マーケファネルの分析に生成AIを活かす方法｜離脱の原因を特定する

「施策は動いているのに、どこが詰まっているのか分からない」「成果が伸びない理由を、社内に説明できない」——数字の報告はできても、原因の説明で止まる会社に共通する状態です。原因が見えないのは、指標の数が足りないからではありません。本当は、見込み客の進み方を段に分けず、合計の数字だけで見ていることが効いています。この記事では、段の切り方、離脱を読み解く順番、生成AIに任せる範囲までを順に整理します。

マーケファネルとは

マーケファネルとは、見込み客が商品やサービスを知ってから購入・契約に至るまでの流れを、段階に分けて漏斗（ファネル）の形で捉える考え方です。上から順に、認知、興味・関心、検討、行動と進み、下の段階に行くほど人数は絞られていきます。この形が漏斗に似ているため、ファネルと呼ばれます。

ファネルで考える利点は、どの段階に問題があるかを切り分けられることです。「成果が出ない」と漠然と悩むのではなく、認知は取れているのに検討に進まないのか、そもそも認知が足りないのかを見分けられます。問題の在りかが分かれば、打つべき手も定まります。全体をひとまとめに見るのではなく、段階ごとに見るのがファネル分析の基本です。

なぜ段階に分けて見るのか

多くの現場では、訪問数や受注数といった入り口と出口の数字だけを追いがちです。しかしそれだけでは、途中で何が起きているかが見えません。入り口の数を増やしても出口が伸びないとき、途中のどこかに詰まりがあるのに、全体の数字を眺めているだけでは原因にたどり着けないのです。

段階に分けて見ると、問題の在りかを一段ずつ絞り込めるようになります。認知は足りているか、興味は持たれているか、検討に進んでいるか——順に確かめることで、闇雲な施策を避けられます。限られた予算と時間を、最も効く一点に集中させるために、段階で見る視点が欠かせません。

各段階で見る指標

ファネルの各段階には、見るべき指標があります。段階ごとに適切な指標を追うことで、どこが順調でどこが詰まっているかが数字で見えてきます。次の表のように、段階と指標を対応させて整理すると、何を測ればよいかがはっきりします。

段階	見る指標の例	分かること
認知	訪問数・表示回数・到達数	どれだけ知られているか
興味・関心	滞在時間・回遊・再訪	関心を持たれているか
検討	資料DL・問い合わせ・見積	比較検討に入ったか
行動	商談化・受注・契約	成果につながったか

大切なのは、段階ごとの人数だけでなく、段階から段階への移行率を見ることです。認知から興味へ何割が進み、興味から検討へ何割が進むか。この移行率を見ると、どの段階間で大きく人が減っているかが分かります。

どこで離脱しているかを特定する

ファネル分析の核心は、離脱の大きい段階を特定することです。各段階の人数と移行率を並べると、どこで急に人数が落ちているかが見えます。その落ち込みが大きいところが、最も改善のインパクトが出やすい箇所です。

たとえば、認知は十分あるのに興味の段階でごっそり減っているなら、最初の接点で魅力が伝わっていない可能性があります。検討まで来るのに行動に至らないなら、最後の一押しや不安の解消が足りないのかもしれません。どこで人が離れるかによって、原因の見当がつくのです。数字を段階順に並べて、落ち込みの大きい箇所から疑う。これが離脱特定の基本の見方です。

注意したいのは、離脱の大きい段階が必ずしも最優先とは限らない点です。人数の絶対数が大きい段階の少しの改善が、率の悪い段階の大改善より成果に効くこともあります。率と量の両面から改善のインパクトを見積もることが、優先順位を誤らないコツです。どこを直せば最も成果が伸びるかを、数字をもとに冷静に判断します。感覚で決めず、影響の大きさで手を打つ順番を決めることが大切です。

ボトルネックの見つけ方

離脱の大きい段階が分かったら、次はその中のボトルネック（詰まりの元）を探します。同じ段階でも、詰まりの原因はさまざまです。検討段階の離脱なら、価格への不安、比較材料の不足、意思決定者の関与不足など、複数の可能性が考えられます。

ボトルネックを見つけるには、その段階の中をさらに細かく見ます。どのページで離脱しているか、どの経路から来た人が進まないか、どの資料を見た人が止まっているか。細かく分解するほど、詰まりの正体が見えてきます。生成AIに複数の切り口のデータを渡して「どの条件の見込み客が特に進んでいないか」を整理させると、人では気づきにくいパターンが浮かび上がることがあります。

ボトルネックの正体を確かめるには、数字だけでなく実際の見込み客の声を合わせて見ると精度が上がります。営業が聞いた断りの理由や、問い合わせに寄せられた質問には、なぜ次の段階に進まなかったかのヒントが詰まっています。定量的なデータで詰まりの場所を特定し、定性的な声でその理由を裏づける。この両面から迫ることで、的外れな打ち手を避けられます。

AIにデータの読み解きを任せる

ファネル分析では、複数の段階の数字や、さまざまな切り口のデータを突き合わせる必要があり、手作業では骨が折れます。ここで生成AIが力を発揮します。各段階のデータを渡して、傾向の読み解きと問題箇所の指摘を頼めば、分析の下ごしらえが一気に進みます。

具体的には、移行率の中で特に低い箇所の指摘、段階ごとの数字の変化の傾向、注目すべきパターンの洗い出しなどを任せられます。次のようなプロンプトが土台になります。数字を眺めるだけでは見落としがちな示唆を、AIが言葉にしてくれるのが強みです。

マーケファネルのデータを分析してください。
各段階の人数と移行率：{データ}
期間：{いつからいつまで}
どの段階で離脱が大きいか、移行率が低い箇所はどこか、
その原因として考えられる仮説を整理してください。
改善の優先順位もあわせて提案してください。

ただし、AIの読み解きはあくまで仮説です。数字の背景にある事情を知っているのは人です。AIの指摘を出発点に、現場の感覚と突き合わせて判断することが大切です。

AIに打ち手のアイデアを出させる

問題の箇所が特定できたら、次は打ち手を考える段階です。ここでも生成AIが役立ちます。「この段階の離脱が大きい」という状況を伝えれば、考えられる改善策のアイデアを幅広く出してくれます。一人で考えると打ち手が偏りますが、AIは多様な角度から案を示します。

たとえば、検討段階の離脱が大きいなら、比較資料の充実、事例の追加、不安を解消するコンテンツ、フォローの強化など、複数の方向性を出してくれます。「この離脱を減らすための打ち手を、コンテンツ・導線・フォローの観点で」と頼めば、抜けの少ない選択肢が並びます。出てきた案から、自社で実行できて効果が見込めるものを人が選ぶ。この分担が、打ち手の幅と実行性を両立させます。

仮説を検証で確かめる

AIや分析から出てきた原因は、あくまで仮説にすぎません。本当にそれが離脱の理由かどうかは、打ち手を試して結果を見るまで分かりません。だから、思い込みで大きな変更をする前に、小さく試して確かめる姿勢が大切です。仮説が当たっていれば移行率が改善し、外れていれば変わりません。

検証では、変える箇所を絞ることがコツです。一度に複数を変えると、何が効いたのか分からなくなります。一つずつ試し、効果を見て次に進む。この地道な積み重ねが、確かな改善につながります。AIに「この仮説を検証するには、何をどう変えて何を測ればよいか」を相談すると、検証の設計が具体的になります。

BtoBの長い検討期間を踏まえる

BtoBのファネル分析で特に意識したいのが、検討期間の長さです。BtoBの購買は、認知してから契約まで数ヶ月から一年以上かかることも珍しくありません。しかも、複数の関係者が関わり、途中で検討が止まったり再開したりします。この特性を踏まえないと、分析を誤ります。

たとえば、ある月の認知と同じ月の受注を比べても意味がありません。今月受注した相手は、何ヶ月も前に認知した人かもしれないからです。だから、時間差を考慮して段階を追うことが欠かせません。また、長い検討期間の途中で離脱を防ぐには、継続的な情報提供が効きます。AIに「この検討期間の長さを踏まえたファネルの見方と、途中離脱を防ぐ打ち手を」と相談すると、BtoBに合った分析の視点が得られます。

ファネルを可視化する

ファネル分析は、数字の羅列を眺めるより可視化すると一気に分かりやすくなります。各段階の人数を棒の長さで示したり、移行率を並べたりすると、どこで大きく落ち込んでいるかが一目で見えます。関係者と共有するときも、図があるほうが問題意識をそろえやすくなります。

可視化のためのデータ整理や、どう見せると分かりやすいかの相談にも、AIが使えます。「このファネルデータを、離脱の大きい箇所が伝わるように整理して」と頼めば、見せ方の方向が定まります。可視化は、分析結果を自分だけのものにせず、チームで共有し、意思決定につなげるための大切な一歩です。数字を図に変えることで、議論が具体的になります。

さらに、過去のファネルと並べて時系列で変化を見ると、施策の効果や季節の影響が浮かび上がります。先月と今月で移行率がどう変わったか、施策を打った前後でどの段階が改善したか。こうした比較は、単月の数字を眺めるだけでは得られない気づきをもたらします。AIに複数期間のデータを渡して変化の要因を整理させると、何が効いて何が効かなかったかの手がかりが得られます。

改善サイクルを回す

ファネル分析は、一度やって終わりではありません。分析し、打ち手を実行し、効果を測り、また分析するというサイクルを回すことで、成果が積み上がっていきます。一つのボトルネックを解消すると、次に別の段階が詰まりとして見えてくることもあります。継続的に見直すことが大切です。

このサイクルは、次のような流れで進めると回しやすくなります。まずデータを集めて離脱の大きい段階を特定し、原因の仮説を立て、打ち手を実行し、一定期間後に効果を測る、という順です。

一度に全部を直そうとせず、インパクトの大きい箇所から一つずつ手を打つ。このサイクルを繰り返すことで、ファネル全体が少しずつ改善していきます。

ファネル分析でやりがちな失敗

マーケファネルの分析で、つまずきやすい典型的なパターンを押さえておきましょう。

• 全体の数字だけを見る：段階ごとに分けないと、どこに問題があるか分からない
• 時間差を無視する：BtoBの長い検討期間を考えず、同時期の認知と受注を比べて誤る
• 移行率を見ない：各段階の人数だけ見て、段階間の落ち込みを見落とす
• 分析だけで終わる：打ち手の実行と効果測定をせず、改善サイクルが回らない

段の定義は営業と先にそろえる

段の切り方を決めても、それぞれの段に入る条件を誰がどう判定するかがそろっていなければ、移行率は部署ごとに別の数字になります。BtoBでは、マーケティング側が商談化の確度が高いと判断した段階をMQL、営業側が受注確度が高いと判断した段階をSQLと呼び分けるのが一般的です。判定の材料は、業種や企業規模や役職といった属性の条件と、資料請求やウェビナー参加や問い合わせといった行動の条件を組み合わせて作ります。この二つの条件を文章にして、両部門の合意として残すところから始めます。呼び名だけを持ち込んで基準を書かずにおくと、同じ言葉で別の相手を指したまま会議が進みます。属性の条件は自社の受注実績から逆算し、行動の条件は商談になった相手が直前に取った行動を数えて決めます。この合意はSLAと呼ばれ、渡す側と受け取る側の約束事として扱われます。

合意の文書に書く項目は四つに絞ると運用が続きます。一つ目はどの属性なら渡すか、二つ目はどの行動が何回あったら渡すか、三つ目は渡してから何営業日以内に着手するか、四つ目は着手されなかった相手をいつマーケティング側へ戻すかです。三つ目と四つ目が抜けている会社は多く、その場合は渡した件数だけが積み上がり、次の段へ進まない相手が滞留します。数字の上では検討から行動への移行率が下がって見えますが、原因は見込み客の側ではなく、受け渡しの約束が無いことにあります。三つ目の営業日数は、長く取れば守られますが相手の熱は冷めます。まずは三営業日のように短く置き、守れない月が続いたら人員と基準のどちらを直すかを定例の議題にします。戻す条件まで決めておくと、同じ相手に両部門から二重に連絡してしまう事故も減ります。

定義を変えた月の扱いも、変える前に決めておきます。判定の条件を変えると、その前後で段の件数は連続しなくなります。四半期の途中で条件を足すと、増えたのが実態なのか定義なのか、後から見分けられません。変更するなら期の区切りに合わせ、変更した日付と変えた条件を台帳に残し、グラフには注記を入れます。変更履歴の無い数字は、前年の同じ月と比べられません。踏み込むなら、切り替えの前後で新旧の基準を一か月だけ並走させ、件数がどれだけ動くかを測っておきます。差の大きさを先に握っていれば、後から数字が動いた理由を説明できます。台帳は表計算の一枚で足り、日付、変えた条件、変えた理由、決めた人の四列があれば、翌年の担当者が読み返せます。

ここをそろえないまま数字を読むと、離脱の場所を読み違えます。営業が案件の進み具合を自分の手元で管理していると、記録の上では検討段階で止まったままになり、行動への移行率が実態よりも低く出ます。逆に、判定の条件がゆるい部門は上の段の件数が膨らみ、そこからの落ち込みが大きく見えます。つまり離脱に見えている山の一部は、見込み客の行動ではなく記録の作法から生まれています。確かめ方は単純で、営業の数名に直近の案件を五件ほど挙げてもらい、システム上でその相手がどの段にいるかを突き合わせます。ずれが半分を超えるようなら、分析の精度を上げる前に入力の運用を直す段階です。段の定義と記録する場所をそろえてから、初めて移行率の比較に意味が出ます。

段をまたいで同じ相手を追えるようにする

移行率は、同じ相手が次の段へ進んだかを追えて初めて出せる数字です。ところが実務では、段ごとに記録される場所が違います。上の段はアクセス解析、その下はフォームの送信記録、さらに下はMAやCRMというように分かれているのが普通です。そこで最初に決めるのが、段をまたいで突き合わせるための鍵です。会社のドメインと連絡先のメールアドレス、あるいは案件の番号のどれを正とするかを一つ選び、各システムでその項目を必ず埋める運用にします。鍵を決めたら、入力画面でその項目を必須にするか、空欄では保存できない設定にまで踏み込みます。運用のお願いだけでは埋まりません。鍵が決まっていない状態で集計すると、段ごとの人数は出ても、あいだの移行率だけが出せません。

記録の寿命が違う点も見落とせません。GA4のイベントデータの保持期間は、既定では2か月で、管理のデータ収集と修正にあるデータ保持から14か月へ変更できます。標準の環境ではこの14か月が上限です。前年の同じ月と比べたいなら、分析を始める前に変更しておきます。設定を変えても過去にさかのぼって復活はしないので、気づいた時点ですぐ直します。この画面には、新しいアクセスがあるたびに期限を延ばすかどうかの選択もあり、切り替えると同じ14か月でも残る範囲が変わります。あわせて、月初に段ごとの件数をCSVへ書き出して保管しておくと、保持期間を過ぎた後も比較の土台が残ります。書き出す列は、段の名前、件数、集計した期間、集計した日の四つで足ります。

計測が壊れる条件も先に洗い出しておきます。フォームの項目を増やした、広告の遷移先を別のURLに変えた、同意の取り方を変えた、社名の表記が全角と半角で混ざっている。こうした変更はどれも、段のあいだの移行率だけを静かに動かします。表記のゆれは、株式会社を前に置くか後ろに置くかや、英数字の字幅の違いから起きます。突き合わせる前に、社名から法人格の表記を落とす処理を一度通しておくと、手作業の照合はかなり減ります。とくにBtoBでは検討期間が長いため、変更の影響が数字に出るのは数か月後です。変更した日をカレンダーに残し、移行率のグラフに縦線として重ねておくと、施策の効果なのか計測の断絶なのかを後から切り分けられます。

点検は月初にまとめて行うと定着します。手順は単純で、段ごとの件数を前月と並べ、鍵の埋まっていない件数を数え、前月から二倍以上か半分以下に動いた段があれば計測をまず疑います。数字の解釈に入るのはその後です。件数が急に動いた段は、施策より先に計測の変更を確認します。点検の結果は、分析の資料の冒頭に三行で書きます。鍵の欠けている件数、その月に入った計測の変更、前月から大きく動いた段の三つです。この三行があると、会議を数字の信頼度の確認から始められます。この順番を守るだけで、存在しない離脱の原因を探して時間を使う事態が減り、打ち手の議論に回せる時間が増えます。

AIに任せる作業と人が決める作業を分ける

線を引く単位は、道具ではなく工程です。任せてよいのは、段ごとの件数の集計、移行率の計算、前月との差分の一覧化、切り口を変えた並べ替え、そして読み取った内容を文章にまとめる作業です。任せないのは三つあります。段の定義を変えること、数字の動きを季節の影響だと断定すること、そして予算や人員の配分を決めることです。この三つはどれも、後から責任の所在を問われる決定だからです。手順書に書くときは、任せる側には指示文の雛形を、任せない側には誰が決めるかを役職まで添えます。役職が空欄だと、その場にいた担当者が判断してしまい、翌月には誰が決めたか分からなくなります。任せる側の一覧は増やしてよいので、四半期ごとに工程を足していきます。

次に、出力の受け入れ基準を決めます。読み解きをAIに任せるときは、指摘のひとつひとつに、どの期間のどの段の件数から言えるのかを併記させます。数字の出てこない指摘は採用しない、と先に決めておけば、もっともらしいだけの文章をそのまま社内資料へ運ぶことがなくなります。計算そのものは任せず、集計済みの表を渡すのも実務的な工夫です。桁がひとつ違っていても、文章として整っていれば人は気づきにくいためです。受け入れ基準は確認欄の形にして、報告書の下書きに貼っておくと運用されます。見るのは、期間、対象の段、件数、比較した相手の四項目がそろっているかだけです。根拠と計算元を分けて扱うと、確認の手間が大きく減ります。

人が確認する範囲も、作業を始める前に決めます。全部の指摘を人が裏取りしようとすると、月次の分析は回りません。たとえば、移行率が前月から5ポイント以上動いた段だけを人が原因まで確かめる、と決めておく。動きの小さい段は記録にとどめ、翌月に同じ方向へ動いたら確認の対象へ上げます。確認する対象を件数ではなく基準で決めておくと、忙しい月でも手順が飛びません。基準の値を決めるときは、過去半年の移行率の振れ幅を先に見て、何もしなくても起きる揺れを超える数字を選びます。通常の揺れを対象に含めると、確認の作業ばかりが増えて続きません。この線引きは四半期ごとに見直し、見逃しが続いた段があれば基準を下げます。

渡す情報の範囲にも線が要ります。段の分析では、社名や担当者名や連絡先が入った一覧をそのまま扱いがちですが、外部のサービスへ渡すのは段ごとの件数と率に落とした後の表にします。個別の相手を見分ける必要があるのは、離脱の理由を営業に聞き取る場面だけで、その作業は社内で行えます。渡す表を作る手順そのものを決め打ちにしておくと、急ぐ月に個人情報の入った一覧をそのまま貼ってしまう事故を防げます。利用している外部サービスについて、入力した内容が学習に使われない契約になっているかを情報システム部門と先に確認し、確認できた範囲と確認した日付、確認した担当者の名前を手順書に書いておきます。

よくある質問

ファネルは何段階に分けるべきですか？

基本は認知・興味・検討・行動の4段階ですが、事業に合わせて調整します。細かく分けるほど詳しく見られますが、データがそろわないと分析できません。まずは取れるデータで分けられる段階から始め、必要に応じて細かくするのが現実的です。

データが十分にない場合でも分析できますか？

取れる範囲で始められます。すべての段階の完璧なデータがなくても、分かる段階の移行率を見るだけで気づきが得られます。分析しながら、どのデータを取るべきかが見えてくるので、記録する項目を少しずつ増やしていくとよいでしょう。

AIの分析結果はそのまま信じてよいですか？

そのまま鵜呑みにはしません。AIが示すのは、データから読み取れる仮説です。数字の背景にある事情を知る人が、現場の感覚と突き合わせて判断することが大切です。AIは読み解きを助ける道具で、最終判断は人が担います。

まとめ

マーケファネルの分析に生成AIを活かす要点は、認知から行動までを段階に分け、移行率から離脱の大きい箇所を特定して打ち手につなげることです。段階ごとの指標を見てボトルネックを探し、AIでデータの読み解きと打ち手のアイデア出しを効率化する。BtoBの長い検討期間を踏まえ、可視化して共有し、改善サイクルを回す。まずは、自社のファネルを4段階に分け、各段階の人数と移行率を並べてみるところから始めてみてください。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。