データエスノグラフィ環境を構築。

それでは、BigQueryとTableauによるデータエスノグラフィの環境を構築し、会員ランクごとに行動データを観察していきます。なお、BigQueryとTableauの使い方については「BigQueryではじめるSQL」「TableauではじめるBI」を参照してください。

まずは分析用テーブルを作成します。観察したいのは一人ひとりの購買履歴なので、前回とは違い、会員IDではなく購買履歴ごとの行を持つテーブルを作ります。BigQueryのクエリエディタに以下のSQL文を入力し、青い［実行］ボタンをクリックしてみましょう。

すると、以下のスキーマのテーブルが出力結果で表示されるので、それをデータセット「DE」に「sum_orders」という名前で保存します。なお、フィールド名の頭に「Axx」などのアルファベットと数字を付与していますが、これはTableauのビューでデータの内容を確認する際に用いる［データの表示］画面のフィールドの並び順が、フィールド名のアルファベットと数字の順序になるため、スキーマ定義のとおり意図的に並べたい場合はこのように命名しておく必要があるからです。

続いて、テーブル「sum_orders」をTableauに取り込んで分析します。Tableau Desktopであれば、スタート画面の［接続］にあるメニュー［Google BigQuery］から選択するだけでシームレスに連携できます。Tableau Publicであれば、GCS（Google Cloud Storage）経由でCSVファイルとしてエクスポートしてから取り込みます。

ワークシート編集画面で「A00_member_id」を［行］、「C01_frequency」「C02_monetary」を［列］、「C00_rank」を［フィルター］と［色］に、それぞれドラッグ＆ドロップすると、データエスノグラフィ環境の構築は完了です。

一人ひとりの行動データを観察。

では会員ランクごとに一人ひとりの購買履歴を観察していきましょう。まずはF1会員から見て行きます。右上の「C00_rank」フィルタで「4: F1」を選択し、ビュー内に表示される会員IDをF1会員のみに絞り込みます。その中から無作為に抽出してそれぞれの購買履歴を観察するわけですが、それには各会員の行をクリックした際に表示されるポップアップの右上にある［データを表示］ボタンをクリックします。すると［データを表示」という画面がモーダル表示されるので、画面下の［すべてのデータ］をクリックすると、選択した会員の購買履歴を見ることができます。

選択した会員の購買履歴がこのように表示されます。当たり前ですが、F1会員は初回購買の購買履歴しかありません。

では続けてF2会員を観察します。「C00_rank」フィルタで「3: F2」を選択し、F2会員に絞り込んで無作為に何人かを見て行きます。するとどうでしょうか。初回購買から二回目購買までの期間が何ヶ月も空いている会員が意外と多い印象を受けるのではないでしょうか。

続けてF3会員・優良会員についても観察します。するとやはり、初回購買から二回目購買までの期間が長い会員が多いように思います。さらに、3回目購買から定着化し、比較的コンスタントに購入していることがわかります。

さらに、優良会員は比較的多くの商品カテゴリを購買していることに気づきます。長期間にわたり何度も購買しているため必然的にカテゴリ数が増えているだけかもしれませんし、何でもECサイトで買うタイプが総合ECサイトを継続的に利用しているだけかもしれません。ただ、いずれにせよ相関はありそうです。

ここまでの行動データ観察による発見を通して、二つの仮説が浮かび上がります。

1. 初回購買後に休眠化した会員についても優良化するポテンシャルがあるのではないか
2. 新たな商品カテゴリを提案することが優良化につながる可能性があるのではないか

これらの仮説をもとに、データの深掘分析やA/Bテストによる実証実験を行うことで、まだ優良化していな会員を意図的に優良化するためのヒントが得られる可能性があります。一方で、観察した一部の会員だけに見られる特徴である可能性も否定できず、もしそうなら、この仮説の検証に意味はありません。そこで代表性の検証を行います。代表性（Representativeness）とは、調査対象者全体の中から抽出された一部の対象者の調査結果が、調査対象者全体の結果を、偏りなく正確に反映出来ているかどうかのことです。

その発見に代表性はあるか。

代表性検証のための分析テーブルを作成します。BigQueryのクエリエディタに以下のSQL文を入力し、青い［実行］ボタンをクリックしましょう。

このクエリ結果をデータセット「DE」に「sum_members_rep」という名前で保存します。このテーブルから以下の結果が得られます。

• 休眠会員（初回購買から91日以上購買がない会員）：78.6%
• そのまま離反する会員：64.7%（休眠会員の82.3%）
• 復帰してF2転換する会員：13.9%（休眠会員の17.7%）
• 復帰してF3転換する会員：7.7%（休眠会員の9.8%）

初回購買から91日以上購買がない会員を休眠会員とすると、80%近くが休眠会員となるものの、そのうちの20%近くが復帰し、10%近くがF3転換していることになります。逆に休眠会員の80%近くがそのまま離反しており、大きなポテンシャルがあることがわかります。とはいえ下図のとおり休眠期間が長くなるほど優良化率が下がるため、早いタイミングでの復帰促進が望ましいようです。

さらに下図のとおり、購買商品カテゴリ数と優良化には明らかな相関があることがわかります。

これらの分析結果は、さきほどの二つの仮説が正しいことを証明するものではありません。ただ、その発見には代表性があり、データの深掘分析や実証実験を行うことに意味があることを示唆しています。

また、購買商品カテゴリ数には優良化との明らかな相関があるため、結果との相関が強いサブセグメントに指定し、8以上に絞って改めて行動データ観察をするのもよいでしょう。

このようにデータエスノグラフィは、一人ひとりの行動データをミクロ視点で観察することで、行動の実態を把握し、意図した結果に導くためのヒントが得られる手法であることを理解してもらえたのではないかと思います。

観察すべきセグメント。

データエスノグラフィは、一人ひとりの行動データをミクロ視点で観察し、時系列に追うことで、ユーザーの意思決定プロセスの理解や発見を行う手法です。とはいえすべてのユーザーの行動を観察するわけには行きません。そこで、似たユーザーをセグメント（Segment）に分類し、観察すべきセグメントを選定する必要があります。

では、観察すべきセグメントとはいったい誰でしょうか。ここで再び分析目的に立ち戻ります。今回の分析目的は「優良化する会員の行動特性を、購買履歴データから把握する」でした。

優良化の要因となる行動特性を把握するには、優良化している会員と優良化していない会員との間に存在する違いを比較観察すればよいことになります。すなわち因果推論（Causal Inference）¹⁾いまさら聞けない因果推論でいう疑似実験（Quasi Experiment）を行うわけです。

とはいえ、優良かどうかのみでは範囲が広すぎるため、もう少し絞り込みたいところですが、それには結果との相関が強いサブセグメントが有効です。例えば、優良化と高齢者の相関が強ければ、高齢者同士で比較すれば違いを発見しやすくなるはずです。これは疑似実験におけるマッチング法と同じ考え方です。

まとめると、以下の二つの軸で分類していけばよいことになります。

• 優良会員と非優良会員のセグメント
• 優良化との相関が強いサブセグメント

まず優良会員と非優良会員の分類が必要ですが、詳細はさておき、以下のように分類します。

結果との相関が強いサブセグメント。

続いて、優良化との相関が強いサブセグメントを探ります。これには大きく、検証的アプローチと発見的アプローチの二つがあります。

検証的アプローチ（Verifying Approach）は、二つの事象間の相関が仮説として想定されるものについて事実を検証していくアプローチで、質的変数であればクロス集計（Cross Tabulation）、量的変数であれば散布図（Scatter Plot）などの手法を用いて分析します。今回の場合でいうと、特定の性別や年代、あるいは購買商品カテゴリなどの変数と優良化との間に相関があるのではないかという仮説をたてて検証していきます。

一方で、人の行動を決定づける要因は無数にあるため、優良化につながる思わぬ要因が潜んでいる可能性がありますが、検証的アプローチでそれを見つけることはできません。そこで多くの変数をもつデータから、二つの事象間の相関を機械的に取り出すアプローチが有効となります。それを、発見的アプローチ（Discovering Approach）といい、主にアソシエーション分析（Association Analysis）²⁾アソシエーション分析入門やクラスタリング（Clustering）などの手法があります。

とはいえ今回のように、分析対象データの変数が少ない場合は検証的アプローチで十分です。ではBigQueryとTableauで実際に検証していきます。なお、それぞれの使い方については「BigQueryではじめるSQL」「TableauではじめるBI」を参照してください。

検証的アプローチで相関分析。

まずは分析用のテーブルを作成します。検証したいのは、特定の性別・年代・購買商品カテゴリと会員ランクの間に相関があるかどうかですが、それには会員IDごとに性別・年代・購買商品カテゴリ・会員ランクの変数をもつテーブルを作成する必要があります。BigQueryのクエリエディタに以下のSQL文を入力し、青い［実行］ボタンをクリックしてみましょう。

なお、処理の効率化のために10%のサンプリングをしていますが［※1］、これは会員IDを10で割った剰余が0の場合に限定するという意味です。また、欠損を除外するために性別がNULLでない会員に限定し［※2］、年齢の異常値を除外するために10歳以上90歳未満の会員に限定しています［※3］。さらに、時系列データの開始と終了の問題を解決するために、初回購買日が2006年1月以後かつ最終購買日が2012年12月以前の会員に限定しています［※4］。

すると、以下のスキーマのテーブルが出力結果で表示されるので、それをデータセット「DE」に「sum_members」という名前で保存します。

続いて、テーブル「sum_members」をTableauに取り込んで分析します。Tableau Desktopであれば、スタート画面の［接続］にあるメニュー［Google BigQuery］から選択するだけでシームレスに連携できます。Tableau Publicであれば、GCS（Google Cloud Storage）経由でCSVファイルとしてエクスポートしてから取り込みます。

あとは、性別・年齢・購買商品カテゴリと会員ランクの関係を可視化して分析するだけです。

これらは、性別・年代別・購買商品カテゴリ別での会員ランクの構成比率ですが、どの切り口でもほぼ同じで、性別・年齢・購買商品カテゴリは、会員の優良化に対して何の影響も及ぼしていないことがわかります。どうやら今回の分析対象データからは、優良化との相関が強いサブセグメントを特定することは難しそうです。

ということで「データエスノグラフィ入門」最終回である次回は、サブセグメントでの絞り込みは諦めて、会員ランクごとに行動データを観察していくことにします。

必要なデータは揃っているか。

分析対象である、ECサイトの購買履歴データのBigQueryへの投入が完了したら、データ準備を行います。データ準備（Data Preparation）とは、データを分析可能な状態にすることを指します。なお、ここまでのプロセスは「データエスノグラフィ入門 #01」を参照してください。

ところで、データが分析可能とはどういう状態でしょうか。以下の三つのポイントで整理します。

1. 分析目的の達成に必要なデータが揃っている
2. 分析しやすいよう構造化されている
3. 分析を妨げる欠損・異常値・表記揺れがない

当たり前ですが、必要なデータが揃っていなければ分析目的を達成することができません。今回の分析目的は「優良化する会員の行動特性を、購買履歴データから把握する」でした。

「優良」が何かにもよりますが、ここではRFMがある水準以上となることと定義します。RFMはRecency（最終購買日） ・Frequency（購買頻度）・Monetary（累積購買金額）の頭文字をとったもので、現在の優良顧客を分析したり、未来に優良化する顧客を予測する指標としてよく用いられます。なお、Monetaryに近い概念として、顧客が企業やサービスに対して生涯で消費する合計金額を表す顧客生涯価値（Life Time Value：LTV）もよく使う指標です。

そうすると、RFMを切り口に会員の行動データを分析することになるため、会員ごとの購買履歴があれば条件を満たすことになります。もちろん、購買金額がわかることが前提です。今回のデータソースでは「購買履歴」がそれにあたります。

一方でRFMは、優良であるという結果を測る指標にすぎないため、なぜ優良化したかの原因を探るには別の情報が必要となります。人の行動を決定づける要因は無数にあり、たとえば優良化の原因としてウェブサイトのUIが使いやすいなども考えられます。ECサイトの売上向上にむけて本格的にPDCAを回すのであれば、RFMを押し上げる原因の仮説をたて、その検証に必要な情報を新たに獲得することも必要です。

とはいえここでは、すでにあるデータから原因を探るほかありません。今回のデータソースでは「会員マスタ」と「商品マスタ」が利用可能であるため、どんな人で、どんな物を買っていると優良化しやすいかを分析することは可能そうです。逆にいうと、その範囲での分析に必要なデータはひとまず揃っているといえます。

分析可能な形になっているか。

次に、分析するにはデータが構造化されている必要があります。データは構造化と非構造化に大別されますが、構造化データ（Structured Data）は、端的にいえば行と列による表形式のデータのことで、CSVがその代表です。逆に表形式ではないものを非構造化データ（Unstructured Data）といい、XMLなどの記述様式に従ったものや、単なるテキスト・画像など全てを含みます。なお、ビッグデータの多くは非構造化データです。

Excelをはじめとして、ここで用いるBigQueryやTableau、あるいはPythonのデータ分析用拡張モジュールであるPandasなど、ほとんどの分析ツールは構造化データであることが前提となっています。したがって、非構造化データは構造化データに変換しなければなりません。

さらに、複数の表に別れている場合、同じ採番体系のキー情報により結合できる必要があります。今回のデータソースでいうと、購買履歴はどの会員がどの商品を買ったかを示すデータですが、それぞれ会員IDと商品IDのみで構成されており、その中身は会員マスタと商品マスタを参照する必要があります。つまり、購買履歴・会員マスタ・商品マスタの間で、会員IDと商品IDが一致している必要があります。当たり前のように思いますが、とくに顧客を示すIDが統一されていないケースも多く、その場合はさらに異なる採番体系のIDを紐づける別のマスタが必要なこともあります。

最後に、データの欠損・異常値・表記揺れを考慮します。例えば、ECサイトなどの会員の情報は会員登録時に入力するものですが、一部が任意となっていることがあり、入力されない場合は欠損となります。今回のデータでいうと、性別を切り口に分析する際に、欠損を考慮せずに女性比率を集計するとミスリードする可能性があります。

また、年齢は会員登録時に入力された生年月日から割り出すことが多いですが、いい加減な情報が入力されてしまい、「2歳」のような常識ではありえない年齢が混入することもあります。これを異常値といい、考慮せずに平均年齢を集計すると、実態を見誤る危険性があります。

さらに、住所の市区町村より以下はフリーテキストで入力されることが多く、同じ市区町村を表すものでも表記が異なる場合があります。このような状態を表記揺れ（同義だが異句の状態）といい、あらかじめ補正しておく必要があります。

なお今回のデータソースは、事前に構造化され、欠損・異常値・表記揺れがない状態に加工されたものであるため、これらを考慮する必要はありません。

選択バイアスを回避する。

データ準備が完了したら、基礎分析を行います。基礎分析（Basic Analysis）とは、データの全体像を俯瞰して分布と偏りを把握することをいい、その主な目的は選択バイアスの回避です。選択バイアス（Selection Bias）とは、分析対象として選ばれたものと選ばれなかったものの間に見られる特性の差により生ずる系統誤差をいいます。すべてのデータを分析対象にできない上に、そもそもデータとして存在しないものもあるため、大なり小なり必ず発生します。例えば、プリペイドカードの購買履歴には、カードの入金額の上限を超える高額商品の購買履歴が含まれていません。

選択バイアスの把握は難しい問題ですが、以下の二つのポイントを抑えるとよいでしょう。

1. 既知の分布との違い
2. 時系列データの開始と終了の問題

例えばECサイトの会員の性別や年齢の分布について、同じ業態で一般的に知られている分布があれば、それと照らし合わせることも有効です。もっとも特定の性別や年齢にターゲットをしぼった商品やサービスを展開している場合は、そこに偏りがあるのは当然でしょう。また、ECサイトと小売店の両方で販売展開している場合に、商品カテゴリごとの売上構成比率がそれぞれで異なることがあります。このようなビジネス特性を考慮することも重要です。

そして、行動データ分析において特に注意すべきなのが、時系列データの開始と終了の問題です。RFMの計測には、初回購入日と最終購入日を正確に把握する必要がありますが、例えば今回利用する2005年1月から2013年12月までの購買履歴データにおいて、2005年1月1日に最初の購買履歴がある会員の初回購入日を2005年1月1日としてもよいのでしょうか。事実かもしれませんが、それ以前に購買履歴はあるもののデータとして選ばれていないだけの可能性もあります。

購買履歴データ以外に、会員の初回購入日がわかるデータがあればよいですが、なければ正しい初回購入日を把握することはできません。その場合は、購買履歴上で最初に登場する購買日が初回購入日である可能性が高い会員のみを対象とする必要があります。これは最終購買日についても同様で、最後に登場する購買日が最終購買日である可能性が高い会員のみを対象とする必要があります。仮に、購買間隔が一年以上開く会員がほとんどいなければ、購買履歴データの最初と最後の一年間に購買履歴が存在する会員を除外すればよいことになります。今回のデータで言い方を変えると、初回購買日が2006年1月以後かつ最終購買日が2012年12月以前の会員のみを対象とすればよいわけです。

では次回以降で、実際にBigQueryとTableauを操作しながら、顧客の分類と行動観察を行なっていきます。

行動データ観察によるユーザー理解。

モバイルアプリのアクセスログや店舗での購買履歴など、あらゆるユーザー行動がデータ化されています。今後は5GやIoTの普及により、生体データや撮影データなどが集約され、さらにビッグデータ化されていくことでしょう。ただ、データは貯めているだけでは何の価値も生みません。分析し、有用な知識を獲得してこそ意味があります。

また、多くのマーケターやビジネスパーソンにとって、ユーザーの行動データから、購買の意思決定プロセスを把握したい、思いもよらないニーズを発見したい、というのは、データ活用におけるもっとも重要な関心ごとのひとつでしょう。

あるコンテンツXの閲覧（事象X）と、ある商品Yの購買（事象Y）には、強い共起性があるから、事象Yの意思決定に事象Xがなんらか関与している可能性が高いのではないか。そのような分析はよく行われることと思います。購買という結果につながる原因がわかれば、さらなる購買向上にむけた対策を講じることが可能となります。二つの事象間の因果関係を明らかにする考え方や手法には因果推論（Causal Inference）¹⁾いまさら聞けない因果推論やベイズ推定（Bayesian Inference）²⁾いまさら聞けないベイズ推定などがありますが、簡単ではありません。

一方で、一人ひとりの行動データをミクロ視点で観察し、時系列に追うことで、ユーザーの意思決定プロセスの理解や発見が進むことがあります。クロスハックではこれをデータエスノグラフィ（Data Ethnography）³⁾データエスノグラフィって？と呼んでいます。エスノグラフィとは、生活者のありのままの行動を観察することで、アンケートやインタビューからは得られない洞察や発見の獲得を目指す手法のことですが、これはそのデータ版と言えます。

そこで今回は、データエスノグラフィ実践の入門編をご紹介したいと思います。なお、分析ツールはGoogle BigQueryとTableau Desktopを用いて進めます。それぞれについては「BigQueryではじめるSQL」「TableauではじめるBI」を参照してください。

データエスノグラフィの手順。

データエスノグラフィは以下の手順で進めます。

1. 分析の背景の整理と目的の明確化
2. データ準備と基礎分析
3. ユーザーの分類と選定
4. 行動データの観察
5. 代表性の検証

データ分析に限らず、何らかの課題解決をするには、まずその背景を整理し、目的を明確化する必要があります。当たり前の話ですが、失敗するデータ分析の多くは、ここをあいまいにしたまま、とにかく何らかの有用な知識を獲得したいという思いのみで行われており、時間とコストを浪費する結果となっています。

また、データは「存在する」状態と「分析できる」状態では全く異なります。そして多くのデータは分析することを目的に収集されておらず、そもそも構造化されていない、あるいは欠損・異常値・表記揺れ（同義だが異句の状態）を含むこともあります。それらを加工し「分析できる」状態にすることをデータ準備（Data Preparation）といいます。

さらに、あまねく全てのデータを準備することはできないため、必然的に選択が行われ、偏りが必ず発生します。これを選択バイアス（Selection Bias）といいます。例えば、プリペイドカードの購買履歴には、カードの入金額の上限を超える高額商品の購買履歴がそもそも含まれていません。おそらくクレッジトカードなどの他の決済手段で購買しているのでしょう。このような偏りのあるデータで無邪気にRFM分析などを行うと、ミスリード（Misslead）を起こします。

選択バイアスを無くすことが理想ですが、現実には不可能であるため、データの全体像を俯瞰して分布と偏りを把握し、分析を進める上での前提条件として捉えておくことが重要です。その作業を基礎分析（Basic Analysis）といいます。

ここまで完了してようやくデータエスノグラフィが実施可能となるわけですが、とはいえすべてのユーザーの行動を観察するわけには行きません。そこで、似たユーザーをセグメント（Segment）に分類し、観察すべきセグメントを選定します。

観察すべきセグメントが決まれば、その中から数名のユーザーを抽出し、一人ひとりの行動データをミクロ視点で観察し、何人かに共通して見られる典型的な行動パターンを分析します。例えば、アパレルのモバイルアプリのアクセスログと店舗での購買履歴のデータであれば、「来店前に会員向け先行情報を閲覧」「来店中にポイントを確認」「来店後にコーディネート機能を利用」などの行動パターンを捉えていきます。

これがわかれば、先行情報を閲覧したセグメントは、閲覧しなかったセグメントと比べて購買しているかという疑似実験（Quasi Experiment）を行うことで、先行情報の因果効果を明らかにする因果推論が可能となります。

ただし、行動観察から捉えた行動パターンは、観察したその数名にのみ見られるものかもしれません。そこで代表性の検証が必要となります。代表性（Representativeness）とは、調査対象者全体の中から抽出された一部の対象者の調査結果が、調査対象者全体の結果を、偏りなく正確に反映出来ているかどうかのことです。（※代表性の検証の方法は最終回に説明）

ECサイトの継続率をどう上げるか。

では、データエスノグラフィの実践を進めて行きましょう。まずは分析の背景の整理と目的の明確化を行います。

あなたは、とある総合ECサイトの責任者です。ECサイトでは、F2転換率が重要であると言われています。この”F”は購買頻度（Frequency）のことで、F2転換率とは初回購買から二回目購買への転換率（Conversion Rate）を意味します。一般的に、新規会員の獲得よりも、既存会員のリピート購買促進のほうがコスト効率が高いため、F2転換率は重要な指標となります。とはいえF2転換した会員が、その後も継続的に購買してくれる、いわゆる優良会員になるとは限りません。

そこで今回の分析目的を「優良化する会員の行動特性を、購買履歴データから把握する」とします。なおそこには、まだ優良化していな会員を意図的に優良化するためのヒントがあることは言うまでもありません。

分析対象データは、とある総合ECサイトの会員の購買履歴データで、概要は以下のとおりです。

• 種類：総合ECサイトの会員の購買履歴
• 期間：2005年1月〜2013年12月（9年間）
• 会員数：639,777人
• 購買数：7,599,650件（平均11.9件/人）

データソースは以下の３つを使用します。

まずはこれらのデータをBigQueryに投入します。データセット名とテーブル名は任意ですが、この後の解説で使う名前と合わせておきたい方は、データセット名を「DE」、テーブル名はファイル名をそのまま設定しておきましょう。投入が完了すると、このような状態になります。

次回は、データ準備と基礎分析について見て行きます。

ユーザーの行動データから、購買の意思決定プロセスを把握したい、あるいは、思いもよらないニーズを発見したい。多くのマーケターやビジネスパーソンにとって、それはデータ活用におけるもっとも重要な関心ごとのひとつでしょう。

あるコンテンツXの閲覧（事象X）と、ある商品Yの購買（事象Y）には、強い共起性があるから、事象Yの意思決定に事象Xがなんらか関与している可能性が高いのではないか。そのような分析はよく行われることと思います。

一方で、事象Xと事象Yの因果関係の説明は難しい問題です。事象Xによる気持ちの変化があったから事象Yにいたったのか、最初から事象Yが起こることは決まっていて、たまたま事象Xをしただけなのかが判別しづらいからです。

因果関係を説明するには、まず時間の関係を把握することが必要です。当たり前ですが、原因と結果の前後が入れ替わることはありません。また、事象Xと事象Yの間に大きな時間の隔たりがある場合は因果関係を説明しづらくなります。

加えて、事象Xが事象Yの発生に影響を与えていることも重要です。事象Xの有無に関わらず事象Yが起こるのであれば、因果関係は説明しづらくなります。アソシエーション分析¹⁾アソシエーション分析とは（アソシエーション分析入門 #01）のリフト値は、この影響力の強さを示す指標として扱うことができます。また、A/Bテストで影響力を検証することもあるでしょう。

なお、因果関係を確率的に推論する手法として、A/Bテストの基本概念である因果推論（Causal Inference）²⁾いまさら聞けない因果推論や、条件付き確率に基づくベイズ推定（Bayesian Inference）³⁾いまさら聞けないベイス推定があります。

行動観察が理解や発見をうながす。

このように、行動データをマクロ視点で分析することで、ユーザーの意思決定プロセスをある程度は理解できます。一方で、一人ひとりの行動データをミクロ視点で観察し、時系列に追うことで、ユーザーの意思決定プロセスの理解や発見が進むことがあります。クロスハックではこれをデータエスノグラフィ（Data Ethnography）と呼んでいます。

エスノグラフィ（Ethnography）⁴⁾エスノグラフィとは（UXリサーチ入門 #03）とは、生活者のありのままの行動を観察することで、アンケートやインタビューからは得られない洞察や発見の獲得を目指す手法のことですが、これはそのデータ版と言えます。

ユーザーの行動をつぶさに観察することで、行動の実態が見えて来ます。あるコンテンツAを見た次の日に来店し、普段から買う商品Bと合わせて商品Cを買い、さらにそれ以降の来店では商品Bと商品Cを必ずセットで購買している、などの行動がとらえられれば、コンテンツAが商品Cの購買の要因になっているのではないかという仮説にたどり着きます。

仮説の発見をマクロ視点の分析で行うことをデータマイニング（Data Mining）⁵⁾再考するデータマイニングといいますが、なかなか難しいものです。そんなときに、このようなミクロ視点の観察が役に立ちます。

思考を理解するためには。

データエスノグラフィには、エスノグラフィにはない欠点が存在します。それは、行動は思考の結果にすぎず、なぜその行動に至ったかの思考を理解することができないという点です。思考を理解できなければ、再現性を高めることはできません。エスノグラフィでは、思考の理解をインタビューで補完できます。

データエスノグラフィで思考を理解するには、ユーザーに後追いでインタビューをするか、行動から思考を想像するしかありません。ただ、パターンランゲージ（Pattern Language）⁶⁾パターンランゲージって？ように、ユーザーの意思決定プロセスが、いくつかの思考と行動の集合によって構成されているとすれば、行動から思考を類推できる可能性があります。

たとえば、あるECサイトで同じワイシャツの色違いを三着同時に買ったユーザーがいたとします。この時点では、色違いを着回ししたいという思考が想像されます。ただ、その後二着を返品したとすると、実際の色を確認して選びたいという思考が浮かび上がります。こういった思考と行動の集合をパターンランゲージとして捉えていく、ということです。

またデータエスノグラフィは、ユーザーの意思決定プロセスの理解や発見に大変有効な手段ですが、大量のデータから観察すべきユーザーを見つけることは容易ではありません。そのためには、似たユーザーをセグメント（Segment）に分類し、観察すべきセグメントを選定するという手順を踏まえる必要があるものの、多くの時間と労力を要します。クロスハックではそれを支援するものとして、UXモデリング（UX Modeling）⁷⁾UXモデリングって？という、大量のデータからシンプルなユーザー行動モデルを取り出す技術を研究開発しています。

このような欠点と余白に、データエスノグラフィの学問としての面白さや可能性を感じます。データエスノグラフィに関する研究の状況や成果については、追ってお伝えしていきたいと思います。