1. 状況・ギャップを発見する分析
2. 改善案に昇華させる分析
3. 効果を試算する分析

さて、今回は「ツールの改善」という視点で「状況・ギャップを発見する分析」「改善案に昇華させる分析」を中心にブレイクダウンした例に触れていきたいと思います。

ちなみに「ツール」とはサイトの目的を達成するために用意されている機能的なものを指しています。コマースサイトであればカート機能や商品の比較、３Dビューといったものなどがそれにあたります。

状況・ギャップを発見する分析

状況・ギャップを発見する分析では、まずは大きく２つのポイントで確認をします。ツールの場合は「利用率」と「コンバージョンへの貢献」です。

利用率とは、サイト利用者のうちどの程度利用しているかです。当然のことながら良いツールであっても使われなければ意味がありません。ので、状況把握としてまずシェア率を確認します。

ちなみにサイト内にいくつかのツールがある場合は、それぞれの利用率を比較してみると、どの程度そのツールにポテンシャルがあるかどうか目星をつけやすくなります。

そしてもう１つのコンバージョン率の貢献ですね。当たり前のことながらコンバージョンに紐づいていないツールは無駄ツールの可能性があります。場合によってそれにより、コンバージョンを失っているかもしれません。

どの程度の人が利用しているかと同時に、どの程度の人がツールを利用してコンバージョンをしているかも出していきます。これも利用率同様にツールが複数ある場合は比較をすると良いと思います。

この２つの分析によりおおよその方向性を見つけ出します。コンバージョン率が高く、利用率が低い場合、利用を増やす方向での検討を行うわけです。

逆にコンバージョン率がそれほど高くなく、利用率が高い場合は、そのツール自体のニーズはあるため、ツール自体の改善をする方向で検討を行うわけです。

改善案に昇華させる分析

実際に、ステップ１で方向性が見えたらより具体的な改善案に落としこんでいくわけです。ツールの場合は先程あげた通り、利用を増やすか（動線の改善）、パフォーマンスを上げるかが方向性になってきます。

そのため、ツールの利用状況を把握することで見えてきた方向性に対して、より深い分析を行なっていくことになります。動線の改善を行うのであれば、流入元（利用元）としてどこが多いのかといった部分にフォーカスをすると良いと思います。

この分析を行う際に頭の中では「どのようなタイミングで、誰が（どのようなステータスの人が）このツールを使っているのか？」という部分を忘れないようにすることです。これを考えていることで、より具体的な仮説が組み立てやすくなってきます。

最も流入が多い箇所を確認し、そのページやセクションへのトラフィックのうち、何％ぐらいのが遷移しているかを確認します。この割合を確認することで、どのくらい改善出来そうかなどの判断もつけやすくなります。

そして流入が多いセクションの内容も考え、どのようなタイミングで利用されているかを考えて仮説を組み立てと分析を繰り返していきます。

最初のうちは「もうこれ以上はどちらか判断がつかない」というところまで行なってみると良いと思います。そうするとそのうちどこまでの仮説で改善施策として組み立てるかが見えてきやすくなります。

最終的にはテストを行うことで検証するのが良いでしょう。確証があるものに対してもテストを実施することをお勧めします。そうすることで改善の結果の数字をきちんと残せるためです。

まとめ

先日行った３つのステップをより具体的なツールの分析として落とし込んでみました。分析や改善の目的をあらかじめ設定することで、おおよそこのような感じで分析から改善施策まで落とし込んでいくことが可能になります。フレームワークの１つとしてぜひ活用して頂ければと思います。

今回はその視点の「課題分析」「深堀り分析」の２つの部分によりフォーカスして、分析を通してサイトの改善につなげる際のポイントとして整理をしてみました。

０：目的設定

今回は大きく３つのステップに分けてみることで整理をしました。そしてこれらのステップを行うに前にまず「目的」を設定し、それらに対して行なっていきます。この目的はある程度具体化さらたものが望ましいでしょう。

例えば「サイトの回遊性を高めたい」でも分析を開始することは可能ですが、目的が大きすぎ、少し分析の方向性がぶれてしまう可能性があります。これに対して「サイトの回遊性向上のために、フリーワード検索の利用向上をしたい」であればより分析の目的を明確にすることができます。

1. 状況・ギャップを発見する分析
2. 改善案に昇華させる分析
3. 効果を試算する分析

１：状況・ギャップを発見する分析

このフェーズでは目的で設定した箇所の状況の把握とギャップの発見を行なっていきます。状況の把握では、分析対象がどの程度なのかを知ります。

先ほどのフリーワード検索であれば、フリーワード検索の利用状況やその検索内容などを知ることが状況の把握となります。ギャップについては以前に記述した「最適化のために重要なたった1つのこと」で触れているギャップの発見です。

これが結構難しい部分なのですが、何かと比較をして仮説につながる大きな違いを見つけることです。ページとページ、セクションとセクション、サイトとサイト、セグメントとセグメントなど色々な切り口があります。

先ほどのフリーワード検索の場合であれば、商品の詳細ページを見つけるための他の手段、メニュー、特集といった箇所と比較をしてパフォーマンスなどを比較するのが１つの手段になると思います。また、検索されたワードを比較することで見えてくる部分があると思います。

２：改善案に昇華させる分析

次のステップとして改善案を作っていくための分析を行なっていきます。ここが一番の肝になる部分です。前のステップで分析した部分から仮説を導きだしていくわけです。

改めて目的として設定している部分に対して、そのままその戦略を実施すべきなのか、そうではない判断をすべきなのかも含めてここで整理をします。

例えば前述のサイト内検索であれば、サイト内検索をより利用してもらうべきなのか、サイト内検索のパフォーマンスをアップすべきなのか、サイト内検索は縮小方向にするのかも検討しながら分析を行なっていくわけです。

分析の結果、サイト内検索のコンバージョンへの貢献は高いものの、それほど利用されていない（当初の目的通り）のであれば、利用する動線を強化する方法を検討するための分析を行います。

サイト内のどこから利用されることが多いのか、どのようなシチュエーションの時に利用されることが多いのか、そういったものを想像しながら分析をしていくわけです。ここで必要に応じてユーザーインタビューや外部評価などを使っても良いと思います。

分析から得られるもののほとんどは「解決策」ではありません。課題点とその改善案のための糸口となる情報です。そのためStep1、Step２といった分析を通して、どのように改善するかを頭に描いていくわけです。

改善仮説を考えるために有効な考えは「どこから来て」「何をして」「どこに行くのか（行ったのか）」を考えながら分析を進めていくことです。そして、その中で「パフォーマンス」なのか「動線（トラフィック）」のどちらが課題なのかを検討していくわけです。

３：効果を試算する分析

ステップ２で組み立てた改善案に対してこれは実際に実施をするかどうかを判断する１つの方法として効果を試算する方法があります。ただ、これは必ず必要なステップというわけではなく、場合によって行うステップです。

効果の試算はあくまで実施するかどうかの目処を決定するための補助です。そのため取得出来るデータに基づきデータの試算をします。体よく言えば「フェルミ推定」個人的には前職の上司の言葉を借りて「緻密などんぶり勘定」です。

つまり、知り得る数字のみを利用しながら期待値を計算していくわけです。これらを計算するにあたっては先ほどのパフォーマンスの改善なのか、トラフィックの改善に分けると考えやすくなります。

パフォーマンスの改善の場合は

（現状のトラフィック数×改善したCVR）ー現状のCV数＝改善期待値

として導きだすことが可能です。

トラフィックの改善の場合は

（改善したトラフィック数ー現状のトラフィック数）×CVR＝改善期待値

といった感じで導き出します。

実際にはこれをベースにして分析によって抽出できるデータを利用しながら細かく組み立てを行います。例えばトラフィック改善での計算の場合、「改善したトラフィック数」を導き出すためには、さらにその元となるデータを辿ります。

改善施策として、既にある入口を何かしらの方法で誘導を増やす場合、遷移元のターゲットとなるページからの流入数を確認します。これが流入元のトラフィックに対してどの程度改善できそうかを計算し、結果として「改善したトラフィック数」を算出するわけです。

まぁ、色々とゴニョゴニョする方法があるのですがそれはまた別で記載したいと思います。

まとめ

効果の試算については、あくまで参考でしかないのであくまで１判断材料としてみて頂くのが良いです。例えばトラフィック数が増えれば、そこのCVRは少し下がったりする場合もあります。ただ、それを考慮し続けると果てしない旅の始まりになってしまいますので、ある程度の割り切りの中で作っておく必要があります。

かなり長い文章になりましたが、基本的にこれらのステップと分析の目的とを組み合わせていくことで、分析アプローチの整理が出来るんじゃないかなぁと思ってます。

以前にCMで選択肢が多いために選択をしない決定回避の法則なども紹介されていることがありましたが、選択肢をどう考え、どう見せていくかはWebサイトにとって重要です。

最近、TEDのビデオを見るのにハマっているのですが、ご紹介するビデオでは行動経済学者ダン・アリエリーが消費者の意思決定の錯覚について触れています。

ダン・アリエリー：我々は本当に自分で決めているのか？ | Video on TED.com

あえて選択ができるようにするための選択肢などの例は非常に面白いですね。そして個人的にぐっときた言葉がありました。

（これらのアンケートの）多くの決断は自分ではしてないこと、それは、あの記入用紙をデザインした人の手の中にあるのです

いかに選択肢を選択しやすいようにつくるか。こういった事を考えていくこともサイト最適化のアプローチの１つなんだと思います。

最適化のための改善アプローチとは複雑に考えようと思えば、いくらでも考えられてしまったりもするのです。しかし、それではアクションがしにくくなってしまいます。そこでアプローチを出来るだけ単純に出来るよう＜大きく２つ＞に分けてみました。

２つに分けたステップ

単純化したアプローチのステップは大きく２つに分けて考えるのが良いかなぁと思っています。１つ目のステップは、サイト全体の改善をすること。次のステップが、＋αの最適化をすることです。

図は概念図みたいなものですが、これらのステップはあくまでアプローチを単純に考えるためのものなので、厳密に分かれている必要はないと思っています。いきなり詳細にフォーカスした改善にならないための考えのクサビみたいなものです。

Step１：サイト全体の改善

最適化アプローチの中で、まずはサイト全体の改善を行っていくことが良いと思っています。サイト訪問者の誰であっても改善にあたる部分にフォーカスするわけです。

このステップでは、セグメントといった細かいことはあまり考えないようにします。これが重要です。セグメントを考え始めると途端に＜どう直すのか？＞が難しくなるので、あくまで全体的に直すアプローチをとるわけです。

実際にいくつかリストアップすると下記のような部分がポイントとなってきます。

• 効果のあがっていない悪い広告の見直し（流入）
• 主動線の漏れの低減（離脱）
• チェックアウトプロセスでの漏れの低減（離脱）

Step２：さらに良くする

全体の最適化が見えてきたら次のステップです。さらに良くすると考えた場合は、自ずとセグメント別に最適化していくことになってきます。

セグメントの分類については書き始めるとそれはそれで深くなってしまうので、まずは 第３回解析しないと！やりました。 を見ていただくのがオススメです！

…と細かい部分はさておき、セグメント別に最適化を行っていくための基本は下記になってきます。

• 関係性の高い情報を伝える
• 関係のない情報・UIは見せない

有効なセグメントを見つけ出し、こういったポイントで最適化を組み立てていくことにより、全体的によくなったサイトを、さらにチューニングしていく形になってくるわけです。

まとめ

分かりやすいようにステップを分けしてみたのですが、もしかしたら自分だけが分かりやすい可能性もあります。まぁ、そのあたりは粗びきブログなので…

実際に最適化のアプローチを行っていく場合はStep１の中でもセグメント考慮する必要も出てくる場合もあります。最初にも触れたとおり、このステップはあくまで全体のアプローチの概念なわけですよ。

なので、あまり厳密に考えずに、考え方を整理するためのフレームワークとしてお使いくださいませ。

最近のWeb解析の話は、比較的この最初にある「問題点の発見」にフォーカスがされているものの、実際にそのあとの改善アプローチは語られていないことがほとんどだったり。

ということで、非常にざっくりではあるものの、問題点を発見したあとにどんな改善アプローチがあるのかというのをざっくりと図でまとめてみました。

専門家が見ると「このマッピングどうなのよ？」的なところもあるだろうなぁと感じつつも、Ver0.1として作ってしまって、必要であればツッコミをいただこうというアプローチにしてみました。

ただ、改善アイデアを作っていくうえでの、きっかけ的要素は思いつく限りで盛り込んでいったものになります。あとはそれぞれ細かくブレイクダウンしていく感じですかね。

この前段部分も、頭の中にぼや〜っと図があるので、もう少し明確化したら図におこします。また、この図のきっかけをくださいった、T氏、Y氏、K氏、S氏に感謝します。

これ自体はなんの間違いもなく、むしろ、そうすべきことなわけで、「そのページからどのくらいのコンバージョンが生まれたのか？」「コンバージョン率が低いページはどこか？」などを確認しながら最適化をしていくわけです。

コンバージョンに寄与できないページ

しかし、注意しておきたいのは、必ずしもその部分では評価できないコンテンツもあるということです。

直接的なコンバージョンには結びつかないコンテンツで、サイトへのEngagementを高める効果を狙ったものや純粋に説明コンテンツであったりがそこに分類できるかなと考えています。

現状では、こういったコンテンツをアクセス解析で評価する方法はあまりありません。これは、これらの間接コンテンツは1回の訪問で評価できるものではなく、訪問者を軸に複数の訪問した際のコンテンツを分析をしないと難しいためです。

そしてこういった分析については、現状の計測されているような指標では難しく、ベンダーが対応しない限りおそらく難しいのではないかと。

まとめ

アクセス解析ツールのみを利用してコンテンツの評価ですべてを行ってしまうと、ほとんどの場合において、このような間接的コンテンツは評価が難しい、効果のないコンテンツに見えてしまうわけです。

これを簡単にコンバージョンを生んでいないからという理由で切ってしまうと、効率だけを考えた余白のない、サイト自体がものすごく寂しいものになってしまう可能性があるんですよね。

コンバージョン率などを確認しながら、コンテンツを最適化していくことはものすごく重要ですが、その中で評価されないコンテンツがあるということを認識するのと、より味のあるサイトになっていくもしれませんよ。というお話。

ただ、やっぱりサイトとして機能し、目標を達成するには100%に近づけていく努力は必要なわけです。

それを行うためにはテストを行うのが一番なわけです。

ランダムテストが簡単な Web

Web の場合は、来訪者ごとにページを出し分けることが出来ます。リアルの広告や店頭レイアウトに比べて、無作為のランダムテストが非常に行いやすいのが Web のメリットの１つです。

テストを行う場合の大事な条件として、テストで比較する項目以外の要素を出来るだけ同じものとするということがあります。

訪問者の属性も同じです。 A と B を比較するときに、訪問者の属性は出来るだけ同じ条件にしておく必要があります。

この際、非常に有効なのが、無作為摘出によるテストグループの作成です。これはつまり、ランダムでページを振り分ければいいということなんですよね。

つまり、 Web が非常に簡単に出来るわけです。

一番簡単な A / B テスト

テストを行うのに一番簡単なのは、 A / B テストです。要は訪問者に対して、AかBかのどちらかを見せて、その反応率の差を見るというやつですね。

ランダムに出して、その反応率の差を見るのであれば、難しい統計解析などを行う必要もありません。つまり、結果の判定も簡単なんです。

時間をずらす方法

この A / B テストを行うにあたって、最も行いやすいのは、ページを２つ用意して時間をずらして行う方法です。

例えば、5月の第1週は A.html を見せて、第2週は B.html を見せて比較をする方法ですね。これはページを入れ替えるだけなので、非常に簡単に出来ます。

但し、この場合は比較する項目以外の変動要素が非常に大きくなります。第1週の終わりに、ソーシャルブックマークサイトで人気にでもなってしまったら、もうそのテストは意味が無かったと割り切る必要があるでしょう。

また、上記例では1週間としていますがテストを切り替える期間も気を配る必要があります。曜日変動が大きいサイトの場合は、そういった曜日変動を無くすためにも、1週間単位で行うなどの工夫が必要です。

ランダムで表示分けをする方法

テストを行う際は、その場でランダムに表示できることが一番望ましいです。出すクリエイティブをランダムで変えることで、それを比較するわけです。

JavaScript をお手製で行うことも出来ないことは無いですが、インプレッションを取得するのが難しかったりします（全く不可能では無いと思います）。

最近では LPO ツールという名前でこの辺りのテストがしやすくなっているものもありますので、そういったものを活用しても良いかもしれません。

多変量解析テスト

テストの方法として A / B テストが最も分かりやすい方法ですが、多変量解析を利用したテストの方法もあります。

海外では MVT （ Multi-Variate Testing ） と呼ばれ、 LPO ツールではほぼ確実に実装されている機能です。

通常、ページ内の複数の箇所をそれぞれ複数パターンでテストをしてみたいと思った場合、ページの箇所×パターン数分のテストケースを考えなくてはいけなくなります。

しかし、数が多くなればなるほどページを実際に作って行うのは不可能です。そこで、上記のパターンよりも少ない組み合わせでどれが有効かを判定をしようという方法がこの MVT になります。

これは手でやると大変なので、実際にはツールを使った方法でのテストになると思います。

何を比較する？

最終的に比較をしたものを何かしら良い悪いを判断をしなければなりません。この判断する項目はテストの対象によっても変わってきます。

ページの場合

ページの場合は、そのクリエイティブを比較するというよりも、そのページの目的自体をテストするという捕らえ方の方が良いかもしれません。

こういった場合は、ページからのコンバージョン率や離脱率（ランディングページなら直帰率）などがその対象になると思います。

訴求クリエイティブの場合

ページ内の訴求クリエイティブなどのパーツの場合は、ページの目的は同じものの、どちらがその先に進みやすいかということが目的となります。

使っている写真やイラスト、文言などを変更しながらのテストになると思います。この場合はCTRを見ていくのが最も良いと思います。

合わせてコンバージョン率を見ておくのも良いと思います。

UI 変更の場合

コンバージョンフローなどのボタンなどの位置や文言を変更してテストを行う場合もあります。これはユーザビリティの向上が目的ですね。

こういった場合は、そのページからの離脱率とCTRを合わせて見てみると良いと思います。

テストによっては入力画面を分割したり一部を移動したりすることもあると思います。こういった場合は、追加した場所ではなく、移動元に変化がある場合もあるので、一緒に確認をすると良いと思います。

まとめ

UI やクリエイティブのテストであれば全く問題はありませんが、特典を一部の人に提供をしたり、価格を別のものを提供するなどのテストは後で問題が起きやすくなります。

テストを行う際は、こういった問題が起こりそうな内容の場合は避けるか、最終的には提供されなかった側の方にも提供するようにするなど工夫が必要です。

とはいえテストはサイトを最適化していく上で非常に良い方法だと思ってます。

操作している人の気持ちを知りたいのであれば、聞いてみるのが早いのと同じで、良いものを選択していくのもテストを行っていくのが近道だと思うんですよね。

いくつかのカテゴリに分かれているサイトであれば、それで行うことも良いかと思います。もしくは、第1階層のディレクトリなどで分類するのも良いかと思います。

入口率

このカテゴリごとに分類をした場合に、Web解析ソリューションによってはカテゴリごとの入口数などを知ることが出来るツールがあります。

この入口数をカテゴリの訪問数で割ることで、そのカテゴリに来ている人が外部から直接来訪しているのか、内部のフローで遷移してきているかを知ることが出来ます。

これだけで参考にすることは難しいかもしれませんが、入口率があまり高くなく、訪問数が高い場合は、人気カテゴリであるものの、外部からの引きが弱い可能性が高いということになります。

内部フロー

うまく設計してあるソリューションであればカテゴリごとのフローを見ることができるようになるものもあります。

こういったことを見ることで、どういったカテゴリを見たあとに、どのカテゴリに進んで、その後…という流れを見ることが出来るようになります。

こういったものもうまく利用すれば、全体のナビゲーションの設計に反映させていくことが出来るようになります。

また、どのページが人気かを知ることも大事ですが、人気のカテゴリを知ることでさらなるコンテンツ戦略を行うことが出来るようになると思います。

まとめ

細かく見ていくことで色々なことがわかります。ただ、細かく見すぎることで、部分最適化はされるものの、全体最適化には程遠いものになってしまうこともあります。

ある程度大きい規模のサイトの場合は、このようにサイトをいくつかに分けてみることで、全体の流れを把握し、サイトの構造や戦略の方向性を見つけやすくなるかもしれません。

広告費ばかりかけて流入ばかりを増やすよりも、サイト内を最適化することで効率よくコンバージョンに導いていく方が、より良いサイトになると考えています。

そこで、今回はWeb解析ツールを使いながらサイトの悪い部分を見つけ、サイトを最適化へと導く方法について書いてみました。

是非、読んでみてください。

また、感想や要望を頂ければ次回以降に出来るだけ反映していきたいと思いますので、よろしくお願いします。

WEB解析というと数字で結果だけを評価しがちですが、今回はWEB解析ツールで得られた数字を基に目標値をたて、どうアプローチをしていくかを考えるためのフレームワークを「緻密などんぶり勘定」として紹介させて頂きました。

是非、読んでみてください。

また、感想や要望を頂ければ次回以降に出来るだけ反映していきたいと思いますので、よろしくお願いします。