPI を設計する、というのが王道です。
- 25. 24 【図. KGI・CSF・KPI のイメージ図】 但し、本当にゼロから設計するということは、実務上ではまれだと思います。 例えば、新しく採用された社内 Web アナリストであれば、まずそのサイトのアクセス解 析を始めるのではなく、Web 含めた事業全体の目標・成功要因を適切な人にインタビュ ーしていくのが現実的なアプローチです。 勿論インタビュー結果をそのままコピペするだけでは付加価値がありませんので、その 過程で自分なりの仮説を設けて、必要であれば関係者と議論を深めるのも良いと思いま す。いずれにせよ、この段階で重要なのは全体と部分の整合性、言い方を変えると関係 者と共有するストーリーを構築することです。 （２）指標が現実的であること 次に指標の方針が固まったら次に留意すべきは、その責任者を具体的に決定し、その人 が日々の業務で実際に可視化して改善活動に活用出来ると納得してもらうことです。 悪いパターンを挙げると、理想的過ぎて確かにその指標はごもっともなのですが、実際 その数値を収集する負荷が高いもしくはアクションが紐付きにくい指標です。 ここで１つ、仮想企業のケーススタディを挙げてみます。 今まで店舗で雑貨を販売していた会社が、消費者がネットとリアルを横断的に購買する 行動が増えその需要を満たすため、EC サイトを立ち上げました。EC 単体で 10 億円が 目標として掲げられ、重要成功要因として「実店舗とのシナジーを図る」と設定しまし た。次ページ図がその指標ツリーです。
- 26. 25 【図. 仮想企業の指標ツリー】 KPI１の責任者は EC 推進部のリーダーとします。さて、自分がその立場だったとしたら どう対応するでしょうか？ 確かに実店舗と EC のシナジーを図るのは一見ごもっともで特に反論はないでしょう。 しかし、そもそもこの指標を取得するのには相当なコストが発生します。 例えば実店舗来訪客に誘導 URL（識別パラメタ付与）を紙で渡してそれで計測したとし ても、余程その企業のファンもしくは値引き優待などのインセンティブがない限り面倒 くさがってなかなかそのとおりに行動してくれません。 二次元バーコードと呼ばれる QR コードが記載したレシートを配布して、そこからスマ ホなどのリーダーで読み取り限定特別キャンペーンサイトに誘導する、など何らかの工 夫とそれに伴う投資は必要になります。 さらに重要なことに、そのやり方だとむしろ実行は実店舗側の担当者依存になってしま い、EC を担当する KPI 責任者自身がコントロールできません。本当にやるのであれ ば、その権限も付与するか、KPI 責任者を実店舗のマネジメント層に適用すべきです。 実はこれは実際に O2O(Offline to Online)施策を展開するときには非常によくある、難し い課題です。いずれにしても、KPI はその責任者が管理可能（容易に取得でき改善施策 を自身が責任持って実行させること）であることが重要です。 （３）運用方法の取り決め 設計の段階で、実行後の運用ルールまで決めないと形骸化しがちです。その際に最も重 要視すべきは「行動」です。もう少し砕いて言えば、その KPI が計画を上回るもしくは
- 27. 26 下回ったときに、誰がいつどのような活動を起こすか、というところまで明文化してお くことです。 そして、次に重要なのが、心構えでも触れた KPI・KGI の見直し方法です。これも見直 し方法に絶対解はなく、あくまで置かれている環境に応じて判断するしかないと思いま す。ある程度大きな会社の例では、大体 3 ヶ月単位で KPI そのものを見直し、KGI は年 単位のケースをよく見受けられます。ここも定点観測だけでなく、必ずどのタイミング でどの立場の人までを集めて見直すのかを、設計当初から明確にしないと形骸化してし まうリスクがあります。 そしてもう一つ、KGI・KPI を見直すことを受け入れる（責任追及しない）雰囲気作り は忘れないようにしましょう。
- 28. 27 指標設計のフレームワーク ここで、指標を設計していく上で便利なフレームワークを１つ紹介します。 それは OGSM シートと呼ばれるもので、P&G が目標設定手法で活用していることでも 有名です。なじみのある別の言葉で表現すると５W１H に近いものですが、指標そのも のとそれらに関連する必要情報が整理されていますので、ぜひ実務に活用してみてくだ さい。 英語ですがこちら（http://standardmodelmarketing.com/2011/12/02/strategy-ogsm/） に説明動画もありますので、もっと使い方を学びたい方は参考にしてみてください。 【図. OGSM シート】
- 30. 29 組織管理の重要性 前節で指標の「中身の設定方法」について触れましたが、意外につまずきがちなのは 「組織管理」の領域です。特に、下記２つのケースでは指標をどう設計するか以前に、 組織体制のあり方から見直す必要があります。 (1). 指標の目標達成のためにとるべき行動が職責を超えている（部門横断） (2). 統計解析など高度なデータ処理が必要 各論に入る前に、上記に関連した仮想企業の失敗ストーリーを書いてみます。 業績が伸び悩んでいるアパレル販売会社では、実店舗と EC を別々の事業で展開してい ます。業績回復（KGI）のため、販売チャネル横断での CRM（顧客関係管理）強化を目 指すべく、 ・店舗ポイントカードと EC の顧客 ID 統合 ・データ分析に基づく提案力強化 を重点施策として取り組みました。そして目標標達成の中間指標である KPI として、 「店舗・EC の共通来訪者 50%増加」 「キャンペーン反応率 5%の上昇」 を設定しましたが、組織体制は変えず、統計に詳しいデータ解析専門要員を外部から採 用することにしました。 新しい施策を開始して１年経過しましたが、結果として KPI 目標は全く達成できず、以 下の課題がおこってしまいました。 ・形骸化した部門間会議が増え、顧客情報管理コストも上昇 ・解析担当者が作成したレポートが全く実務に反映されない いかがでしょうか？特に近年データ解析ブームもあり、顧客分析に力を入れる企業は多 いと思いますが、上記のストーリーは、あたらずとも遠からずの企業が多いのではない かと想像します。 では各ケースでの対応策について触れていきます。 （１）部門横断に及ぶケース 今までも触れたとおり、デジタルシフト時代では、顧客との対話方法から見直す必要があります。 具体的には、改めてペルソナ（理想的な顧客像）を立て直し、彼もしくは彼女がどのように自社を
- 31. 30 知り・対話して購買そしてファンになり影響を与えていくのかをライフサイクルで捉えて、それに適 した対応そして組織体制を構築するのが王道です。 つまり、どうしても組織横断での変革が要求されるため、必然的にトップマネジメントの協力が欠 かせません。 これは、業務改革を要する他のビジネスシーンでも行われてきたことです。 例えば、供給の全体最適を目指す SCM(Supply Chain Management)を例に挙げます。これも製 造側（KPI：生産数）と流通側（KPI：在庫回転率・販売数）との利害が衝突することはよくあります。 その克服例として、SCM 全体に責任を持つ取締役及び直轄部隊を設けて、先行指標の KPI の 利害調整だけでなく、その結果としての共通ビジネス目標（例：キャッシュサイクル）まで担うことで 企業の全体戦略との整合性を図ります。 構造としては同じ考え方が適用できると思います。要はチャネル横断での顧客分析を担うチー ムを設けて、顧客像及びコミュニケーションの設計、そしてそれを図る KPI を責任もって運用して いく役割です。各ビジネススキルにも高いものが要求されますが、なかでも日本企業だとトップダ ウンだけで話が進むことは比較的少ないため、現場を巻き込む強いリーダーシップが重要になっ てきます。 （２）分析担当者が必要なケース ネット系ゲームでは、例えばある PRG では、各イベント（例：中ボスを倒した、レベルが 20 に達し た、等）とユーザがゲームをやめる相関関係をログデータから集計・解析しています。そこから離 反に繋がるイベントを発見し、発生直後に特別アイテムを付与して興味を引き続けるなど、データ 解析結果を積極的に改善につなげています。 ここではやはり数学・統計に詳しい分析担当者が、人間の目では見えない偏りをデータの山から 見出します。その際に問題になるのが、解析結果をどう行動につなげていくのかということです。 特に、分析活動の 1 要素である「仮説発見（解のあたりづけ）」は、ある程度経験知によって磨か れることが多いため、解析担当者とビジネス実務に長けた人がコミュニケーションを取れやすい環 境を用意することが必要となります。 データ分析が流行り、あたかも科学的な取り組み「だけ」が企業業績に貢献するのだ、という誤解 を招きかねません。 しかし、実際の分析活動は非常に地味でかつ泥臭いものです。少なくともデータ解析の元になる ビジネスの仕組みを把握していなければ、本人にとってはすごい発見をしたと思っても、それがビ ジネスの成果につながるとは限りません。
- 32. 31 もし、このような高度な分析を必要とするシーンが、社内で複数存在するのであれば、それらのノ ウハウを全員で共有できる仕組みを設けるのも一案です。これも先ほどの部門横断と似た結論で すが、従来部門と独立した組織を設けることを検討するのがよいと思います。 CAO（Chief Analytics Officer）について CAO という役職名を日本でも目にすることが出てきました。まだ導入企業数は少ないの ですが、分析を通じた企業業績向上をミッションとしています。 分析を本格的に企業の強みとして取り組みたい企業には CEO 直轄で CAO 設立と合わせ て専門の組織を置くことが好ましいです。 但し、上でも述べたとおり、既存ビジネスとの摩擦が生じがちですので、その構成要員 には、単に経営層だけの都合でデータ解析が強いヒトを採用するだけではなく、ボトム アップとして実務メンバーとのコミュニケーションも図れる環境整備も必要です。重視 すべきは「高度な解析力」だけでなく「結果を元に意思決定まで促せる」ヒトです。 そのような分析サービスを外部委託するのも一案ですが、自社分析ノウハウがつきにく いことと、上記のように分析結果が行動に反映されにくい、という難点があります。 尚、まだ分析というものを組織的に行ったことのない企業で比較的ボトムもしくはミド ルの意思決定が重視されがちな企業であれば、まずは部門内で小さく初めて分析の効果 を探ることからでよいと思います。そして、どこかで必ず部門横断もしくは高度な分析 の取り組みが必要となります。そのときには独立した分析組織の検討も始めてみてはい かがでしょう。その際の組織図イメージを下記に乗せておきます。 【図. CAO の存在する組織図】
- 33. 32 4章. 分析製品の系譜
- 34. 33 意思決定支援システムの流れ 指標設計を終えると、実際にどのようにデータを収集・集計・表現するのかがポイント になり、今の時代では専用の分析ソフトウェアが必須となっています。 まずは、データを元に意思決定を支援する分析ソフトの歴史及び特徴について触れてい きます。 分析という言葉はこの数年で急速に市民権を獲得しましたが、歴史的には何十年も前か らコンセプトとしては唱えられています。 古くは DSS（Decision support system：意思決定支援システム）や EIS（Executive Information System：経営層向け情報管理システム）などと呼ばれ 1970 年代には登場 しています。そこから 1989 年に BI という言葉が初めて提唱され、今でもよく使われて います。 これらが取り扱ってきたのは、基本的には「社内に蓄積されたデータ」でそれらを構造 的に（決まったフォーマットで）格納する仕組みとして DWH（データウェアハウス） も同時に成長しています。このあたりの基礎知識は BI の章でも改めて解説します。 2000 年代に入って、日本の企業でも ERP（Enterprise Resource Planning：統合基幹業 務システム）・CRM（Customer Relationship Management：顧客関係管理システム） といった基幹系システムが整いだしました。ERP 普及以前はこのように業務データを総 合的にデータ格納すらしていない企業も少なからず存在したため、ERP の普及は BI 推 進の追い風になりました。（最近では BI 機能を融合させた基幹系製品も出ています。） 次に起こったのが Web やセンサーなどの技術発展です。Web で発生するデータ分析につ いては 2000 年代よりアクセスログ解析が中心となり、さらにはソーシャルデータの分析 も活発になってきました。 センサーについて一番有名な事例が、建設機器メーカーコマツの「KOMTRAX」です。 よく書籍にも登場するのでご存知の方も多いと思いますが、2001 年に開発された、建設 機械の情報を遠隔で確認するためのシステムです。 車両に GPS を搭載してセンサーが稼働状況など必要なデータを収集し、故障の事前予 兆・稼働状況などデータを顧客に提供して付加価値を創出しています。（８） これが古くからある BI と異なるのは、社外のデータ、特に顧客側で発生したものである ため、より戦略的に活用できる可能性を秘めているということと、データ構造が大量か つ定型化されていない（標準的に使われてきた Relational DB では処理するのが困難）
- 35. 34 ということです。 逆に BI は社内のプロセスで発生したデータが大半であるため、例えば物流業務を効率化 するといったように社内コントロールで活用されるケースが多いです。 以上から、簡単に特長を書いたのが下図です。 【図. 分析テーマ別データ特性比較】 大まかにはこれらが今の分析製品につながる本流となりますが、近年ではこれらを横断 した製品も登場しています。 例えば、アクセス解析ベンダーである AuriQ 社が 2013 年にリリースした BIQQ という 製品は、Web ログ（アクセス解析）と BI（社内データ分析）との融合をコンセプトとし ています。 また、ビッグデータブームを引き起こした「Hadoop」というデータ分散化技術をうまく 活用した製品も、それらに代わる製品群が色々と登場しています。 いずれにしても、常に新しい製品・サービスが次々と登場しているので、製品を学ぶこ と自体は良いのですが、ほどほどにしないとその情報に溺れてしまいます。
- 36. 35 テーマ別製品カテゴリの位置づけ 前節で触れた分析テーマ群を、データの特性（社内外、容量）と企業へのインパクト （単なる業務効率で使っているのか、それを元に企業戦略にまで影響を与えるほどつか っているのか）という 2 軸で当てはめると以下のとおりです。 【図. 分析テーマ別で見たポジショニング】 歴史的な変遷で見ると、日本では左下の帳票から左上の BI、そして今は右上への関心が 高まっています。この領域が良く「ビッグデータ」として取り上げられることが多いわ けですが、「宝の山」と安易に飛びつくというよりは、発掘にコストとリスクを要する 「埋蔵金」という表現のほうが賢明だと思います。 本書では余談となりますが、最近は人間の処理では相当な負荷を要するデータに対し て、統計や機械学習でアプローチする流れもあります。 例えばオンラインショッピングの大手 Amazon では、過去の購買履歴を学習させること で「この商品を買った人はこんな商品も買っています」というメッセージとともに推奨 することで購買欲を喚起しています。一説には全体売上の３分の１以上をこの仕組みで 稼いでいるとも言われています。 このアプローチは数学・統計・高度処理技術など専門性を要するため、本書ではこれ以 上は触れません。ビッグデータを論じるときに、よく「因果関係派」と「相関関係派」
- 39. 38 Web 分析の全体像 Web サイトに関する分析もいくつか手法が存在します。その中でも基本的なものは、サ イト訪問履歴を解析する「アクセスログ解析」です。 そのほかにも、ネット広告効果分析、SNS で発生するデータを解析するソーシャル分 析、他サイトを調べる競合分析ツールなど周辺領域もありますが、まずは本書内では基 本的なアクセス解析の知識を中心に紹介していきます。 分析の進め方として、以前にも触れたとおり、全体のストーリーを意識して行うと効率 的かつ組織としても説得性のある取り組みが出来ます。 Web の場合では、まずサイトに来ていただく「１．集客」と、来た後の動きをつかむ 「２．回遊」、そして目的達成後（EC なら購入）に再利用してファンになってもらう 「３．醸成」に大別することが出来ます。 【図. 訪問者行動で見たサイトの構造化】 サイトに訪問したあとに、そこから離れることを離脱、中でもそれが訪問最初のページ であれば直帰と呼びます。そしてサイトの目的となる行動（EC なら購入、BtoB サイト なら問い合わせ、等）のことをコンバージョンと呼びます。 最後の語句は直訳すると「転換」なので、目標達成の意として違和感あるかもしれませ んが、そういうものだとして覚えておきましょう。
- 40. 39 次に計測指標について触れます。 初期のアクセス解析では、ヒット数がよく使われてきましたが、これは１サイトを構成 する部品全てをカウントするので今では余り使われません。 代わりに訪問数計測でよく使われるのは PV（Page View）ですが、Web では顔が見えな いので、例えばあるページで 100PV と計測しても、それが 100 人訪問した結果なのか１ 人が 100 回来たのかまでは分かりません。 従って、解析ソフトでは、ブラウザに保存される Cookie 情報などを使って、その PV が ある一連のサイト訪問の中でのものなのか、それとも別なのかを判別することが出来ま す。（但し Cookie 設定にも依存するので収集できないこともあります） 【図. アクセス解析で代表的な訪問指標】 この「セッション」「ユニークユーザ（または訪問数）」もアクセス解析では頻出用語 で、その計測定義の違いは知っておく必要があります。 例えば、新規顧客開拓を注力している Web サイトであれば、いくら PV やセッションが 増えてもユニークユーザ数が増えない限り目標到達とはいえません。 これらを元にして目標達成するための評価指標を設計していきますが、今までに触れた KGI(Key Goal Indicator)・CSF(Critical Success Factor)・KPI(Key Performance Indicator)を定義して体系的に（要は偏った指標だけをみずに）閲覧する仕組みを作るこ とが重要です。 下図に、EC サイトでの指標ツリーの参考例をのせておきます。最近では、Web 以外の チャネルとの相互送客も活発化しているので、訪問者の立場にたった理想的な動線が
- 41. 40 Web 以外と横断的であれば、Web だけでなく別チャネルとの担当者交えて指標設計を立 てていく必要があります。 いずれにしても、マーケティングの世界では有名なペルソナ（理想的な顧客像）を設計 してそのコミュニケーションフローを明文化するのが一番現実的な方法です。 【図. EC サイトの指標ツリー】 指標が明確になったら、全体を見通せるダッシュボード（必要なものを一枚のシートで 表現する機能。車のダッシュボードが語源）で一覧を可視化するのも効率的です。 実際にデータを見始めてみると、あれもこれもとつい探索してしまい、木を見て森を見 ずに陥りがちなので、常に全体を把握できるものは用意しておいたほうがよいです。 これは他部門とのコミュニケーションツールとしても有効です。 特に EC サイトでよくあるのですが、営業系のメンバーと、Web マーケティング担当が 会話すると、どうしても見たい指標が異なってきます。前者は売上動向・どういう商材 が売れているのかが中心で、後者は顧客に関する情報がメインとなります。 EC はどうしても売上・商品がメインになってくるので、例えばそれと顧客分析を融合し たシンプルなダッシュボードを担当者全員に可視化するのも 1 案です。
- 42. 41 【図. 売上・商品・顧客情報を一元化したダッシュボード例】 アクセス解析ソフトのログ収集方式 Web アクセスログは収集方式によって、「クライアント側で取得する Web ビーコン（タ グ）型」「Web サーバが出力するログを解析するサーバログ型」「ネットワーク経由でロ グを捕捉するパケットキャプチャ型」に分かれています。以下簡単なイメージ図です。 【図. アクセスログ収集方式の違い】 それぞれの型ごとに様々な製品が出ていますが、なかには「ハイブリッド型」も存在し ます。下記がその特徴をまとめた図表です。
- 44. 43 ・Web ビーコン型：Google Analytics Google が 2005 年に買収した Urchin の 技術を元に作られたサービス。制限付き で無償利用が可能で、ハイエンド向け有 償サービス（年間 1200 万円）として Google Analytics Premium も提供。 Google 広告管理との連携により、広告 効果分析も可能。2014 年にマルチプラ ットフォームを意識した Universal Analytics が正式リリースされ、今後は それにシフト予定。 ・サーバログ型：Site Tracker アクセス解析の初期はこの収集方式が 主流であり、その中での代表的な製 品。 各ページへのアクセス数や経路解析な ど、基本的なアクセス解析機能は具 備。 現在は開発元の製造停止に伴い、 2014 年 12 月末をもって新規販売も停 止。（既存サポートは継続） ・パケットキャプチャ型：RTmetrics NW 機器に流れるパケットを直接捕捉 して解析するため、大規模処理及びリ アルタイム処理に強い。また、Web ビ ーコン型・サーバログ型いずれにも対 応可能であるため、ハイブリッド型。 社内データと掛け合わせた BI アドオン 機能によって拡張も可能。
- 45. 44 これらのアクセス解析ツールの選択で留意すべきは、やはりその前段で、目的（ビジネ ス要件）と指標設計を明確にすることです。 特に、最近は Web ログと他データを組み合わせるケースも増えていますので、もしそう いうニーズがあれば、拡張性も視野に入れた選択をしたほうがよいでしょう。 以下に、アクセス解析という視点での簡易的な成熟度モデルを載せておきます。この分 野ではアクセス解析を「デジタルマーケティングのデータ収集基盤」として位置付ける のが主流となってきています。 【図. アクセス解析の切り口で見た成熟度モデル】 次節では、前述で区分けした「集客」「回遊」「醸成」別での分析の考え方や留意点につ いて、それぞれ掘り下げてみます。
- 46. 45 Web への集客施策について ここでは、サイトへ有効な（ターゲットとしている）訪問者をいかに増やすかが目的と なります。 集客の中でも今はインターネット広告が非常印多岐に渡っていますので、まずは代表的 な Web 集客をカテゴリ別に整理してみます。 【図. 代表的なネット広告の特徴】 念のためにここで触れておきますが、各手法の理解以前に、初期に設計したストーリ ー、つまりどういう顧客（ペルソナ）にどういうシーンでどこまで関心を引き付けてサ イトに誘導したいのか、という設計図が重要になります。 ここで例として、消費者購買決定プロセスのモデルを取り上げます。 代表的なのがネット普及以前からある「AIDMA」、ユーザが情報力を獲得した時代に電 通が唱えた「AISAS」、O2O 時代の行動を踏まえて NRI が唱えた「ARASL」などがあ ります。（その他色んなモデルが提唱されていますがこれ以上は割愛します）
- 47. 46 【図. 消費者購買モデルの代表例】 どのモデルを採用したにせよ、各プロセスの心理にあるお客様にどのようなメッセージ をどのように届けるのかがポイントになります。 例えば AISAS では、デジタル技術を活用して消費者が主体的に検索（Search）したり、 購買体験を他者と分かち合ったり（Share）する点を考慮しています。そのモデルでは必 然的に、ユーザ同士の柔らかい会話から訪れる単なる興味本位のユーザ（チェリーピッ カーと呼ばれます）が増加します。つまり、どこから流入してきたのかによって分別し ないと、良し悪しの判断をすることが出来ません。 今の時代はどちらかというと、AISAS や ARASL のほうが実情に近いのではないかと思 います。従って、集客においては流入元別での分析は非常に重要といえます。この段階 では勿論リアル（店舗配布の紙チラシなど）からの集客も考慮に入れる必要がありま す。 いずれにしても、集客は１つの通観点ですので、訪問後のお客様への対応も考慮してお く必要があります。 次は、インターネット広告をどのように評価するのか、その代表的な指標についてご紹 介します。 基本となるネット広告評価指標 基本となるネット広告評価指標は、ある程度パターン化されているため、まずは次ペー ジでその代表的なものを整理しておきます。
- 48. 47 【図. 代表的な広告効果指標】 インターネット広告の初期では、圧倒的にバナー広告が主流で、使われる指標としては １・２が中心でした。しかし、これは単なるクリック効率だけで、集客後の効果（コン バージョン）までを考慮していません。従って、コンバージョンも組み込んだ３や４も 徐々に使われるようになりました。しかし、これらも単一媒体でのキャンペーン評価と いう視点で開発された指標です。消費者の行動が多様化するにつれて、そのシーンに応 じて使い分けを行ったメディアミックスでの集客プランニングが当たり前になってくる と、単体だけではなく全体としての広告効果を図りたいという要望が増えてきました。 その流れを受けて使われだしたのが５の広告費用対効果指標です。（ロアスと呼ぶ方が多 いようです）さらに、広告出稿とその効果だけでなく、それに付随するコスト（人件費 や間接費用）まで考慮すると、財務分析でもよく使われる ROI に繋がるわけです。 但し、５・６は分母・分子が企業によって微妙に定義が異なるケースがありますので、 必ず議論する前に定義を認識合わせしておいてください。 もう 1 つだけ良く使われる関連指標を紹介しておきます。CVR（顧客転換率）です。 CVR（Conversion Rate）：コンバージョン数÷セッション数 セッション数を媒体別に分けて CVR で比較評価するのも広告としての有効性を探るのに 使われます。
- 49. 48 さて、これらの指標をどう活用するかについてですが、分析するヒトのリテラシーとサ イトの成熟度に応じて使い分けることが重要です。 まず、ヒトについてです。初めての方はまずは分かりやすく１、つまりクリック効率か らでもよいと思います。但し、分析は事業の成果に結びつけなければ意味がないので、 段階的に１から６へ広げていく心構えが大事です。また、何もかも自力でやると変な癖 が付く可能性もあるので、初期は社内外含めて有識者の分析方法を模範にして慣れてい き、そこから自分なりの手法を確立するのも一案です。 次にサイトの視点です。例えば CV(コンバージョン)はよく使われますが、サイト開設時 のようにまだ訪問数が少ないときには、効率を重んじる CVR では誤解を招く可能性もあ ります。そこで、最初は訪問者数を増やす（認知度を高める）ことを重視して、ある程 度成熟してきたら次に転換率重視にシフトする、という考え方が実践的だと思います。 このような考えは、サイトの全体計画時である程度明確にしておいたほうがいいでしょ う。指標設計で述べたように、常に KPI はビジネス環境に応じて変容すべきものです。 アドテクノロジー（広告技術）がもたらす広告革命 デジタルマーケティングに関心のある方なら、アドテクノロジー、通称「アドテク」と いう用語をお聞きになった方は多いと思います。あくまで広告技術を表す総称なので特 定の技術をさしているわけではないのですが、それがもたらす影響力は非常に大きいも のです。 シンプルに言うと、今まで売り手（広告代理店）が主導してきた枠売りもしくはクリッ ク課金中心であったインターネット広告が、アドテクによって、買い手（広告主）がオ ーディエンス（広告系では広告を見に来る訪問者をこのように呼称）単位で売買できる ようになったのです。 これだけだとピンとこないかもしれません。Web 分析を語るうえで重要な要素なので、 アドテクについてもう少し触れてみます。 ところで、最近自分が訪問したサイトが、全く関係ないサイト訪問時でもあちこちで露 出されているという経験はありませんか？ これはいわゆる「リターゲティング」と呼ばれる手法で 2013 年ごろから人気が出てお り、これもアドテクの進化で実現した手法です。（賛否両論あるのでその是非はここでは 問いません）
- 50. 49 【図. リターゲティングのイメージ】 このように、サイト内である行動を行った「ヒト」に対して広告をターゲット出来るよ うになってきています。 簡単にその歴史から振り返ってみます。 アドネットワークの登場 アドテクと言っても厳密に定義付けられたものはないのですが、中でもポイントとなる 要素は「アドネットワーク」と「RTB（Real Time Bidding）」と呼ばれるものです。こ れらの技術により、広告の考え方が「枠からヒト」にシフトし、マーケティング活動の さまざまな側面で影響を及ぼしつつあります。 まず「アドネットワーク」の成り立ちですが、これは大体 2008 年頃から登場したもの で、要は広告媒体のサイトを集めて「広告配信在庫のネットワーク」を形成し、多数の Web サイト上で広告を配信する広告配信の手法です。 その背景としては、広告主から見ると、従来は各媒体毎（もしくは代理店毎）に交渉を 行い、課金体系も露出効果も異なるため媒体間比較も困難なため、どうしても非効率か つ効果が見えない広告出稿しか出来ませんでした。 それを、広い範囲で広告在庫の仲介を担う事業者にゆだねることで、多数のサイト（媒 体）に効率的にリーチすることが出来、かつ共通の仕組みでの露出なので媒体間での効 果測定も行いやすくなりました。 逆に媒体側から見ても、受注、掲載の手続き等を任せることができ、かつ余剰在庫をさ ばきやすくなるので、効率面でメリットがあります。このようなニーズを満たすために アドネットワークが生まれました。
- 51. 50 【図. アドネットワークの登場前後】 次に、アドネットワークの 2 年後(2010 年頃)に「アドエクスチェンジ」が登場し、各媒 体やアドネットワークが抱える広告枠を交換できる仕組みが整いました。 イメージとしては、各国通貨内で取引していたものを通貨間取引が出来るようにルール を統一したようなものです。 これを活用することで、それぞれが別の課金体系であっても、インプレッション課金ベ ースに統一されて入札することが出来るようになります。 つまり、これで広告の取引市場が整備され、需要（広告主側）と供給（媒体側）とが、 インプレッションごとに広告枠の価格が決定されることになりました。 また、今までは単に広告出稿プラットフォームの段階的な広がりについて触れました が、「取引」について忘れてはいけないのが、ユーザがサイトに訪問（インプレッション 発生）するたびに売買取引が行われているということです。 もちろんサイト訪問時に体感的に遅れて広告を表示させるわけにはいきません。遅くと も 0.1 秒内に入札・落札・表示という一連の処理を行う必要があります。 これを実現したのが「RTB」と呼ばれる技術で、元々は金融取引で使われていた技術を 活用しています。 RTB を使うことで、広告配信枠の市場化で高度に複雑化した取引でも、最も高い金額を つけた購入者の広告を表示するといった方式が可能になります。尚、補足すると、最高 値で落札方式にすると不当に高くなるリスクがあるため、2 位の入札+1 円で落札される 「セカンドプライスビッティング」という方式がとられることが多いようです。
- 52. 51 【図.アドエクスチェンジを通じた広告出稿】 このように、媒体を束ねたアドネットワーク、アドネットワークを束ねたアドエクスチ ェンジが登場しましたが、今度はそれらを横断的に管理する DSP(Demand-Side Platform)というプラットフォームが登場しました。 つまり、DSP を司令塔として、複数のアドエクスチェンジ・アドネットワークに対して 統合的に広告配信ができるようになりました。 ただ、忘れてはいけないのは、DSP を活用していても、通常それ以外にも広告は出稿し ており、まだ個別対応の余地は残っています。当然今度はそれらを横断的に配信管理し たいというニーズも生まれます。そこで登場したのが、DSP だけでなく広告を総合的に 配信・効果測定する 3PAS(3rd Party Ad Server)と呼ばれるシステムです。 次に、DSP・3PAS の立場（広告主側）とは逆に、媒体側の効果を最大化させるための プラットフォームとして、SSP（Supply-Side Platform）も登場しました。これはイン プレッション毎に最高値と判断された広告を配信する仕組みです。 いきなり新しい用語が乱立したので混乱したかもしれません。 ここで一旦、これらの仕組みを全て導入したときの、具体的な入札～広告掲載までの大 まかな流れを説明します。 まず、前提として、広告主は３PAS を使ってオーディエンス・単価条件（例：自社サイ トに訪問したユーザに 100 円/露出まで提示する、等）を DSP やその他広告出稿先に登 録しておきます。 あるユーザ（オーディエンス）が、広告枠のあるサイトへ訪問しまし た。すると、まず SSP が広告リクエストを受け、各 DSP に入札をリクエストします。
- 53. 52 すると各 DSP はそれぞれ抱えているネットワーク内で予選オークションを行い、DSP ごとに 1 つの広告コンテンツが優勝して名乗りをあげます。 その結果を SSP に返し、SSP は各 DSP で勝利した広告コンテンツ同士で決勝オークシ ョンを行い、最終的に表示するコンテンツが決まります。広告主は、３PAS でその効果 測定を行うことが出来ます。 【図. DSP/SSP/3PAS を通じた広告出稿】 アドネクがもたらす広告、マーケターの再位置づけ 新しい広告技術の仕組みについて触れてきましたが、この入札時における条件として 「ヒト（オーディンス）」をターゲティングすることが出来るようになったのが分析の視 点では重要なポイントです。 これらアドテクの登場により、このオーディエンスデータの蓄積/取引処理可能な質・量 が飛躍的に高まったことで、単価だけでなくオーディエンスも入札条件として広告配信 が利用できるようになりました。つまり、「どの枠に出稿するか」という長年慣習として いた考え方から、「どんな人に広告を出すか」という理想的な考え方をある程度実践する ことが出来るようになりました。 ここでそもそも広告のあり方について改めて考えてみる必要があります。 Web の世界では今まで、広告の効果は慣習的に「クリック」に依存してきました。しか
- 54. 53 し、Web 以外では、スーパーのチラシ、TV CM、町でみかける看板・ポスターなどの広 告には当然クリックという概念はありません。 Web での活動がリアルと融合しつつある今のデジタル時代で、Web だけ広告クリックだ けというのはどうみても不自然です。Web 広告でも、最終的な広告クリックだけでな く、見てもらうこと（インプレッション）も効果に組み込むべき、というのは自然な考 え方です。 上記の考えを踏まえて育ってきているのがアトリビューションで、直接コンバージョン （目的達成となる行動）までの経路での行動も含めて、貢献度を評価するための分析手 法です。 アドテクと分析技術の進化によって、従来では処理コスト上現実的ではなかったこれら のデータを捕捉、分析することが出来るようになりました。 アトリビューション分析には、貢献分配方法によって様々なモデルがありますが、いず れにしても重要なのは、顧客の気持ちになってどのようなプロセスを経てあって欲しい 行動を起こしてくれるのか、という深い洞察です。それがないと、アトリビューション も宝の持ち腐れとなります。 【図. アトリビューションの考え方と代表的なモデル】
- 56. 55 Web サイト訪問後の活性化 次に、集客活動の次にあたる「回遊」について触れたいと思います。 改めて回遊での目的を書くと、サイトに来てくれた訪問者の満足度をいかに高めて目的 となる行動（コンバージョン。以下 CV と呼称）に導いていくのか？ということです。 今回は、サイト訪問後から切り出した話にフォーカスしますが、勿論集客と訪問後の回 遊はセットで改善を図るのが理想です。そして改善の１要素であるクリエイティブ制作 側との協調も重要です。（Web 制作に関する手法については本書では触れません） 直帰率の考え方 まず回遊を分析する際に初めに着目すべきものとして、直帰率（訪問サイトのはじめの ページだけみて離脱した割合）があげられます。おそらくアクセス解析に携わっている 方は、多くがこの指標をチェックされていると思います。 ここで注意したいのは、直帰率をどう評価するかです。 例えば、直帰率が 50％だとしたらそれをどう判断するでしょうか？ 残念ながら業界共 通の基準値というものはないので、あくまでシーン毎に判断するしかないです。 その判断に至る考え方として、 （１） そのページだけで見た時系列での比較 （２） 同様なページとの比較 （３） セグメント（分類）別での比較 の３種類が存在します。実際にはこれらを組み合わせることになると思いますが、まず は個別に説明します。 （１）は同じページ対象なので分かりやすいと思います。あとはどういう期間で見るか と特別なイベント（キャンペーンや外部環境で突発的にアクセスが増えた、等）を除去 するかです。期間についてはどこまで解析にリソースを避けるか次第です。一般的には 週・月単位が多いです。 （２）はキャンペーンサイト同士の比較などが当てはまります。通常の入り口ページと 期間限定の LP（ランディングページ）を比較しても誤解を招くだけなので、ページの位 置づけは明確にしておきましょう。 （３）ですが、セグメント候補としては、 ・流入別（検索エンジン、リスティング広告、その他広告、SNS、アフィリエート、 直接リンク（E メールやブラウザお気に入りから等）） ・新規/再訪者 ・顧客属性（性別・年齢層・住所等）
- 57. 56 があげられます。これ以上どの候補を選べばよいのかは、ある程度の当たりづけ（仮 説）も必要ですが、上記セグメントは、最後を除けば通常のアクセス解析ソフトでは解 析可能なことが多いので、まず代表的なものを眺めて問題点または機会を探るアプロー チでもよいでしょう。最後の顧客属性については、別システムに格納されている顧客デ ータベースとの紐づけ処理が必要であるため、別途システム化が必要になります。アク セス解析ソフトの中には拡張機能として、これらや購買履歴なども分析軸として設定で きるものもあります。 回遊の分析でもう一点重要なのは、直帰率だけでなく CV 率も併記して両方で評価する ことです。というのも、集客の延長上として、LP（ランディングページ）まで飾り立て てしまうケースもあります。そうなると、バナー広告の魅力でクリックして LP まで訪 問したけど、その先のコンテンツで期待値と大きく異なりがっかりして離脱、というこ とがよく起こります。 そうならないように、CV に至るまでの回遊全体としてその入り口である直帰率を評価す るというのが好ましいです。 特に大企業・組織になってくると、集客・回遊・既存客と担当が縦割り化されてしま い、場合によっては利害が衝突してしまうこともあります。 よくあるのが、送客を目的とした人は、例えば Web サイトの仕掛けを目立たせたり（ボ タンを大きくする、等）宣伝色を出したりすることで、短期的なクリック数を稼ぐこと はできます。 しかし、同時に狙うべきターゲット顧客でない層もノイズとして流入してしまうので、 回遊担当者の目的である離脱率軽減・コンバージョン率向上の損ねてしまいます。 それぞれ組織の都合もあるかも知れませんが、顧客分析を１つの接客ととらえて全体を 通じて満足させられるような、顧客軸での分析および改善チームが望ましいです。 そのような事態に陥らないためには、担当および担当間で共有すべき指標を極力ビジュ アル化しておくことです。 特に、キャンペーンが多いサイトなどは施策単位で細かい数値表とにらめっこしがちな ので、チャート化することをお勧めします。 １つの例として、LP 群を PV・直帰率・CV 率をバブルチャートで表現することで、そ の良し悪しを判断しやすくなります。自身だけでなく他者とのコミュニケーションを円 滑化する意味でも有用な手法です。 【図. 直帰率・CV の散布図】
- 58. 57 このセグメント→PV・○○○・CV 率は、直帰率だけでなく色んな指標で使えますの で、回遊分析に限らず是非色々と試してみてください。バブルチャートは難しい、とい うイメージを持っている方は、○○○部をなくした散布図（バブルチャートから円の大 きさを無くしたもの）でも良いと思います。 あまり綺麗なチャートを作ることに時間をとるのはもったいないので、あくまでセグメ ント別でのよしあしを議論出来る見栄えであればそれで十分だと思います。 動線分析について 先ほどの話はページ単位での分析、つまり静的な分析です。次にページ間の動きを分析 する際のポイントについて触れたいと思います。これも通常のアクセス解析ソフトが標 準機能で搭載しています。 さて、例えば、あなたがある高級時計の Web サイトの分析担当になったとします。 まずは訪問者の動線を調べたいと思い、 製品全体→製品詳細ページ→カートに入れる→決済→完了、 と設定を施したとします。
- 60. 59 顧客の醸成（ロイヤリティ）について 今回は、一度企業に接点を持ってなにがしかのプロファイルを提供して CV（購買、資料 請求等）に至ったユーザと、どう向きあうのかについて触れたいと思います。 CRM（Customer Relationship Management）という言葉はなじみのある方が多いと思 います。顧客の関係性をマネジメントしていくことで、生涯価値の最大化を目指すコン セプトです。 ここではまさに CRM がテーマです。昔からある有名な法則として、新規顧客に販売す るコストは、既存顧客に販売するコストの 5 倍かかるというものがあります。 勿論業態によってその実状は異なると思いますが、今の日本市場のように全体として競 争はますます激化し、同時に人口が減少している現状を見ると、昔以上に既存顧客を大 事にしていく必要があるでしょう。 また、今までも幾度か触れたとおり、今は消費者間での評判・口コミの影響力が強くな っているため、ファン層を築くことでそれが集客の仕掛けとなる好循環も期待できま す。 Web における顧客スコアリング方法 今までの Web 分析と異なるのは、匿名での行動ログだけでなく属性情報、場合によって はその顧客へ E メール・DM 等で発信することも出来るということです。 従って、それまでは集客・サイト改善が主目的だったのに対し、例えば下記のような顧 客への対応策を踏まえた分析が求められます。 ・顧客が離反していかないようにするには？ ・リピート購入してもらうには？ ・優良顧客に育成していくには？ もう少し、上記の表現を分析的に言い換えると、下記のとおりです。 (1). 離反していく要因は何か？ (2). どんな顧客がリピーターになっているか？ (3). 顧客をどう評価しているか？ 早速各テーマに絞ってみてみましょう。 （１）離反防止について 離反防止要因を探るには、アンケートという昔ながらの手法もありますが、直接インタ
- 61. 60 ビューして色々と伺うのも手だと思います。 特に、インターネット経由でのアンケートは手軽に出来るようになった分、その真意が なかなか伝わりにくいというデメリットもありますので、離反要因を探るには直接会う ことも有効です。 そこから離反原因をいくつかグループ化して優先順位をして改善施策に結び付けていく わけですが、そこではかならず効果検証を１つのプロジェクトとして明確にゴール設定 をしましょう。 離反防止は、通販や携帯ビジネスなどで昔から活発に行われてきました。ただ、Web サ ービスでは、他社に乗り換えるスイッチングコストが圧倒的に低くビジネスのサイクル 早いことから、なかなかきちんとした離反防止（リテンションとよく呼称されます）プ ログラムを打てていないところが多いです。 もし Web チャネルが顧客との唯一の接点であるならば、事前にルール化しておき、一定 期間訪問がなければ E メールでサイト誘導を促すキャンペーンを展開するなども一案で す。ただ、このあたりは既存顧客をどれほどセグメント対応すべきかにも関連するので 顧客との対話は慎重に行うべきです。 （２）再訪顧客分析について 次に再訪顧客についてですが、これがいわゆる顧客分析のスタンダードな領域です。一 般的にデータが収集可能な分析切り口で挙げると、 ・デモグラフィ（人口統計学的属性） ・購買履歴 ・行動履歴 などありますが、下図のとおりそれぞれ良し悪しがあります。 【図. 代表的な顧客セグメント】
- 62. 61 上記のどの要素を重視して分析するのかは商材・事業構造に依存するので一概には言え ませんが、以前より消費者嗜好が多様化していることから、デモグラフィックよりは購 買履歴や行動履歴を重視する傾向にあります。 その中でも Web サイトではなかなかまだ定着できていないのが、昔からある RFM 分析 という考え方です。以下簡単な定義です。 ・Recency （最近いつ訪問したか？） ・Frequency（どれくらいの頻度で訪問しているか？） ・Monetary（過去どれくらい購買してくれたか？） 上述した通販・携帯、またはカード会社などは以前より取り組まれていますが、これら ３つの軸をスコア化して顧客を優良・通常・離反予備軍、といったように区分化し、 個々の対応プログラム（ロイヤリティプログラム）を実行していきます。 その際の、RFM を活用した顧客セグメントを評価するチャート例を載せておきます。 【図.RFM によるバブルチャート】
- 63. 62 以前は RFM に関わるデータを収集するコストがかかっていましたが、今では比較的にハードル が下がっているので、既存顧客の収益化を課題としている Web サイトはぜひトライしてみてくださ い。 どの要素をどうスコア化して、そして何よりそのスコアを元にどう対応していくのか、というシナリオ 設計が最大のハードルですが、残念ながらこれには最善策は存在しません。地道に仮説検証を 繰り返していきながら効果を見定めていくことです。 いずれにしても、多くの Web サイトでなかなかここまで分析出来ていないというのが 少々勿体ない気がします。 （３）顧客の評価方法について 顧客分析とは結局、顧客をどのように評価して対応していくのかに尽きます。基本的に は CRM の考え方にのっとり、いい意味でお客様を差別化し、各層への対応方法を整理 しておくことに他なりません。 今までの話も総括して、まずは顧客をどのように整理するのかを図でまとめることは重 要です。そうしないといつまでたってもマス的なアプローチ、もしくは属人的・惰性的 な判断に任せてしまうことになります。 その分析方法が分からないという方のために、ベンダーによっては顧客分析ソフトでテ ンプレートを用意しています。まずは模倣からでもかまいませんので、大事なのはまず 小さくてもいいのではじめの一歩を歩むことです。是非チャレンジしてみてください。 【図. 顧客分析テンプレート（RFM）】
- 64. 63 分析プロセスについて 今まで、Web 分析の基本的な考え方をご紹介してきましたが、最後に分析の手順につい て触れます。 もし始めて読者の皆様が Web アナリストとして任命されて、アクセスログ分析を行う場 合を想定します。（既存で既にサイトはあるとします） まずやってはいけないことは、考えなしにデータと格闘しようとすることです。 そうではなく、まずはこのサイトの目的と現状の指標（よしあしはともかく）とそれら に責任を持つ方々の理解に努めることです。 特に初めは取り扱っている商材もわからないことも多いので、各指標に関係する担当者 へのインタビューを実施して、商材をどのように売っているのか、Web サイト以外も含 めて、まずビジネスの仕組みを理解しようとすることです。 これは単に自身の理解だけではなく、今後必ず協調すべき時期が出てくるので、関係作 りという意味合いもあります。 その現状理解、そして各指標の見直しが仮に終わったとして、次に指標をどのような順 でみていけばよいか？について触れますが、一般的には下記で行うことをお勧めしま す。 1. 主要 KPI（PV、UU（Unique User）、直帰率、CV、顧客獲得数 等）の時系列推移 2. サイト流入内訳の傾向を把握→（広告・検索・SNS・直 URL 等） 3. 主要ページ（入口・出口（コンバージョン）・Landing 等）の分析