Tableauで考えるデータ分析者の思考回路。「で？」で終わる分析と、アクションにつながる分析

「CVRが低下しています。広告改善施策を検討しましょう」

こういう分析結果を見ることがあります。

間違ってはいません。ただ、これではほぼ何も提案していないに近い。

CVRが低いのは分かった。で、何を変えるのか。媒体の予算か、ターゲティングか、クリエイティブか、LPか、フォームか、あるいは計測そのものか。

誰が、いつ、何を確認し、どんな選択肢から判断するのか。そこまで落ちていなければ、分析はビジネスを動かせません。

自分の中には、アクションをしないデータ分析は、何もしていないのと同じという考えがあります。

少し強い言い方ですが、グラフを作って数字の変化を説明するだけなら、会社の意思決定は何も変わりません。

もちろん、分析の結果として「現時点では何もしない」が正しい場合もあります。季節要因の範囲内かもしれない。判断に必要なデータがまだ揃っていないかもしれない。追加の確認を待つべきこともあります。

ただし、それも「今は動かない」という判断です。

分析の価値は、数字をきれいに説明することではなく、より良い判断と、その後のアクションを生むことにあります。

「売上を分析する」は、目的ではない

データ分析の説明では、最初のステップとして「目的を明確にする」とよく書かれています。

これは正しいです。ただ、実務ではこの「目的」が曖昧すぎることが多い。

「売上を分析する」
「顧客を分析する」
「Webサイトを分析する」

これらは目的ではなく、分析対象を書いているだけです。

目的とは、会社として何を変えたいのかです。

売上を増やしたいのか。利益を増やしたいのか。コストを下げたいのか。既存顧客との取引を深めたいのか。

そのうえで、自分の部署や担当領域で何に貢献するのかを定義します。

たとえば広告を担当しているなら、単に「ROASを上げる」では少し弱い。ROASは重要な指標ですが、それ自体が目的ではありません。

会社として利益を伸ばすために、広告経由の利益貢献を高める。そのために、広告費の無駄を減らすのか、広告経由のCVRを上げるのか、新規顧客の獲得効率を改善するのか。

ここまで考えて初めて、分析の目的が形になります。

アクションを考えるから、見るべきデータが決まる

広告経由のCVRが低いとします。

このとき、「広告改善施策を検討する」では分析設計になっていません。

広告経由のCVRが低い理由には、いくつかの可能性があります。

同じ「CVRが低い」という事象でも、原因が違えば打つ手は変わります。

そして、最初から取り得るアクションを考えておけば、必要なデータ、見るべき粒度、比較方法も決まります。

予算配分を変えるかどうかを判断したいなら、媒体やキャンペーン別の成果だけでなく、増額できる余地や成果の再現性も見なければいけません。

LPを改善するかどうかを判断したいなら、流入後の離脱地点、デバイス別の差、広告の訴求とLPの内容がつながっているかを見る必要があります。

つまり、分析はデータを見てから考えるものではありません。

どんなアクションを取り得るかを考えるから、何を見ればよいかが決まる。

分析者には、ビジネスと施策の引き出しが必要になる

ここが、単なる集計作業と分析の違いだと思っています。

データを見る技術だけでは、「CVRが下がっています」までは言えても、その先の選択肢を出すのは難しい。

広告の運用、LPやフォームの改善、営業のプロセス、顧客対応、価格、商品、オペレーション。自分が扱う領域で、何が成果を動かすレバーなのかを知っている必要があります。

分析者が、必ずしもアクションを一人で決める必要はありません。広告の予算配分を決める人、LPを修正する人、営業プロセスを変える人は別かもしれない。

ただし、「この数字の変化に対して、どんな選択肢があり得るか」を具体的に示せなければ、意思決定者も動けません。

「広告改善をしましょう」ではなく、「検索語句Aでは獲得単価が基準を大きく超えているため、除外または入札抑制を検討する」「モバイルのフォーム到達後に離脱が集中しているため、入力項目とエラー表示を確認する」と言えるところまで持っていきたい。

そこまで言って初めて、分析は作業ではなくなります。

分析は、経営目標からドリルダウンして設計する

自分の中では、分析は次の順番で考えます。

たとえば「利益を増やす」という経営目標があり、広告経由の利益貢献を高めることが部門目標だとします。

そこで初めて、予算配分、訴求、ターゲティング、導線、新規と既存の役割分担といったレバーが出てくる。

さらに、それぞれのレバーを判断するために必要なデータや比較軸を設計する。

この順番があるから、「とりあえず月別トレンドを出しました」「媒体別にクロス集計しました」で終わらなくなります。

集計や可視化は、分析の重要な部品です。ただ、目的でもゴールでもありません。

この分析設計が、そのままダッシュボード設計になる

分析設計をしていると、自然に次の問いが出てきます。

何を繰り返し判断するのか。どの変化を注意すべきシグナルとして扱うのか。影響度が大きいものをどう見つけるのか。気になる変化があったとき、次にどこを確認するのか。

これは、そのままダッシュボード設計です。

ダッシュボードは、KPIやグラフを並べた画面ではありません。

繰り返し行う判断のために、分析設計を画面として固定したものだと思っています。

たとえば広告のダッシュボードなら、ROASやCVRを表示するだけでは足りません。

予算を見直すべき出稿がどこにあるのか。流入はあるのにCVRが低い導線はどこか。利益面で注意が必要な商品や施策はあるか。

見た人が、次に確認すべきことと、取り得るアクションを考えられる形になっている必要があります。

Tableauは、発見につながる形を柔軟に作れる

Tableauの良さは、グラフの種類が多いことだけではありません。

分析の目的に合わせて、判断に必要な差を見える形にできます。

影響度が大きいものは大きく見せる。注意すべき変化だけに色を使う。時系列で変化を見る。分布を見る。二つの指標の関係を見る。気になる対象をハイライトし、条件を変えながら確認する。

同じデータでも、何を判断したいかによって、適した見せ方は変わります。

売上の推移を確認したいなら時系列が向いています。顧客別の売上と満足度の関係を見たいなら散布図が向いています。部門別の計画差を比較したいなら、差分を強調した棒グラフや表現の方が分かりやすいかもしれません。

ここで重要なのは、色や大きさを装飾として使わないことです。

色は、達成・注意・リスクなど、判断に必要な意味を伝えるために使う。大きさは、影響度や規模の違いを伝えるために使う。

「見やすそうだから色を付ける」のではなく、「この差に気付いてほしいから色を使う」と考える。

そうすると、可視化はきれいなレポートを作るための技術ではなく、発見と判断を助けるための技術になります。

良い分析者は、次に取るべき選択肢を具体化する

分析者の仕事は、データを集計し、数字の変化を説明するところで終わりません。

会社として何を変えたいのかを理解する。自分の領域で動かせるレバーを考える。取り得るアクションを具体化する。その判断のために、どのデータを、どの粒度で、どう比較すればよいかを設計する。

Tableauは、その分析設計を、繰り返し使える判断の形にし、発見につながるよう可視化するための強力な道具です。

ただし、ツールを使うこと自体が分析ではありません。

良い分析者は、数字を説明する人ではない。

ビジネスを動かすために、次に取るべき選択肢を具体化できる人だ。