MA、CRM、GA4、生成AI――BtoBマーケティングの道具は増える一方です。数値を見る時間は増えたのに、次に何をすべきか分からない。そんなときは、新しいダッシュボードを作る前に、「何を知れば、どの判断を変えるのか」を一枚の紙に書いてみます。この記事では、元記事の「観察→洞察→仮説」という枠組みを残しながら、反証条件と計測方法まで具体化します。
ツールが増えても、意思決定が増えるとは限らない
ツールの価値は、表示できるグラフの数ではなく、チームが判断に使える情報を得られることにあります。ただし「データは事実だけで、文脈を持たない」という断定にも注意が必要です。収集方法や指標の定義はすでに解釈を含みますし、データから思いがけない変化を見つける探索的な分析も重要です。
先に仮説を立てれば万能なのではありません。探索で発見した問いを、検証可能な仮説へ育てることと、あらかじめ検証したい問いがある場合に必要なデータを揃えることの両方が必要です。
「観察→洞察→仮説」の3段階を混同しない
- Observation（観察）：いつ、誰の、何が、どの程度変わったか。「今月は資料請求が減った」だけでなく、母数、計測変更、流入構成の変化を確認する。
- Insight（洞察・解釈）：「比較資料を求めている人が、フォームまで進めないのでは」といった原因候補を考える。ただし、現段階ではまだ仮説。
- Hypothesis（検証できる予測）：「価格と導入条件の説明を明確にしたページを見た群は、現行ページより適格な問い合わせ率が高いはず」と、対象・介入・指標を明示する。
この三段階は、観察した後に必ず一つの答えへ進む一直線の手順ではありません。洞察を生んでも根拠が薄ければ顧客への聞き取りへ戻りますし、仮説が複数なら優先順位を付けて一つずつ検証します。
架空の例：資料請求が減ったとき、いきなりフォームを直さない
架空のIT企業で、月間の資料請求が減ったとします。原因がフォームにあるとは限りません。検索からの流入減、訴求と実際の内容の不一致、計測タグの不具合、休日やキャンペーン終了などでも数字は変わります。
まずGA4のイベント定義と送信状況を確認します。Googleの公式ドキュメントでは、ページ閲覧やクリックなどのイベントを収集し、リアルタイムやDebugViewで設定を確認できると説明されています。計測に異常があれば、施策の原因分析に進む前に修復する必要があります。
次に検索流入、フォーム到達、送信完了を分けます。到達数は安定しているのに送信率だけ下がっているなら、フォームの条件やエラーを調べる価値があります。一方、到達数そのものが減っていれば、広告・検索・導線から調べる方が合理的でしょう。
仮説を「検証カード」へ落とす
検証を始める前に、以下の項目を一枚にまとめます。この形式は編集上の提案であり、成果が保証された万能テンプレートではありません。
- 意思決定：何を続ける・変える・やめる判断に使うのか。
- 観測された事実：期間、対象、分母と分子、計測上の制約。
- 仮説と競合仮説：想定原因に加えて、別の原因が何か。
- 確認方法：インタビュー、ログ確認、A/Bテスト、比較期間など、実行可能な方法。
- 主指標とガードレール：適格な問い合わせ率だけでなく、苦情、営業側の負荷、データ欠損なども確認。
- 反証条件：どの結果が出たら仮説を弱めるか。判断できなかった場合は何を追加するか。
GoogleのThink with Googleでも、仮説を明確にし、測定可能な指標を定めた実験設計が説明されています。ただし、一般的なWeb行動分析だけで、施策が成果を生んだ因果関係まで証明できるとは限りません。原因を確かめたい場合は、適切な比較群などを用いた実験を検討します。
MA・CRM・GA4はそれぞれ別の問いに答える
- MA：同意と適切なルールに基づいて、どの連絡やコンテンツを出したか、反応がどうだったか。ただし配信反応だけで購入意思は確定しない。
- CRM：誰がどの商談段階にいるか、担当・次のアクション・失注理由などがどのように記録されているか。入力ルールが揃っていなければ比較しにくい。
- GA4：サイト・アプリ内のイベントや経路。フォーム送信のような計測が正しく設定されているか確認できるが、CRM上の受注まで自動で一貫して分かるとは限らない。
データの結合や個人情報の利用には、許諾・アクセス権・保存期間などの検討が必要です。MA導入の実装条件はMA導入で失敗しないために｜データ・同意・営業連携で扱っています。
生成AIに任せられることと、任せてはいけないこと
AIに反論候補や検証方法の案を出してもらうと、発想を広げる手掛かりになります。一方、架空の顧客インサイトを事実として用いたり、機密の商談情報を未承認のサービスへ入力したりすることは避けます。集計結果や引用に関しても、元のデータと突き合わせます。
AIは「原因を証明してくれる装置」ではなく、仮説候補を増やし、盲点を示し、記録を整える道具の一つです。最終的な判断には、実際の顧客、計測条件、事業上の制約が必要です。
「失敗しても学びがあった」で終わらせない
仮説が外れたこと自体は学習の機会になります。ただし、何も測れていないのに「貴重な学びが得られた」と報告しても、次の判断には使えません。結果が出なかった原因が、仮説の誤りなのか、実験規模の不足なのか、実施不備なのかを分けることが重要です。
また、施策による改善を主張するときは、季節性や対象選定の偏りに注意します。Googleは、広告の因果効果を判断する方法として比較群を用いたインクリメンタリティ実験も説明しています。A/Bテストの有意差と現場の違和感も、検定結果を意思決定につなぐ際の注意点を整理した記事です。
まとめ｜ツールを開く前に「どの判断が変わるか」を決める
仮説思考とは、自分の予想が正しいと証明するために数字を集めることではありません。何が分からないのかを言語化し、必要な情報を集め、予想が違えば考えを変えるための方法です。ひとりマーケターこそ、作業の自動化よりも、判断に必要な問いの整理へ時間を使う価値があります。