マーケの相関分析でやりがちな勘違いと対策｜AIで効く施策を見抜く

「相関があれば因果がある」——データを見るとき、多くの人が無意識にこの前提を置いています。しかし米国では、マーガリンの消費量とメイン州の離婚率が2000年から2009年までほぼ同じ動きをしていた、という分析が広く知られています。マーガリンを我慢しても離婚は減りません。数字の上では強く結びついて見える二つの指標が、実際にはまったくの無関係——同じことは、マーケの月次レポートの中でも日常的に起きています。必要なのは、相関を素早く見つける力と、見つけた相関を疑う力をセットで持つことです。本記事では、生成AIで自社データから相関を探索し、誤読をふるい落とし、ABテストの検証までつなげる一連の流れをシナリオ形式で解説します。

「相関があれば因果がある」は、なぜ危険な思い込みなのか

冒頭のマーガリンの例は、米ハーバード大学の大学院生だったタイラー・ヴィゲン氏が公開したプロジェクト「Spurious Correlations（見せかけの相関）」で有名になったものです。ヴィゲン氏は公開統計から2万5,000を超える変数を集め、プログラムで総当たりに突き合わせて、「チーズの消費量と、シーツに絡まって亡くなる人の数」のような、無関係なのに強く相関して見える組み合わせを大量に発見しました。「米国政府の科学技術支出と、首つりによる自殺者数」「ドイツ車の米国販売台数と、自動車事故による自殺の件数」——並べれば笑い話ですが、どれも数字の上では立派な相関です。このプロジェクトは書籍化もされ、データリテラシー教育の題材として今も引用され続けています。この実験が突きつけるのは、組み合わせの数を増やせば、偶然の一致は必ず見つかるという統計の性質です。

マーケの現場は、まさにこの状況の縮図です。ダッシュボードに30個の指標が並んでいれば、指標ペアの組み合わせは400通りを超えます。指標が増えるほど、意味のない相関に出会う確率も自動的に上がるのです。「相関が出た＝施策が効いている」と飛びつけば、マーガリンと離婚率を結びつけるのと同じ誤りを、予算の意思決定でやってしまうことになります。しかも実務の怖さは、ヴィゲン氏の例と違って笑えないことです。「SNS投稿数と受注」の偶然の相関を信じて人員を張り付ければ、その分の機会損失は実際の損益に跳ね返ります。この記事のゴールは相関分析を否定することではなく、疑う手順ごと使いこなすことにあります。

道具の確認——散布図と相関係数

手順に入る前に、道具を2つだけ確認します。むしろ道具はこの2つで足りる、と言うほうが正確です。二つの指標の関係を目で確かめる道具が散布図です。横軸と縦軸に指標を取り、期間ごとのデータを点で打つと、右肩上がりに並べば「正の相関」、右肩下がりなら「負の相関」が見えます。関係の強さを一つの数字に要約したものが相関係数で、−1から＋1の値を取り、絶対値が大きいほど直線的な関係が強いことを示します。マーケの例なら、メール配信頻度と開封率に負の相関が見つかれば「送るほど読まれなくなっている」サインですし、ウェビナー回数と商談数に正の相関があれば深掘りの候補です。注意点として、相関係数が測れるのは直線的な関係だけです。「あるところまでは増えると効果的、超えると逆効果」のような山なりの関係は、実在しても係数上は0に近く出てしまうため、後述する散布図の目視が欠かせません。

読み方の目安としては、絶対値0.7以上でかなり強い、0.4〜0.7で中程度、0.2以下でほぼ無関係、と説明されることが多いです。ただしこれは慣例的な目安にすぎず、データの件数や質によって同じ数字の意味はまったく変わります。ノイズの多い実務データで0.9のような数字が出たら、むしろ計算間違いや「ほぼ同じものを測っている指標同士」を疑うのが健全です。次の実例が、目安を鵜呑みにできない理由を示しています。基本の型は、散布図で形を見て、係数で強さを測り、件数で信頼度を割り引く。この三点セットで数字を読みます。

相関係数0.66でも偶然——データが少ないほど数字は暴れる

ヴィゲン氏の分析で特に有名な組み合わせが、俳優ニコラス・ケイジの年間映画出演本数と、プールで溺死した人の数です。11年分のデータで相関係数は0.66前後、偶然でこの一致が起こる確率はおよそ40分の1と、統計的にも有意とされる水準だったと紹介されています。中程度〜強めの相関で、教科書的な検定もクリアしてしまう。それでも両者が無関係なのは明らかです。つまり、係数の高さも統計的有意性も、偶然の一致を完全には排除してくれません。

ここで自社のデータに引きつけたいのは、月次1年分のデータは12点しかないという事実です。11点で0.66が偶然出るなら、12点の月次データでも同じことが起こります。目安として2年分（24点）以上をそろえるか、週次データに切り替えて点数を稼ぎ、さらに期間を前後にずらして同じ傾向が残るかを確かめる。週次にすれば1年で52点を確保でき、月次では均されてしまう短期の反応も観察できます。ただし週次は祝日や営業日数の偏りというノイズも増えるので、営業日数を列に加えておくと解釈が楽になります。少ない点数で出た強い相関ほど、まず疑ってかかるのが安全な姿勢です。

全体の流れ——探索・解釈・検証の3フェーズ

本記事では、相関分析を「探索→解釈→検証」の3フェーズのシナリオとして進めます。探索は計算の反復作業なのでAIの独壇場、解釈は人とAIの共同作業、検証は実験の仕事です。全体像を先に示します。

大切なのはこの順番を崩さないことです。探索で見つけた相関をそのまま意思決定に使うのは、書類選考だけで採用を決めるようなもの。探索は候補出し、決定は検証の後と役割を分けておくと、数字の誤読による事故を構造的に防げます。

フェーズ1：データの下ごしらえ

相関分析の質は下ごしらえで決まります。二つの指標を比べるには、同じ期間・同じ粒度（週次なら週次、月次なら月次）でそろえる必要があります。欠けた月が混ざったまま計算すると、係数は出ても意味を持ちません。列の並びは「月、施策指標（更新本数・広告費・ウェビナー回数など）、成果指標（流入・リード・商談数など）」のように、手を動かせる指標と成果の指標を一枚の表に並べるのが基本形です。見落としやすいのが指標の定義変更です。アクセス解析ツールの移行や計測タグの変更があった月をまたいで相関を計算すると、施策とは無関係な「計測の段差」を関係として拾ってしまいます。定義が変わった時点はメモ列に残し、分析時にAIへ伝えられるようにしておきましょう。

この整形にもAIが使えます。ばらばらの表を渡して月次への集約や欠損・重複の確認を任せると、下ごしらえが速く進みます。ただし2つだけ人の仕事が残ります。ひとつは元データの数字が正しいかの確認。誤った数字からは誤った相関しか出ません。もうひとつは個人情報の処理です。顧客名やメールアドレスは削除するか記号に置き換えてから渡します。集計済みの月次データなら個人情報はそもそも含まれないはずなので、迷ったら集計値だけで分析を始め、粒度を細かくする際も「個人を特定できる列は渡さない」を徹底し、社内のAI利用ルールに沿った形でデータを扱うことが前提になります。

ChatGPTのデータ分析機能でできること・注意すること

探索フェーズの主力になるのが、ChatGPTのデータ分析機能（Advanced Data Analysis）に代表される、生成AIのコード実行機能です。解説記事などでは、CSVやExcel（.csv/.xlsx）をはじめ複数形式のファイルを読み込み、Pythonコードを自動生成・実行して、集計からグラフ作成、欠損値の検出までを一気通貫で行えると紹介されています。散布図やヒートマップの出力にも対応しており、相関の総当たり探索にはうってつけの環境です。同種のコード実行機能は他の主要な生成AIサービスにも広がっているため、どのツールを使う場合でも本記事の手順はほぼそのまま通用します。

一方で注意点もはっきりしています。まず、同じ指示でも実行のたびに結果や集計方法が揺れることがあるため、重要な数字は再実行して確かめます。次に、計算は必ずコード実行でやらせること。文章生成の流れで数値を「推定」させると、もっともらしい誤った数字が返るおそれがあります。また、解説記事では、長い出力が途中で切れることがあるため段階的に出させる工夫や、重複削除・欠損確認・外れ値検出といった前処理から一連で任せられることも紹介されています。仕上げに、出てきた集計値の数カ所を元データと突き合わせる抜き取り確認をすれば、速さはAI、確からしさは人が担保する分担が成立します。

探索プロンプト——相関行列と注意点をセットで出させる

準備ができたら探索です。ポイントは、計算結果だけでなく解釈上の注意点まで同時に出させること。次のプロンプトが出発点になります。

添付のCSVはBtoBマーケの月次データです（期間：24カ月）。
列：月、ブログ公開本数、検索流入、指名検索数、広告費、ウェビナー開催数、新規リード数、商談化数
次の手順で分析してください。
1. Pythonコードを実行して全指標ペアの相関係数を計算し、相関行列とヒートマップを出力する
2. 相関係数の絶対値が0.4以上のペアを、強い順に一覧表にする
3. 各ペアに、外れ値の有無・データ点数・季節性の影響など解釈上の注意点を必ず添える
4. 計算はすべてコード実行で行い、推定で数値を書かない

このプロンプトには3つの仕掛けがあります。「コード実行で計算する」と明示して暗算による誤りを防ぐこと、「注意点を必ず添える」ことでAI自身に弱点を申告させること、そして絶対値0.4というしきい値はあくまで候補出し用のふるいだと理解しておくことです。ここで出た一覧は合格者名簿ではなく、これから面接する候補者のリストにすぎません。細かなコツとして、列名は「列B」ではなく「ブログ公開本数」のような意味の分かる名前にしてから渡すと、AIが添える注意点コメントの質が目に見えて上がります。業種、営業日数の偏り、大きな組織変更など、データの背景を一言添えるだけでも的外れな解釈は減ります。

相関係数を文脈で読む——高い係数ほど良い、ではない

探索結果を眺めるときに最初にやるべきは、自明なペアの除外です。たとえば「検索流入とページ表示回数」のようにほぼ同じ現象を測っている指標同士は、係数が高くて当然で、打ち手には何もつながりません。注目すべきは「手を動かせる施策指標」と「成果指標」をまたぐペアです。係数の高さのランキングではなく、動かせるかどうかで並べ替えて読みます。

次に、期間依存の確認です。24カ月のデータなら前半12カ月と後半12カ月に割り、両方で同じ向きの相関が出るかを見ます。片方だけで強く出る場合、特定のキャンペーンや季節要因が数字を作っている可能性が高い。いつ計っても残る関係だけが、戦略の土台に使える関係です。この分割チェックもAIへの指示一行で済むので、惜しまず実行しましょう。

時間差の相関——施策は遅れて効く

同月同士の相関だけを見ていると、大事な関係を取り逃がします。マーケ施策の多くは効果が遅れて現れるからです。SEO記事は公開から数カ月かけて流入を伸ばし、ウェビナーで得たリードが商談になるのは翌月以降——原因と結果の間には時間差（ラグ）があります。今月の記事本数と今月の流入を比べて「相関なし」と結論づけるのは、種をまいた日に収穫がないと嘆くようなものです。

対処は簡単で、AIへの指示に「施策指標を1〜3カ月ずらした場合の相関も計算して」と一行足すだけです。ずらし幅ごとの係数を並べれば、その施策がどのくらい遅れて効くのかの目安も同時に得られます。ここで見えた時間差は後工程でも活きます。ABテストの効果判定を何カ月後に置くか、資産型チャネルの評価をいつ行うか——検証の設計図に、探索で得た時間差の知識をそのまま書き込めるのです。逆に、成果指標を先にずらしても相関が残るようなら、因果の向きが想定と逆である可能性も疑えます。

散布図の目視——外れ値1点で係数は動く

係数のスクリーニングを通ったペアは、必ず散布図で形を確かめます。相関係数は外れ値に非常に弱く、たった1点の極端な値が係数を大きくつり上げる（または打ち消す）ことがあるからです。たとえば大型展示会に出展した月だけ問い合わせが跳ねていれば、その1点が「広告費と問い合わせの相関」を実態以上に強く見せているかもしれません。点がまんべんなく右肩上がりなのか、1点が引っ張っているだけなのかは、目で見れば一瞬で分かります。

実務では、AIに「外れ値の候補を統計的に特定し、除外前と除外後の相関係数を並べて出す」ところまで任せると効率的です。ただし、その点を除外してよいかの判断は人の仕事です。展示会の月は「異常値」ではなく「施策の結果」かもしれず、除外すべきかは現場の文脈でしか決められません。省力化の工夫として、外れ値の影響を受けにくい順位ベースの相関（スピアマンの順位相関）を併記させ、通常の係数と大きく食い違うペアだけを重点的に精査するやり方もあります。計算はAI、点の意味づけは現場を知る人という分担がここでも効きます。

層別で確かめる——シンプソンのパラドックス

散布図を通過した相関にも、まだ罠が残っています。全体で見た傾向が、グループに分けると逆転する現象——シンプソンのパラドックスです。統計の解説でよく使われるのがECのクーポン施策の例で、全体集計ではクーポン利用者の購入額が低く見えるのに、顧客層ごとに分けると各層では利用者のほうが高い、という逆転が起こり得ます。利用者に単価の低い新規顧客が多く含まれる、といった構成の偏りが原因とされます。ポイント還元キャンペーンの解説例でも、参加者に女性会員が多い一方で対象商品が紳士向けだったため、全体集計と属性別の集計で結果の見え方が食い違う、という同型の構図が紹介されています。

BtoBマーケなら、新規と既存、流入経路、企業規模、商材ラインといった軸で同じ逆転が起こり得ます。対策はシンプルで、強い相関が出たペアについて「顧客区分ごとに同じ相関を再計算して」と層別を指示するだけです。どの軸で分けるか迷ったら、単価・購買頻度・流入経路など、成果の構造が変わりそうな軸を優先します。ただし分けすぎて1グループの点数が数点になれば、今度は少数データの罠に逆戻りするため、層別は2〜3軸までが実務的です。全体・層別の両方で同じ向きの関係が残れば信頼度は上がり、逆転すれば構成の偏りを疑う手がかりになります。全体の数字だけで結論を出さない。これが解釈フェーズの合言葉です。

第三の要因を炙り出す——見せかけの相関の正体

解釈の最終関門が、両方の指標を同時に動かす第三の要因（交絡因子）の存在です。古典的な例が「アイスの売上と水難事故」で、両者に強い相関があっても原因は互いではなく、気温という共通要因が両方を押し上げています。マーケでは「広告費と売上」に対する繁忙期・季節性、「更新本数と流入」に対する注力キャンペーン期などが、まったく同じ構造を作ります。ここまで見てきた実例を整理しておきます。

相関して見える組み合わせ	実際の構造	教訓
マーガリン消費とメイン州の離婚率	ただの偶然（2000〜2009年）	期間が重なるだけで物語は作れてしまう
ケイジ氏の出演本数とプール溺死者数	偶然＋データ11点の少なさ	点数が少ないと係数は簡単に高く出る
アイスの売上と水難事故	気温という共通の第三要因	第三の要因が両方を動かすことがある
広告費と売上の同時増加	繁忙期・季節性の可能性あり	自社データでも同じ構造は起こり得る

強い相関を見つけたら、「この二つを同時に動かす第三の要因はないか」と一度立ち止まる癖をつけます。ここでもAIは有能な壁打ち相手で、交絡因子の候補を10個挙げさせれば、季節性・組織変更・市況・競合の動きなど、自分では思いつかなかった観点が出てきます。候補は「季節・時期（繁忙期・期末・大型連休）」「同時に動いた施策（キャンペーン・値下げ・組織変更）」「外部環境（市況・競合・メディア露出）」「計測の変更（ツール移行・定義変更）」の4カテゴリで挙げさせると網羅しやすく、データで確かめられるものから順に潰していけば、解釈の精度は着実に上がります。

解釈プロンプト——3通りの説明と検証設計まで出させる

解釈フェーズの仕上げは、相関を検証可能な仮説に言い換える作業です。次のプロンプトのように、複数の説明と検証案をセットで要求します。

先ほどの分析で「ウェビナー開催数」と「商談化数」に相関係数0.62が見つかりました。
次の観点で解釈を整理してください。
1. この相関の説明として「AがBを動かす」「BがAを動かす」「第三の要因Cが両方を動かす」の3通りの仮説を挙げる
2. それぞれの仮説が正しい場合、ほかのデータにどんな痕跡が残るはずかを示す
3. 因果を確かめるABテスト案を、対象・期間・比較条件・判定指標つきで2つ設計する
4. 検証前にこの相関を意思決定に使う場合のリスクを整理する

3通りの説明を強制するのは、人が一つのストーリーに飛びつく癖を打ち消すためです。「ウェビナーが商談を生む」と信じたい心理があっても、「商談が増えた時期だから登壇の余裕があった」「期末の営業強化月間が両方を増やした」という逆向き・第三要因の説明を並べれば、思い込みの単線から抜けられます。「どんな痕跡が残るはずか」の項目は、次に見るべきデータの設計図としてそのまま使えます。たとえば「ウェビナーが商談を生む」が正しいなら、ウェビナー参加企業の商談化率は非参加企業より高いはずで、これは実験を待たず手元のデータで確かめられます。実験はコストのかかる最終手段なので、こうした安価な確認で候補をさらに絞ってから臨むのが賢い順番です。

フェーズ3：ABテストで因果を確かめる

解釈を生き残った仮説は、実験で確かめます。ABテストの原則は条件を一つだけ変えて、他をそろえること。たとえば「更新頻度が流入を増やす」仮説なら、テーマの近い記事群を2つに分け、片方だけ更新頻度を上げて数カ月の流入変化を比べます。このとき2つの群は、規模やテーマの人気度をできるだけそろえておきます。片方に人気テーマばかり集まっていれば、測っているのは頻度の効果ではなくテーマの差になってしまうからです。期間・対象・判定指標を事前に固定しておくことで、結果が出てから都合よく解釈する「後出し」を防げます。判定時期には、ラグ分析で見えた「効き始めるまでの時間差」を反映させます。また、施策を始めた直後は目新しさだけで数字が動くことがあるため、立ち上がり期間を判定から除くのも定石です。

全社ブランディングのように分割が難しい施策では、時期をずらした比較や、一部地域・一部セグメントだけ先行させる準実験的な工夫が現実解になります。厳密さで学術研究に並ぶ必要はありません。準実験でも、「先行させる対象はどう選んだか」「比較期間に他の施策変更はなかったか」を記録しておけば、結果の解釈に耐える証拠になります。探索は相関、確認は実験という分担を守るだけで、「相関だけで断定する」チームとの間には、意思決定の質に大きな差がつきます。

検証結果を予算配分と定例レポートに落とす

検証を通過した関係は、はじめて予算配分の根拠に昇格します。効果が確かめられた施策には投資を増やし、相関はあったが検証で崩れた施策は目的を見直す。あわせて、崩れた仮説も「潰した仮説リスト」として記録しておくと、半年後に同じ議論を蒸し返さずに済みます。分析の資産は、当たった仮説だけでなく外れた仮説にも宿ります。リストの項目は「仮説・根拠になった相関・検証方法・結果・判断」の5つを残すだけで十分です。

運用としては、月次で相関行列を更新し、前月からの変化点だけをAIに要約させると定例レポートが軽くなります。この定点観測には探索とは別の価値もあり、かつて強かった相関が弱まってきたら、広告の疲弊やチャネル環境の変化といった「効き目の変質」を早期に検知するアラートとして機能します。共有時の翻訳も重要で、「相関係数0.62」ではなく「ウェビナーを増やした月は商談も増える傾向が続いている（現在検証中）」のような言葉に直して届けます。統計の言葉を、判断できる言葉に翻訳して渡すところまでが分析の仕事です。

相関分析の注意点とやりがちな失敗

最後に、実務での注意点と典型的な失敗を整理します。どれも本記事で見てきた実例——11点で出た係数0.66、層別で逆転するパラドックス、気温のような第三の要因——の裏返しです。チームで相関分析を運用するなら、この一覧を分析メモのテンプレートに貼り、毎回の分析でセルフチェックする使い方をおすすめします。

• 相関係数は期間と範囲で変わる。期間を分割・移動しても同じ傾向が残るか確かめる
• 月次1年分（12点）は係数が暴れやすい。2年分以上か週次データで点数を確保する
• AIの集計は実行ごとに揺れることがある。重要な数字は再実行と抜き取り照合で確認する
• 顧客データは個人情報を削除・記号化してから渡し、社内のAI利用ルールに従う

そのうえで、行動レベルで避けたいのが次のパターンです。

• 相関だけで投資判断する：検証を挟まず予算を動かし、効かない施策に資金を注ぐ
• 係数のランキングだけ見る：散布図を見ず、外れ値や自明なペアに気づかない
• 全体集計だけで結論を出す：層別すると逆転する関係（シンプソンのパラドックス）を見逃す
• 分析レポートを作って満足する：仮説にも実験にも進まず、判断が何も変わらない

まとめ

最後に、この記事のシナリオを一本の流れとして振り返ります。データを同じ粒度に整え、AIに相関行列と散布図を出させて候補を探索する。見つけた相関は、外れ値・層別・第三の要因という3つの関門でふるいにかけ、生き残った仮説だけをABテストで検証する。そして検証を通過した関係だけを、予算配分の根拠に昇格させる。マーガリンと離婚率の実例が教えてくれるとおり、数字の一致は驚くほど簡単に生まれます。それでも、疑う手順さえ組み込めば、相関分析は施策の効き目を数字で語る強力な武器になります。まずは手元の月次データ2年分をAIに渡し、相関のヒートマップを一枚作るところから始めてみてください。1時間後には、あなたのチームだけの「疑うべき候補リスト」が手に入っているはずです。

※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。