想定通りにはいかない難しさ。

中路：良い仕掛けをつくる上で、難しい点はどこでしょうか？

松村：仕掛ける前には考えていなかった想定外のことが起こることです。そこで、これを回避するために予備実験（Preliminary Experiment）を行います。事前に仕掛けを検証し、仕掛けに問題がないか、想定外のことが発生しないか、期待どおりの効果が出そうか、などを確認します。ちなみに、総選挙では予備実験をすることができませんでしたが…。

中路：仕掛けの結果の検証や評価は厳格に行なっているのでしょうか。もともとAIの研究をされていたこともあり、データ分析は得意分野かと思いますが、具体的にどのようなことを行っているのでしょう。

松村：仕掛けの結果の検証でデータ分析はしますが、特別なことはしません。基本的にはすべて目視でデータ収集をします。どのような人がどのような反応をしているのか、そのときの表情はどういった様子なのか、といったことを定量化します。統計的な処理を行って仕掛けの効果を検証しますが、何より重視しているのは表情です。みんなが笑顔であれば大成功だと言えるでしょう。逆に怒っている人がいれば失敗です。

仕掛けの効果を正しく評価するためには、何をどのような観点で観察すべきかをあらかじめ議論し、漏れなく準備しておく必要があります。いったん仕掛けがスタートすると、後から観察したいことが見つかっても軌道修正することは難しいですからね。

中路：総選挙では予備実験ができなかったとのことですが、仕掛けがスタートした後に気づいたことはありますか？

松村：三つありました。ひとつ目は、気温による人の行動の変化です。実験期間中はそれ以前と比べて平均気温が5℃も上昇していました。気温が上がると、エスカレーターの利用率も上がると言われています。幸いにも実験期間後の平均気温がそれほど変わらず事なきを得ましたが、肝を冷やしました。

二つ目は、メディアの撮影用カメラにより階段を利用できない時間が発生してしまったことです。これはコントロールが非常に難しいケースかと思います。

三つ目は、第三の選択肢を与えてしまったことです。「アフター5の行き先は福島駅？それとも天満駅？」というように階段に二つの選択肢を持たせたわけですが、その二つから選べない、あるいはそれ以外を選択したい人に対して、エスカレーターの利用を選択する”逆の理由づけ“をしてしまったということです。

ただ、このような想定外をすべて事前に気づくことは難しいため、仕掛学を市民科学（Citizen Science）にすることが重要だと考えています。

中路：確かに、先人の知恵があると仕掛けの精度をより高められますね。さらに成果の観点でいうと、ひとつ一つの仕掛けの成果は小さくとも、それが広まることで大きな成果につながると思うのですが、その辺りの狙いはありますか？

松村：まさにそこが、仕掛学を市民科学にする大きな意味や価値になると思います。研究者が仕掛けの実験をして終わるのではなく、みんなが仕掛けの実験に参画し、成功や失敗の経験を共有できるようにしたい。そのために過去の仕掛けの内容は公開していますし、多くの人が仕掛けを考える際に有効活用してもらいたいと考えています。

まずは良い仕掛けを学ぶことから。

中路：仕掛学を市民科学に育てる上で大切なことは何でしょうか？

松村：良い仕掛けと悪い仕掛けの大きな違いである、誰もが不利益を被らない公平性と、仕掛ける側と仕掛けられる側の目的が異なる目的の二重性に、その答えがあると考えています。

仕掛けられた側が「あぁ、騙された！もう二度と騙されないぞ！」と思ってしまえば、それは良い仕掛けではありません。仕掛けられる側が、仕掛ける側の目的を理解し、なおかつ「楽しいからやろう！」と参加してくれる仕掛けは、おのずと広がっていくと思います。また、そのような良い仕掛けがたくさんある社会は、きっと素敵なものになると信じています。

中路：良い仕掛けを集める上でお手本となる業界や分野はありますか？

松村：教育現場は良い仕掛けの宝庫です。優れた先生は、試行錯誤の末に獲得した、子供たちのやる気を引き出す独自の仕掛けを持っています。教科書をそのまま読むのではなくクイズ形式にしたり、外に出て実際のものに触れてみたり。生徒をワクワクさせる良い仕掛けをたくさん持っているわけです。これらを集めて、課題解決に活かす仕組みを作りたいと考えています。

また、良い仕掛けを見つけるには”遊び心“が必要です。例えばゴミ箱ひとつにしても、「ゴミはゴミ箱に入れましょう」と張り紙をしたところで、残念ながらポイ捨てをする人はいるわけです。仕掛けは、やってみたいと思わせたら勝ちです。ゴミを入れることを目的にするのではなく、バスケットゴールに入れて快感を得るという、まったく別の”楽しい“目的を与えることで、ゴミの回収率を高めることはできるのです。

中路：人の行動を促す枠組みといえばナッジ（nudge）もありますが、仕掛学との違いはどこにありますか？

松村：どちらも新しい選択肢を与えて行動を促す点は同じですが、ナッジは無自覚的に選択し、仕掛けは自覚的に選択するという点が決定的な違いです。すなわち、仕掛けられる側が自身の選択を意識しているかどうかの違いです。

無意識的に選択をした場合、その行動を強要されたものとして反感（Back Fire）を生む可能性があります。これはナッジが抱える問題点です。一方で仕掛学では、自分が意識的に選択をするため、反感を生むことはありません。

また、仕掛学をマーケティングに利用したいという声もありますが、商品やサービスの認知獲得までは仕掛学の範囲であると考えています。購買までを目的にすると「買わされた」という反感を生む可能性があるからです。

中路：なるほど。他にはどのような注意点がありますか？

松村：「魔法陣を地面に書くと、人の行動にどのような変化が現れるか」という実験を、以前に大学内で行なったことがあります。人がたむろすることを防ぐことを目的とした仕掛けでしたが、その目的を理解せず、愉快犯的に模倣する人が現れました。これを予め想定して排除することは難しいのですが、仕掛けられる側の立場で、その仕掛けをどのように受け止めるかを考えておくことが大切だということです。

中路：仕掛けられる側の立場で考えるとは、具体的にどのようなことでしょうか。

松村：真実の口の中にアルコール消毒器を仕込んだ仕掛けを病院で実施するにあたり、注意書きを大きく記載するなどの工夫を行いました。アルコール過敏症の方に向けた配慮です。

楽しい経験がよい仕掛けを生む。

中路：良い仕掛けを生むコツはありますか？

松村：アイデアを出すプロセスは試行錯誤していますが、これという解はなさそうです。アイデアの発想法としては、オズボーンのチェックリストやIDEO社のデザイン思考（Design Thinking）などの手法がありますが、それで必ず良い仕掛けが生み出されるわけではありません。

仕掛けのポイントは”目的の二重性“で、仕掛けられた側の目的を作る必要があるのですが、アイデアの発想法だけではそれを生み出すに至らないことが多い。そこで利用するのが類推（Analogy）という手法です。

仕掛けられた側の”楽しい“目的を作るには、その人が過去にそれを楽しんだ経験があるかどうかが重要です。バスケットゴール付のゴミ箱の例でいうと、ボールをゴールに入れる”楽しい“経験が、総選挙の例でいうと、投票によって自分の意見を他の人と比較する”楽しい“経験があるからこそやってみたいと思うわけです。ライオンの口の例でいうと、ローマの休日の真実の口を知っていれば、やりたい気持ちはより高まるでしょう。このように、過去の経験を上手く紐づけて、体験したいという欲望（Desire）を作りだすことが、強力な誘引を持つ仕掛けの創出につながります。

中路：最後に、松村先生の今までの研究から導き出されたメッセージを一言で教えてください。

松村：ひとことで言うと「仕掛けは人の興味や関心を具現化したもの」です。

良い仕掛けを思いついたとしても、実際に試してみると想定外のことが起きることは多々あります。そんな時でも、軌道修正を厭わず、試行錯誤を楽しむことが大切であり、それが仕掛けられた側の笑顔につながります。

良い仕掛けは、ただ問題を解決するのではなく、人の行動を変えて笑顔にしてくれます。仕掛学（Shikakeology）が、仕掛楽（Shikakenjoy）という楽しい問題解決の一つの方法として多くの人に広まり、世の中に良い仕掛けがたくさん生まれ、共有される社会になることを願っています。

人を笑顔にする仕掛け。

本メディアのテーマである「UXとデータによる価値創発」に関わる領域で先駆的な取り組みをされている専門家の方々を、uxmeetsdata.com編集部の中路（ナカジ）が訪ねる本企画。

今回は、大阪大学大学院経済学研究科教授の松村真宏（マツムラナオヒロ）先生にお話を伺いました。松村先生は、仕掛学（Shikakeology）¹⁾仕掛学って？という学問を創出し、日常にひっそりと隠れている仕掛け（Shikake）を問題解決の手段として体系立てた、この領域の先駆者です。

もともとはAI研究者であった松村先生が、どのような問題意識から仕掛けというアプローチに至ったのか、そして”人を笑顔にする良い仕掛け“を生み出す極意はどのようなものかについて語ってもらいました。

データでは本質がわからない。

中路：まずは松村先生の研究テーマについて、これまでの経緯と合わせて教えてください。

松村：もともとは漠然と人工知能（Artificial Intelligence：AI）をやりたいと思っていて、当時AIの研究をされていた大澤先生²⁾大澤先生のデータ戯れ学のいる研究室を選びました。研究テーマは、修士までは検索エンジン（Search Engine）でしたが、博士課程でソーシャルメディア（Social Media）へと移りました。具体的には、Yahoo!掲示板や2ちゃんねるなどの掲示板サイトのデータを用いて、どのような話が、どのように伝播するのか、またその影響力などについて研究していました。それは刺激的で楽しかったのですが、一方で生涯の研究テーマなのかという違和感もありました。

中路：その違和感とは、どのようなものだったのでしょう？

松村：ひとつの側面しか捉えていないデータでは、本質的なことはわからないということです。人は、色々な人格を使い分けています。例えば、Yahoo!掲示板での発言データは、その人の人格のある側面でしかなく、それだけでその人の本質を捉えることはできません。

当時、社会心理学の分野の先生ともお話をしていて、人を対象としたデータの取り扱いの難しさや限界を感じ、何か違う方面に行きたいと考えていました。そんなおり、2012年にサバティカルという長期休暇を取得し、スタンフォード大学で研究をする機会を得ました。そこで今の研究テーマである仕掛学に本格的に取り組み始めたわけです。スタンフォード大学は挑戦的な研究テーマに対して理解のある大学で、デザインスクールの先生方や学生たちと人の行動について様々な側面から議論することができました。

そのあと日本に帰国し、それまでの研究成果を『仕掛学―人を動かすアイデアのつくり方』という本にまとめて2016年に出版しました。それが一部のマスコミやメディアに取り上げられ、企業や一般に認知が広まっていったわけです。

仕掛けとは人の行動を変える仕組み。

中路：仕掛学とはどのような学問でしょうか？

松村：仕掛学（Shikakeology）は、人の行動を変える”仕掛け“を研究する学問です。仕掛けと聞くと罠のような悪いイメージがあるかもしれませんが、仕掛学では世の中のたくさんの仕掛けの中から良い仕掛けを定義しています。具体的には公平性（Fairness）・誘引性（Attractiveness）・目的の二重性（Duality of purpose）の三つを満たすものです。

公平性（Fairness）は、仕掛けによって誰も不利益を被らないことです。人を騙したり不快にするものは仕掛けではないことになります。

誘引性（Attractiveness）は、行動を誘うという仕掛けの性質のことです。行動の変化を強要するものは仕掛けではないことになります。仕掛けが行動の選択肢を増やすもので、かつ自らの意思で選択できることが前提となります。

目的の二重性（Duality of purpose）は、仕掛ける側の目的（問題を解決したい）と仕掛けられる側の目的（その行動をしたい）が異なることです。目的が一致するものは仕掛けではないことになります。

簡単に言うと、仕掛ける側も仕掛けられる側も”笑顔になる“とか”幸せになれる“仕掛けを指します。”人を欺く“とか”行動を強要する“仕掛けは対象としていません。

また、企業とのコラボレーションを積極的に行っています。最近では、今年の7月30日から8月5日の期間限定で、JR西日本グループと「大阪環状線総選挙」を実施しました。これは「あなたの好きな大阪環状線のアフター5の行き先は福島駅？それとも天満駅？」という問いに対して、階段を登ることで投票できるという仕掛けです。

本来の目的は、混雑や問題発生の要因となるエスカレーターの利用を減らし、階段の利用を促進したいというJR西日本グループが抱える課題の解決することでした。仕掛けの定義で説明すると、仕掛ける側の目的は階段の利用促進、仕掛けられる側の目的は選挙への投票や投票結果を見ることであり、双方の目的が異なる、すなわち目的の二重性があることがわかります。また、誰の不利益もなく、行動も強要ではなく自然に誘引されています。

中路：このような企業とのコラボレーションによる大きなイベントが多いのでしょうか？

松村：企業とのコラボレーションも多数ありますが、大学の中や、大学の近くの商店街の中でもたくさん仕掛けの実験を行なっています。商店街のある通りを歩くと、研究目的で実施した仕掛けを五つ発見した、ということも少なくありません。学期末はゼミの発表会があるので、学生が新しい仕掛けを仕込んでいる姿が見られます。発表では、良い仕掛けが予想通りの結果をもたらしたものもあれば、想定外のことが起きたものもありますね。

Apple社のスマートスピーカーであるHomePodが日本にようやく上陸しました。これにより、すでに一般家庭に普及しつつあるAmazon社のAmazon EchoとGoogle社のGoogle Homeと合わせて、IT大手３社のスマートスピーカーが出揃った形となります。

スマートスピーカー市場は全世界で拡大を続けており、Voicebot社が米国の成人に対して実施した調査において、四人に一人が所有しているという結果が報告されています。日本での普及率は6%程度と言われており、まだこれからという感じですが、サービスの拡充とともに普及が進むものと思われます。2019年は後にスマートスピーカー元年と呼ばれるかもしれません。

また、スマートスピーカーの普及とあわせて音声UIの利用も進んでいます。Gartner社の調査によると、音声UIによる情報検索である音声検索が、2020年には全検索の30%に達するとのことです。かつてのPCのグラフィカルユーザーインターフェース（Graphical User Interface：GUI）やスマートフォンのタッチUIがそうであったように、音声UIには従来のUIの多くを置き換える可能性があります。

そこで、いまさら感はあるものの、音声UIとはそもそも何で、どのような特長があるのかについて改めておさらいしつつ、未来の可能性について言及してみようと思います。なお、今回はユーザーインターフェース（User Interface：UI）や情報設計（Information Architecture：IA）の視点にフォーカスするとし、テクノロジーや人工知能（Artifical Intelligence：AI）の視点は次回の「いまさら聞けない音声AI」に譲るとします。

”ながら”を可能とする。

音声UI（Voice User Interface：VUI）とは文字通り音声を基軸としたUIであり、人間が発する音声情報としての自然言語により機械を操作することを目的とします。

実は音声UIの歴史は長く、1960年代初期にIBM社により開発されたShoeboxがそのルーツだと言われています。とはいえこれは音声UIというよりは音声認識装置でしょう。音声を正しく認識することを目的としており、これにより機械を操作することを目的としていないからです。

音声UIとして明確に商品化されたのはそこから約半世紀後のこと、Apple社が2011年に発売したiPhone 4Sに搭載された音声UIのSiriがそれです。ただし、この時点では音声認識の精度が低く、かつスマートフォンの利用機会の多くが自宅外であったため、音声による操作が定着することはありませんでした。

しかしながら、スマートフォンネイティブな世代が増えるにつれ自宅内でのスマートフォン利用が進み、さらにAmazonとGoogleが低価格でスマートスピーカーを提供したことも手伝って、現在では音声UIの利用が定着化しつつあると言えます。また、2012年以降に深層学習（Deep Learning：DL）の技術が発達し、実用化されたことで音声認識の精度が格段に向上していることも、音声UIの普及を後押ししていると言えるでしょう。この点については次回「いまさら聞けない音声AI」で触れたいと思います。

ところで、GUIを中心とした従来UIと比較した場合の音声UIの特長とは何でしょうか。それは大きく二つあります。ひとつは、手を使わずに操作できるという点です。これにより、料理をしながらレシピを調べる、子供の面倒を見ながらタクシーを呼ぶ、などの“ながら”行動が可能になります。また、スマートスピーカーの利用機会として最も多いのは音楽を聴くことらしいですが、それそのものが音声情報であり、必ずしも視覚情報を必要としないため、音声UIが適しているのは必然と言えるでしょう。

もう一つは、視覚情報を表示するためのモニターや、GUIを操作するためのタッチパネルが不要であるという点です。これは今後のIoTの普及には不可欠の要素と言えるでしょう。小さなデバイスにモニターを装備することはできませんし、利用者側としても全てをタッチパネルで操作しなければならないのは非常に不便です。

もっとも、上記の問題の解決には音声UI以外にも、ジェスチャーや視線による操作、あるいは脳直結インターフェースなどのUIも実用に向けて研究開発が進んでいるため音声UI固有の特長ではありませんが、比較的容易に実現できるという点で実用面ではリードしていると言えるでしょう。

ただし、音声UIは自宅以外での利用にやや抵抗感がある、あるいは音声UIデバイスが近くに複数ある場合に操作対象を特定しづらいなどの欠点もあります。したがって今後は、様々な形態のUIが適材適所で採用されていくのではと考えられます。

音声UIが変えるユーザー体験。

最後に、音声UIは私たちの生活やユーザー体験をどのように変化させるのでしょうか。前述のとおり、音声UIの特長は手を使わずに操作できるという点であり、それにより”ながら”行動が可能となるということは、直接的にもたらされる変化と言えます。一方で、それとは別に間接的にもたらされる変化もあります。

そのひとつは、情報検索体験でしょう。冒頭で音声UIによる情報検索が増加しているということをお伝えしましたが、これは明らかに従来とは異質なものです。PCからスマートフォンへと情報検索デバイスの主役が変化する中で、より小さな画面でどのように検索をしやすくするか、あるいは検索結果を表示するか、などが検討され、最適化されてきましたが、それ同様あるいはそれ以上の変化が生じます。具体的には、音声情報には視覚情報のような情報の一覧性が当然ながら存在しないため、複数の情報は順次に伝達するほかありません。したがって、検索結果の優先順位の決定はより重要な課題となります。

また、検索結果が期待するものでなかった場合、検索条件をそこに追加するのか、あるいはいったんクリアして最初から検索し直すのか、などの細かい操作がGUIでは簡単ですが、音声UIで言葉だけで操作するのは極めて困難です。したがってそれをサポートするようなインタラクションが必要です。このように、音声UIによる情報検索体験は従来とは全く異なるため、最適化が必要であり、音声検索最適化（Voice Search Optimization：VSO）と呼ばれています。

もうひとつの大きな変化は、音声アシスタントによるコミュニケーション体験でしょう。音声アシスタント（Voice Assistance）とは、音声情報としての自然言語による問いかけや要求に対し、適切に回答したり、動作したりする機能・サービスのことで、Apple社のSiri、Google社のGoogle Assistant、Amazon社のAlexaがその代表例です。前述のとおり、音声UIによる情報検索はGUIと比較して不便なことも多くサポートを必要としますが、それには利用者の検索意図を理解したり、あるいは趣味嗜好に合わせて検索結果を最適化するなどの能力や学習が求められます。一方で、それらを理解すると、単に利用者の要求に回答するだけでなく、利用者の行動を代行することが可能となります。

2018年5月のGoogle I/Oで、Google Assistantの電話代行サービスであるGoogle Duplexが発表され、そこで行われたデモは世界に衝撃を与えました。これはまさに、利用者が飲食店や美容室に電話予約を入れるという行動を代行するものです。一方で、自動音声応答装置（Interactive Voice Response：IVR）による電話受付の自動化も進んでおり、近い将来、音声アシスタントとIVRによる人が関与しない通話コミュニケーションが実現するでしょう。このように音声UIには、ユーザー体験を根底から変えてしまう可能性があるわけです。

単純集計で因果効果を俯瞰。

初回購買のみの会員を対象に、評価時セグメンテーションによるABテストを実施するところまでを前回取り上げましたが、今回はその実験結果の評価手法と改善アクションへの落とし込みについて見ていきます。

ABテストの評価に使う分析手法は、基本的にはクロス集計とカイ二乗検定のみです。まずは単純集計（Simple Tabulation）で因果効果を俯瞰します。一ヶ月間のABテストの集計結果が以下であった場合、どのような因果効果を見出すことができるでしょうか。

まずこの結果から、以下の因果効果を読み解くことができるかと思います。

1. 総じて介入群は対照群よりもF2転換率が10%程度高く、おすすめ商品を提案することの因果効果は存在する。
2. 介入群の各サブグループ間にはF2転換率の差がほぼ見られず、おすすめ商品の違いによる因果効果は存在しない。

とはいえ統計的に意味のある差、すなわち有意差（Significantly Different）があるとは言えず、因果効果を証明できていません。それには有意差検定を行う必要があります。

クロス集計で因果効果を切り分け。

また、おすすめ商品を提案することの因果効果が存在するとして、初回購買とは異なるカテゴリのおすすめ商品を提案したことによる効果なのか、あるいは単におすすめ商品を提案したことによる効果なのかの切り分けがこの段階ではできておらず、仮説である「初回購買から一ヶ月以内に、初回とは異なるカテゴリのおすすめ商品を提案すると、F2転換する可能性が高い」の検証には至っていません。

そこで、提案商品が初回購買とは異なるカテゴリかどうかで介入群の各サブグループをセグメンテーションし、介入群の各サブグループと提案商品が初回購買とは異なる商品カテゴリかの二軸によるクロス集計（Cross Tabulation）を行います。

どうでしょうか。確かに初回購買とは異なる商品カテゴリが提案された場合のほうがF2転換率が高いサブグループもありますが、逆に介入群2「映画・音楽・ゲーム」や介入群3「本・聞く本」などは”偽”すなわち同じ商品カテゴリが提案された場合のほうがF2転換率が高くなっています。これらの商品カテゴリは趣味性が強く、同じカテゴリを提案し続けたほうが再購買の確率が高いのかもしれません。

いずれにせよ「必ずしも初回購買とは異なる商品カテゴリを提案することがF2転換率を高めるということにはならない」と言えそうです。ただし、これについても有意差が確認されていないため、有意差検定を行う必要があります。

カイ二乗検定で有意差を確認。

有意差検定（Significance Test）とは、二組の標本について統計的に意味のある差すなわち有意差が存在するかを検定することで、t検定やカイ二乗検定などの統計的検定法を用います。

t検定（t-Test）は、帰無仮説が正しい仮定のもと、統計量がt分布に従うことを利用する検定法の総称です。t分布（t-Distribution）は連続確率分布のひとつで、正規分布する母集団の平均と分散が未知で標本サイズが小さい場合に、二組の標本の平均の有意差検定に用います。

カイ二乗検定（Chi-Square Test）は、帰無仮説が正しい仮定のもと、統計量が近似的にカイ二乗分布に従うことを利用する検定法の総称です。カイ二乗分布（Chi-squre Distribution）は自由度が大きくなるほど大きな値をとる確率が増えて正規分布に近づく、右に歪んだ分布で、クロス集計表の有意差検定に用います。

今回のABテストの結果は上記のクロス集計表で得られるため、カイ二乗検定を用います。 では、さきほどの因果効果に関する仮説「総じて介入群は対照群よりもF2転換率が10%程度高い」の有意差を検定してみましょう。

その前に統計的検定の進め方の基本を理解しておく必要があります。それは差がないという仮説を否定することで、差があるという仮説を証明するというものです。差がないという仮説を帰無仮説（Null Hypothesis）、差があるという仮説を対立仮説（Alternative Hypothesis）といいます。

今回のケースでは、初回購買のみの会員に対して何も提案しなかった場合のF2転換率は10.0%であり、おすすめ商品の提案を行った場合のF2転換率が10.0%と差がないという仮説が帰無仮説、差があるという仮説が対立仮説となります。そして帰無仮説が棄却できれば、有意差があることが証明されます。

帰無仮説を棄却するには、p値が有意水準を下回る必要があります。p値（p-Value）とは、帰無仮説が正しい仮定のもと、今回のような差が発生する確率のことで、それが小さいほど帰無仮説が正しくないことの根拠となり、有意水準を下回ると帰無仮説は棄却されます。有意水準は一般的に5%に規定しますが、慣習的なもので実はあまり根拠はありません。とはいえここでも有意水準5%で検定を行います。

カイ二乗検定におけるp値の計算方法についてはここでは触れませんが、Pythonの拡張モジュールであるScipyにより以下のプログラムで計算可能です。そしてp値は4.9%となり、有意水準5%を下回るため、帰無仮説が棄却され「総じて介入群は対照群よりもF2転換率が10%程度高い」の有意差が証明されます。

同様に「必ずしも初回購買とは異なる商品カテゴリを提案することがF2転換率を高めるということにはならない」についても有意差検定を行うことが可能です。

1. 初回購買から一ヶ月以内におすすめ商品を提案するとF2転換する可能性が高い。
2. 必ずしも初回購買とは異なる商品カテゴリを提案することがF2転換率を高めるということにはならない。

これまでの実験と評価からこの事実が証明されました。ここから改善アクションにつなげて小さなPDCAを回すわけですが、具体的にはどの会員にどの商品カテゴリを提案すればF2転換に効果的かの仮説を会員の行動特性から見出し、実験時セグメンテーションによるABテストを改めて実施するとよいでしょう。

大きなPDCAから小さなPDCAに落とし込み、ABテストによる実験・評価・改善アクションを行う実践的なメソッドを、具体的なケースを交えて紹介しました。あらゆるUXグロースはこれを基本に進めることが可能なので、実践の参考にしてもらえればと思います。

因果推論とABテスト。

大きなPDCAから小さなPDCAに落とし込む流れについて前回説明しましたが、ここからは小さなPDCAの推進に欠かすことのできないABテストによる実験・評価・改善アクションの実践的なメソッドを見ていきます。

ABテストは、正式にはランダム化比較実験（Randomized Controlled Trial：RCT）というもので、因果推論の代表的な手法です。因果推論（Causal Inference）¹⁾いまさら聞けない因果推論とは二つの事象間に因果関係があるかどうかを明らかにするための考え方や手法を言います。

その詳細は「いまさら聞けない因果推論」に詳しいのでここでは触れませんが、二つの事象間に因果関係があることを証明する手法に、事実と反事実の比較があります。反事実（Counterfactual）とは、その事象が発生しなかった場合のことです。そして、原因の事象Xが発生したという事実における結果の事象Yと、原因の事象Xが発生しなかったという反事実における結果の事象Y’を比較し、有意差（Significantly Different）が見られる場合に因果関係があると結論づけます。この場合の有意差とは、事象Yと事象Y’の間の統計的に偶然とはいえない差のことで、それを因果効果（Causal Effect）といいます。また、事実と反事実の比較により因果関係を説明することを反事実モデル（Counterfactual Model）といい、その代表的な手法がRCTすなわちABテストです。

たとえば新薬の臨床試験において、病気のネズミを無作為に二つのグループに分け、片方のグループにのみ投薬したとしましょう。そこで投薬したグループのほうが治癒率が高ければ、因果効果があると言えます。なお、投薬したグループを介入群（Intervention Group）、投薬しなかったグループを対照群（Control Group）といいます。また、グループを無作為に分けるのは、比較する二つのグループの間に介入した事実以外の違いが存在すると、違いを生んだ原因がどちらであるかを説明できなくなるからです。

行動特性から仮説を見出す。

前回と同じケースで考えていきます。あなたは、とある総合ECサイトのCRM担当者で、会員の継続化をミッションとしており、目標はF2転換率を一年間で20%向上させることです。なお、ECサイト全体の目標は年間獲得利益の10億円伸長であり、F2転換率の向上はその主要成功要因（Key Success Factor：KSF）のひとつです。

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。

現時点ではF2転換率を向上させる確実な方法はわかっていないため、ABテストで小さなPDCAを回しながら目標に近づけていくアプローチをとります。二回目購買キャンペーンなどの安易な施策が脳裏をかすめますが、裏付けなしの仮説で闇雲にやっても非効率ですし、たとえそれでF2転換したところで、キャンペーンに反応する会員に高いLTVは見込めません。

そこで、より効果を見込める仮説発見のために、まずは会員の行動特性を分析します。具体的には、F2転換する会員と離反する会員の違いはどこか、何がきっかけでF2転換するのかといった特性の違いを分析していきます。行動特性を分析する手法にはエスノグラフィ（Ethnography）²⁾エスノグラフィとは（UXリサーチ入門 #03）などがありますが、ECサイトの長期間の行動分析には向きません。一方で、ECサイトであれば閲覧や購買の行動データが存在するため、データエスノグラフィ（Data Ethnography）³⁾データエスノグラフィ入門が有効な手段となります。そこでデータエスノグラフィを実施し、以下の二つの事実を見出したとします。

1. 初回購買から一ヶ月以内に再訪問した会員はF2転換率が高い。
2. 二回目は初回と異なる商品カテゴリを購買する確率が高い。

これらの事実から「初回購買から一ヶ月以内に、初回とは異なるカテゴリのおすすめ商品を提案すると、F2転換する可能性が高い」という仮説が浮かび上がります。また、具体的な施策として以下が想定されるかと思います。

1. 再訪問した会員に対して、ランディングページにて、初回とは異なるカテゴリのおすすめ商品を提案する。
2. 初回購買から一ヶ月間購買のない会員に対して、メールニュースにて、初回とは異なるカテゴリのおすすめ商品を提案する。

施策1は再訪問した会員のF2転換の確度を向上するための施策となります。施策2は再訪問の機会そのものを創出することで、施策1では取りこぼしてしまう会員を取り込む施策となります。これらはどちらも高い効果が見込めるので、同時に実施したくなりますが、このように複数の接点で施策が想定される場合の鉄則として、以下の二つを念頭に入れておくべきです。

1. 同時には実施しない。
2. 実施順序は目標に近い接点から。

まず同時に実施するのは避けるべきでしょう。なぜならば、一部の会員は両方の施策を体験することになり、効果があった場合にどちらの施策による効果なのかを判別しづらくなるからです。

次に実施順序ですが、それは目標に近い接点からになります。この場合でいうとF2転換に近い接点ということで、施策1がそれに当たります。理由は二つありますが、ひとつは目標に近い接点のほうが成功確度が高く、成果に結びつきやすいという点です。これには、小さなPDCAを回す際に、早い段階で成果が出ると次の施策を実施する動機が高まるという効果があります。

ただ、より重要なのはもうひとつの理由で、それは目標に近い接点のほうが外部要因が少ないという点です。外部要因が少ないほど、結果に対する施策の効果を説明しやすくなります。逆に目標から遠くなると、目標までの体験すなわち外部要因が増え、施策の効果を説明しづらくなります。

ABテストとセグメンテーション。

では施策1「再訪問した会員に対して、ランディングページにて、初回とは異なるカテゴリのおすすめ商品を提案する」の、F2転換への因果効果を検証するABテストについて検討していきます。

ABテストによる因果効果の検証では、テスト対象者を介入群（Intervention Group）と対照群（Control Group）の二つのグループに分け、介入群にのみ施策を実施することで、結果に有意差（Significantly Different）が生まれるかどうかを検証します。ここでは、介入群が対照群に比べてF2転換率が高く、かつ有意差があることがわかれば因果効果を説明できます。

テスト対象は初回購買のみの会員で、サイトへの訪問時に最初に訪れるページすなわちランディングページ（Landing Page：LP）において、介入群に対しては、初回購買とは異なるカテゴリのおすすめ商品を提案します。それに対し、対照群には何も提案しません。ABテストとして実施する内容はこれだけです。ただし、ここで二つの疑問が生じます。

1. 介入群と対照群の比率をどうするか。
2. 介入群にどの商品カテゴリを提案するか。

1については、テストの観点では結果の有意差を評価するのに十分なN数が、介入群と対照群の両方で確保されていることが絶対条件で、あとはビジネスの観点で介入群をどれだけ増やしたいかにより決定すればよいでしょう。

2については、どの商品カテゴリがF2転換に対して効果的であるかが会員の購買特性により異なるため、介入群をいくつかのサブグループにセグメンテーション（Segmentation）し、サブグループごとに実験や評価を分ける必要があります。そして1の有意差を検証するのに十分なN数が、介入群の各サブグループ単位で確保されている必要があり、それも考慮して比率を決定します。

介入群のセグメンテーションには、実験段階であらかじめ行う実験時セグメンテーションと、実験段階では行わずに評価段階で行う評価時セグメンテーションの二つがあります。

実験時セグメンテーションでは、あらかじめ何らかの方法で会員の購買特性を分析し、サブグループの分類基準と各サブグループに提案する商品カテゴリの定義を行います。当然ながら、サブグループと提案する商品カテゴリの間には、高いF2転換率を発生させる強い関連性があることが前提となります。すなわちセグメンテーションと因果効果の仮説が不可欠となりますが、逆にそれが存在すれば実験初期から高い因果効果が期待できます。分析アプローチとしては、検証的アプローチ（Verifying Approach）と言えます。

評価時セグメンテーションでは、実験段階でのセグメンテーションは行わず、介入群に対してどの商品カテゴリを提案するかは無作為に決定します。商品カテゴリ数が9であれば、介入群を無作為に9つのサブグループに分割し、それぞれに異なる商品カテゴリを提案します。そして、評価段階において介入群を様々な切り口でセグメテーションし、実際に提案された商品カテゴリとF2転換率の相関を分析しながら、因果効果の高い組み合わせを探索します。したがって、実験段階では想像していなかった因果効果を評価段階で発見する可能性があります。ただし、細かくセグメンテーションしても評価に耐え得るN数が必要となります。分析アプローチとしては、発見的アプローチ（Discovering Approach）と言えます。

セグメンテーションを実験時と評価時のどちらにするのかは、それぞれの特徴を理解した上で適切に選択するとよいでしょう。以下に特徴の違いをまとめておきます。

ここではセグメンテーションと因果効果に関する明確な仮説がないため、評価時セグメンテーションを選択します。直近一ヶ月間で獲得した会員5万人のうち、初回購買のみの約4万人をテスト対象とし、介入群を無作為に分けた9つのサブグループと対照群に、それぞれ10%ずつの約4,000人を割り当て、それぞれ異なる商品カテゴリを提案するABテストを実施します。

次回の「UXグロース入門」最終回では、上記で実施したABテストの評価手法と改善アクションへの落とし込みについて見ていきます。

Σ（個別最適） ≠ 全体最適。

UXグロース（UX Growth）を進めるプロセスとして大きなPDCAと小さなPDCAの両方を考える必要があるということを前回説明しましたが、今回はそのプロセスについて詳しく見ていきます。

まず、一般的にグロースハックと言えば、小さなPDCAが想起されますが、それはABテストなどの象徴的な手法がそのためのものであるからでしょう。ではUXを向上させてビジネスを成長させるのにそれだけではだめなのでしょうか。

たとえばECサイトの場合でいうと、最終目的は利益を継続的に獲得することです。利益を獲得するためには商品が売れる必要があります。商品が売れるには、購買してくれる会員が必要です。そこで会員獲得という個別の目的が生まれるわけですが、ではとにかく会員を増やせば最終目的である利益の継続的な獲得が達成できると言えるでしょうか。もちろん会員が必要であることは間違いありません。とはいえ、初回購買のみの会員やキャンペーン時のみ購買する会員が増えても、利益の継続的な獲得にはつながらないでしょう。

この場合、会員獲得は利益を継続的に獲得するための必要条件であって十分条件ではないと言えます。そして、必要条件（Necessary Condition）である会員獲得を最大化することを個別最適（Specific Optimization）といい、それが小さなPDCA（Small PDCA）の目的となります。

一方で、会員獲得のみならず、その後の継続化やLTV向上なども含めて、利益を継続的に獲得するのに十分な条件、すなわち十分条件（Sufficient Condition）を統合して最大化することを全体最適（Total Optimization）といい、それが大きなPDCA（Big PDCA）の目的となります。

また、個別最適の積み上げが全体最適ではないということも理解しておく必要があります。確かに会員数・継続化率・LTVなどの想定されるあらゆる必要条件をすべて最大化すれば売上は最大化されますが、それが全体最適にならないことはコストという概念を考慮すれば理解できます。ここでいうコスト（Cost）とは、費用の意味はもちろんのこと時間や労力などの意味も含みます。それらは無償でも無限でもないため、想定される必要条件すべてを最大化することはできません。ましてや利益獲得が目的であれば、なおさらコストに対する最適解を見つける必要があります。

最終目的を達成するためには、小さなPDCAによる個別最適の積み上げでは不十分であり、大きなPDCAによる全体最適の視点が不可欠であるということがわかるかと思います。

一方で、大きなPDCAだけではどうでしょうか。おそらく何も前進することはないでしょう。利益の継続的な獲得という大きな目的に対しては、具体的な対応施策が存在しないからです。具体的な対応施策を講じるには、会員獲得や継続化などの小さな目的に細分化する必要があります。そこで、まずは大きなPDCAの計画をたて、そこから小さなPDCAの計画にブレイクダウンする流れとなります。

マスタープランを策定する。

大きなPDCAの計画を、ここではマスタープラン（Master Plan）と呼びます。マスタープランでは以下の項目を策定します。

1. 最終目的（Objective）
2. 最終目標達成指標（Key Goal Indicator：KGI）
3. 投資対効果（Return on Investment：ROI）
4. 主要成功要因（Key Success Factor：KSF）
5. 主要業績評価指標（Key Performance Indicator：KPI）
6. マイルストーン（Milestone）
7. 実行計画（Execution Plan）

具体的なケースで考えていきます。あなたは、とある総合ECサイトの責任者で、年間獲得利益を20億円から30億円に一年間で伸長させることがミッションであるとします。なお、ここでの利益とは売上総利益を意味するとします。この場合のマスタープランはどのようになるでしょうか。

最終目的（Objective）は利益獲得であり、最終目標達成指標（Key Goal Indicator：KGI）は年間獲得利益の10億円伸長となります。ただし、このままでは具体的な実行計画を作ることはできません。

そこでまず、投資対効果を考えます。投資対効果（Return on Investment：ROI）とは文字通り、投資額に対して獲得する効果のことです。ここでの効果とはすなわち利益であり、獲得する効果は利益伸長分の10億円ということが予め決まっています。そのうちの50%を効果獲得のために投資可能だとすると投資額は5億円となり、これが予算（Budget）となります。なお、5億円の投資で10億円の効果が得られるためROIは200%です。

次に、最終目的を達成する戦略（Stragegy）を策定します。戦略策定の詳細なプロセスはここでは言及しませんが、最終的には主要成功要因と主要業績評価指標を策定することになります。主要成功要因（Key Success Factor：KSF）とは最終目的を達成するための主要な要因のことで、主要業績評価指標（Key Performance Indicator：KPI）はそれを定量的に評価するための指標のことです。具体的には下表のようなKSFに細分化することができます。また、予算10億円を各KSFの優先度や効率性をもとに割り振りをします。これを予算配分（Budget Allocation）といいます。

なお、ここでのKGI・KPIは年間での評価指標ですが、一年経過してから初めて評価するのでは、うまく成果が出せていない場合に軌道修正ができません。したがって、例えば四半期ごとなど定期的に評価して改善アクションを行います。そのためには各評価期間ごとのKGI・KPIが必要があり、それをマイルストーン（Milestone）と呼びます。このマイルストーン単位で回すPDCAが大きなPDCAということになります。

これで、KSFごとの実行計画（Execution Plan）を策定し、小さなPDCAを回すことが可能となります。

実行計画を策定する。

ここでは、会員獲得の実行計画を検討してみます。KPIである会員獲得数の達成目標は年間で50万人増で、投下可能な予算は3億円であるため、獲得単価（Cost Per Aquisition：CPA）は600円となります。すなわちCPAが600円以下で会員を獲得する具体施策を検討する必要があるわけですが、それだけでは条件として不十分です。

マスタープランでは、会員獲得数だけでなくF2転換率もKPIであるため、継続化の可能性が高い性質の会員を優先して獲得する必要があります。また、会員獲得の時期が早ければ、それだけF2会員数や年間LTVも向上しやすくなるため、マイルストーンの視点では第一四半期に重きを置いた獲得計画にしておく必要があります。これらの必要条件をすべて考慮した会員獲得の実行計画を立てることになります。

• 必須要件（Mandatory Requirement）
  • 会員獲得数：50万人
  • CPA：600円
• 検討要件（Consideration Requirement）
  • 継続化の可能性が高い性質の会員を優先した獲得計画とする。
  • 第一四半期に重きを置いた獲得計画とする。

これらの要件を踏まえて策定した実行計画に基づき、数日から数週間単位で回すPDCAが小さなPDCAということになります。なお、ここで評価するのはKPIである会員獲得数とCPAのみで、その後にF2転換する会員であるかを評価することはできません。それはマイルストーンごとの大きなPDCAで評価することになります。そして、獲得した会員のF2転換率が期待通りでない場合は、獲得する会員の質を変える必要があり、会員獲得の実行計画にフィードバックします。このようにして大きなPDCAと小さなPDCAを両輪で回すわけです。

次回以降で、小さなPDCAの推進に欠かすことのできないABテストによる実験・評価・改善アクションの実践的なメソッドを見ていきます。

データ駆動によるUX向上。

グロースハック（Growth Hack）とは「いまさら聞けないグロースハック」でも触れたとおり、ユーザーの体験全体を最適設計するUXデザイン（UX Design）と、その向上にむけたPDCAをデータに基づいて推進するデータサイエンス（Data Science）の両輪を回すことで商品やサービスを成長させる活動のことを言います。グロースハックが注目される背景には、従来型マーケティングから、生活者の価値観に合わせて、購買に関わるあらゆる場を全体最適化する、データ駆動型のマーケティングへと変化していることがあります。

ちなみに最近ではグロースハックではなく、単にグロース（Growth）と呼ぶことも増えてきており、これはハック（Hack）が、ライフハックなどの言葉に使われるとおり「物事を効率的にするためのちょっとしたコツ」というニュワンスを持っているため、より広範な責任をもつ役割の呼称として相応しくないからかもしれません。

ここではデータ駆動によるUX向上に焦点を当てたグロースハックをUXグロース（UX Growth）と呼ぶことにし、その実践にむけた入門編をご紹介したいと思います。

大きなPDCAと小さなPDCA。

UXグロースを進める上では、大きなPDCAと小さなPDCAの二つのプロセスの存在を理解することが重要です。PDCAはご存知のとおり、計画（Plan）・実行（Do）・評価（Check）・改善（Action）の頭文字をとったものです。

大きなPDCA（Big PDCA）とは、UXの全体最適を目的に、数ヶ月から数年単位で回すPDCAサイクルのことを言います。たとえばECサイトの場合であれば、ユーザーの生涯価値（Lifetime Value：LTV）を向上するために、年単位での購買傾向を分析しながら、継続的に購入してもらうためのUXを設計あるいは改善していくような取り組みになります。大きなPDCAの評価期間は長く、成果が確認されるまでに時間がかかります。

一方で小さなPDCA（Small PDCA）とは、より細分化されたUXの個別最適を目的に、数日から数週間単位で回すPDCAサイクルのことを言います。たとえばECサイトの場合であれば、初回購買や会員獲得、あるいは二回目購買などのそれぞれの個別の目的に対してUXを設計あるいは改善していくような取り組みになります。小さなPDCAの評価期間は短く、成果を早く確認することができます。

一般的にグロースハックと言えば小さなPDCAが想起されますが、それはABテストなどの象徴的な手法がそのためのものであるからでしょう。しかしながら、詳細は後述しますが、小さなPDCAだけではUXグロースはうまく行きません。それが大きなPDCAの一環であると理解する必要があります。

小さなPDCAのための因果推論。

先ほど小さなPDCAのための象徴的な手法であるABテストについて触れましたが、これは「いまさら聞けない因果推論」でも触れたとおり、正式にはランダム化比較実験（Randomized Controlled Trial：RCT）というもので、因果推論の代表的な手法です。因果推論（Causal Inference）とは二つの事象間に因果関係があるかどうかを明らかにするための考え方や手法を言います。

単に成果の有無を評価するだけであれば因果関係を理解する必要はありません。しかしがなら継続的に成果を生むには、評価後に再現または改善のアクションを行う必要があり、それには因果関係を理解する必要があります。なぜ売上が上がったのか、あるいは下がったのか。結果の良し悪しに関わらず、その原因を特定することで、良い結果の再現や悪い結果の改善につなげることが可能となります。

次回以降では、大きなPDCAから小さなPDCAに落とし込み、ABテストによる実験・評価・改善アクションを行う実践的なメソッドを、具体的なケースを交えて紹介します。

実態把握と思考理解の組み合わせ。

「UXリサーチ入門」最終回は、ユーザー行動の実態を把握するためのデータエスノグラフィと、その行動に至る思考を理解するためのアンケートやインタビューを組み合わせたクロスリサーチについて、その意味と進め方の解説をしたいと思います。

UXリサーチは、ユーザーの行動や体験の実態把握またそれに至る思考の理解を目的としますが、それには観察というアプローチが有効であること、そしてその調査手法がエスノグラフィであることを、前回の「UXリサーチ入門 #03」にて説明しました。

一方で、「UXリサーチ入門 #01」でも触れたとおり、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おり、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が想像されます。これらの行動データを、ユーザー行動の実態把握に活用したいと考えるのは当然のことでしょう。

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）¹⁾データエスノグラフィって？と呼んでおり、「データエスノグラフィ入門」でその実践方法を紹介しました。一方で、「データエスノグラフィって？」でも触れたとおり、行動データの観察や分析には欠点があります。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。

そこで、データエスノグラフィで捉えたユーザー行動の実態をもとに、行動に至る思考のプロセスを、本人あるいは近い行動経験や特性をもつモニターにアンケートやインタビューで聞くという組み合わせの調査が必要になります。クロスハックではこれをクロスリサーチ（Cross Research）と呼んでいます。

DMPとモニターをつなぐ。

行動に至る思考を理解するには、本人に聞けばよく、エスノグラフィではモニターが行動したその瞬間に思考のプロセスを引き出すための質問を行うことができます。一方で、データエスノグラフィではそれができず、後追いで聞くことになりますが、それには観察した行動データの本人を特定してアンケートやインタビューを実施する必要があります。これを実現するプラットフォームに、DMPとモニターをつなぐ調査パネルがあります。

データ・マネジメント・プラットフォーム（Data Management Platform：DMP）は、ウェブサイトのアクセスログをはじめとするオンラインデータ、店舗での購買履歴をはじめとするオフラインデータなど、あらゆるデータを集約・管理し、分析結果に基づいて広告配信などのアクションにつなげるためのプラットフォームのことです。代表的なクラウドサービスにArm Treasure Data社が提供するArm Treasure Data eCDPがあります。

eCDPの特長のひとつに、さまざまな外部サービスとサードパーティークッキー（Third Party Cookie：TPC）でシームレスに連携が可能であるという点があります。クッキー（Cookie）とは、PCやスマートフォンのブラウザごとに一意に発行されるIDのことで、通常はウェブサイトごとに別々のIDが発行されますが、TPCは複数のウェブサイトで共通のIDとなるため、うまく活用すれば異なるサービス間で個人のブラウザを特定するIDを共有し、連携することが可能となります。

eCDPでは、このTPCを活用してさまざまな外部サービスとの連携を展開していますが、その中にD&M社の調査パネルがあります。この調査パネルのモニターであれば、eCDPに格納された行動データのTPCをキーに、そのまま本人にオンラインアンケートを行うことが可能となっています。

とはいえeCDPのような高機能なDMPを利用していることが前提となるため、多くの場合はこのようなシームレスな連携はできません。現実的にはもっとアナログなアプローチとなります。

近しいモニターへのインタビュー。

それは、データエスノグラフィで捉えた行動実態に近い行動経験や特性をもつモニターにアンケートやインタビューを実施するというものです。該当のモニターと出会うためにスクリーニング調査とよばれるアンケートを実施します。例えば、特定の商品の購買行動に関する調査であれば、購買頻度や場所、あるいは購買検討に利用したウェブサイトなどの行動特性が近いモニターを探し出すための設問や選択肢を用意することになります。また同時に、購買商品や利用したウェブサイトの印象を質問することで、行動に至る思考のプロセスの把握もある程度は可能です。

スクリーニング調査のプロセスで、近い行動経験や特性をもつモニターが見つかれば、そのモニターにインタビューを実施することができます。また、思考のプロセスもある程度把握できるため、インタビューで深掘りしたいモニターの選定や、質問項目の設計に活用することも可能です。

なお「UXリサーチ入門 #02」で触れたとおり、UXリサーチにおけるアンケートは定性調査の役割を担うことが多く、その実施目的には、インタビューの事前のスクリーニング調査と行動データ分析の補完としての行動に至った思考の事後把握の二つがありますが、クロスリサーチにおけるアンケートはこの二つの目的を同時に満たしつつ、データエスノグラフィとデプスインタビューをつなぐ役割を担うことになります。

このようにクロスリサーチは、ビッグデータ化する行動データを活用したユーザー行動の実態把握の有効な手法であるデータエスノグラフィを実施しつつ、その欠点をアンケートやインタビューで補完して思考の理解につなげる調査手法であり、ビッグデータ活用の推進にともなって需要が拡大するのではないかと考えています。

行動の瞬間をリアルタイムに観察。

前回の「UXリサーチ入門 #02」では、UXリサーチの手法としてのアンケートとインタビューについて解説しましたが、今回は三つ目の手法であるエスノグラフィと、そのひとつであるユーザーテストについて解説していきます。

エスノグラフィ（Ethnography）は、調査対象の商品・サービス・ウェブサイト・アプリなどを実際に利用してもらい、その行動や発話を観察しながら、ユーザーの実態を把握する調査手法です。また必要に応じて質問を行い、要求や意見、あるいは行動に至る思考のプロセスを把握します。

エスノグラフィはもとは文化人類学や社会人類学の分野で、実際の社会コミュニティにフィールドワークとして入り込み、行動様式を記述したり、価値観を見出す手法として使用されていました。それを社会問題解決やマーケティングに応用し、成功事例を生み出したことで注目されている調査手法です。

日本でそのきっかけの一つとなった事例に、日立製作所の冷蔵庫「野菜中心蔵」があります。一般家庭の冷蔵庫の前にカメラを設置し、主婦が冷蔵庫を使う様子を観察していたところ、冷凍室よりも野菜室のほうが使用頻度が高いにも関わらず、野菜室が最下部にあるために非常に不便な思いをしているということに気づきました。そこで冷凍室を最下部に、野菜室を文字通り中心に配置するレイアウトにしたところ、爆発的なヒット商品になったというものです。この例からもわかるとおり、ユーザーの潜在的な要求を発見することが、マーケティングリサーチにおけるエスノグラフィの目的となります。

一方でUXリサーチでは、行動に至る思考のプロセスの理解を目的にします。また、前回の「UXリサーチ入門 #02」で触れたデプスインタビューでは過去の行動を思い出しながら思考のプロセスを聞く形になりますが、エスノグラフィではまさに行動の瞬間をリアルタイムに観察して実態を捉える形になるため、よりリアルな行動の実態を捉えられるとともに、思考のプロセスも鮮明に取り出すことが可能です。ただし、”観察される”ことを前提とした行動となるため、ある種の非日常状態となり、バイアスがかかる可能性があります。それを回避するために、なるべく日常状態に近いコンディションで調査できるような工夫が必要となります。

擬似環境でのエスノグラフィ。

また、UXリサーチではエスノグラフィよりもユーザーテストをよく使用します。ユーザーテスト（User Test）は、調査対象の商品・サービス・ウェブサイト・アプリなどを実際に利用してもらい、主に問題点や改善点を見つけることを目的とした調査です。行動観察を中心に、質問を交えながら思考のプロセスを把握するという点においてはエスノグラフィと同じであり、そのひとつと言えますが、エスノグラフィが調査対象の商品・サービスの利用現場で実施されるのに対し、ユーザーテストはインタビュールームなどで再現した擬似環境で実施されます。

行動観察は、なるべく利用実態に近い場所で行うほうが精度が高まるため、利用現場で実施するのが理想です。とはいえ、例えばモバイル決済アプリの調査の場合、実際の店舗の営業時間中にエスノグラフィ調査で行えば、ただでさえ忙しい店舗オペレーションにさらに負荷をかける可能性が高く、避けたいところです。一方で、営業時間外に都合よくモニターを集めるのも困難です。そこで、インタビュールームに擬似的なレジ環境を設けてのユーザーテストが有効な手段となります。

とりわけウェブサイトやアプリについてはUIに向き合っての利用となるため、擬似環境での調査に向いており、ユーザーテストを選択するケースが多いかと思います。ただし、例えば料理中にレシピサイトがどのように使われているかなど、利用シーンが行動に与える影響が強い場合は、利用現場で実施することの意味が大きく、エスノグラフィの選択が望ましいと言えるでしょう。とくにスマートフォンが普及した現在では、リアルな行動や体験と合わせてウェブサイトやモバイルアプリが利用されることが多く、エスノグラフィが選択されるケースが増えるかもしれません。

なお「データエスノグラフィって？」でも触れたとおり、行動データ観察であるデータエスノグラフィの欠点は思考の理解ができないことですが、ユーザーテストも含めてエスノグラフィでは、行動観察に加えて適時質問をすることで、その行動に至る思考のプロセスを探ることが可能です。

また、デプスインタビューと同様にモデレーターとモニターの一対一を原則とするため、実査会場に立ち会うことはできませんが、カメラやマジックミラー越しにモニターの行動を観察することができます。さらに、モニターへの質問はモデレーターに限定されますが、インカムを通して質問したい内容をモデレーターに伝えることで、間接的に行うことが可能であり、ユーザーテストの特長のひとつといえます。

エスノグラフィ内で行うインタビューにおいて抑えるべきポイントは「UXリサーチ入門 #02」で説明したデプスインタビューのものとまったく同じです。

ビデオチャットの活用。

インタビューやエスノグラフィの難点は、コストと手間がかかることです。コストでいえば、一回の調査で数百万円かかることもあります。また、インタビュールームでの調査環境の準備やモニターのリクルーティングなど、非常に多くの手間がかかります。さらに対面で行うことが前提となるため、モニターの選定に地理的な制約がかかるという欠点もあります。

コストが増えれば、その効果の期待値も比例して増えるため、調査の企画がしづらく、PDCAを細かく回す上での妨げとなります。そこでアンケートと同じように、オンラインで行うことでこれらの欠点を克服する動きが見られます。ビデオチャットの技術向上がそれを後押ししており、業務効率化のためにSkypeやZOOMなどの利用が急速に進んでいますが、ビデオチャットを活用した調査サービス・ツールも多く登場しています。

ジャストシステム社が提供する「Sprint」は、ビデオチャットを利用したインタビューサービスです。調査対象のモニターを5分程度で探し出し、そのまま30分間のデプスインタビューを実施することができます。またインタビュー終了と同時にテキストと動画データなどを受け取ることができ、すぐに改善案の検討などPDCAのアクションに入ることができます。

ポップインサイト社が提供する「リモートユーザテスト」は、文字通りリモートでのユーザーテストサービスです。低コストかつモニターの地理的制約を受けずにユーザーテストを実施できるところが特長で、コストについては条件にもよりますが、数十万円での実施が可能です。ただし、ユーザーテストの実査に立ち会うことができないため、モニターへの質問はモデレーターに委ねざるを得ないという欠点があります。エスノグラフィやユーザーテストの目的は、行動の実態と思考のプロセスの把握であるため、質問ができなければ実施目的の半分を失うことになります。この点を踏まえてのサービスの改善を期待したいところです。

とはいえビデオチャットを活用したオンライン調査サービスは今後も進化する可能性が高く、それにより低コストかつ高速にPDCAやグロースハックを推進できるようになることが期待されます。

次回の「UXリサーチ入門」最終回では、ユーザー行動の実態を把握するためのデータエスノグラフィと、その行動に至る思考を理解するためのアンケートやインタビューを組み合わせたクロスリサーチについて、その意味と進め方の解説をしたいと思います。

定性調査としてのアンケート。

前回の「UXリサーチ入門 #01」では、UXリサーチの意味とアンケート・インタビュー・エスノグラフィの三つの調査手法の概要について触れましたが、ここからは各調査手法の詳細と、組み合わせた活用方法について解説していきます。

アンケート（Enquete）は、一括質問形式により回答データを収集する調査手法です。多人数に対して実施可能なため、マーケティングリサーチでは定量調査（Quantitative Survey）に位置付けられ「どのくらい満足したか」などの量的データ（Quantitative Data）を重視します。 一方で、UXリサーチでは定性調査（Qualitative Survey）としての位置付けが強く「なぜ満足したのか」などの質的データ（Qualitative Data）を重視する傾向にあります。

もちろん、定量調査を目的にアンケートを実施することはありますが、ユーザー行動の定量的な把握には、店舗での購買履歴やウェブサイトのアクセスログなどの行動データ（Behavior Data）を活用できるケースが増えてきているため、アンケートは補完的な役割を担います。

具体的には、企業が利用可能な行動データはファーストパーティーデータ（First Party Data）と呼ばれる自社保有のデータが中心となるため、もともとその企業へのロイヤルティが高い顧客に偏る傾向があります。また、SNSの公式アカウントや百貨店に出店している直営店など、自社で運営しているものの、プラットフォーマーやデベロッパーが行動データを保有しているため利用が難しい場合も多くあります。

「データ流通って？」でも触れたとおり、セカンドパーティーデータ（Second Party Data）やサードパーティーデータ（Third Party Data）と呼ばれる他社保有のデータによりそれを補完する取り組みも行われてきてはいますが、利用したいデータがうまく手に入るとは限りません。そこで、アンケートが有効な手段となります。

とはいえ、UXリサーチにおける定量調査の中心は行動データ分析であり、アンケートは定性調査の役割を担うことが多いといえます。定性調査としてのアンケートの実施目的には大きく二つあります。ひとつは、インタビューの事前のスクリーニング調査で、実施時期はインタビュー実査の直前となります。もうひとつは、行動データ分析の補完としての行動に至った思考の事後把握で、実施時期はその行動の直後となります。ちなみに、行動データ分析であるデータエスノグラフィとデプスインタビューを組み合わせた調査では、この二つの目的を同時に満たすアンケートを実施することになります。これらについては後述します。

なお、アンケート実査の実務については「マーケティングリサーチとデータ分析の基本」など他の文献に詳しいのでここでは触れません。

思考を理解するデプスインタビュー。

インタビュー（Interview）は、モデレーターがモニターに対して順次質問する対話形式により、要求・意見・思考などを引き出す調査手法です。アンケートとは違い、回答内容に応じて臨機応変に質問内容の追加や変更が可能です。ただし、少人数での実施が前提となるため、当然ながら定量調査には向きません。

マーケティングリサーチではモデレーターと複数のモニターで行うグループインタビュー（Group Interview）をよく用いますが、それはグループダイナミクスを期待してのことです。グループダイナミクス（Group Dynamics）とは、人の行動や思考は集団から影響を受け、また集団に対しても影響を与えるという集団特性のことで、ここではモニター同士が互いの意見に影響を受けることでグループ全体が活性化し、より多様な意見を引き出す効果が期待されます。逆に、一部のモニターがオピニオンリーダーとなって同調意識が働く危険性もあるため、モデレーターのコントロールが重要となります。

一方で、UXリサーチではモデレーターとモニターの一対一で行うデプスインタビュー（Depth Interview）をよく用います。「UXリサーチ入門 #01」でも触れたとおり、ユーザーの行動や体験の実態把握、またそれに至る思考の理解を目的とするため、深掘りして聞くには一対一が向いているからです。

インタビュー実査の実務についても「マーケティングリサーチとデータ分析の基本」など他の文献に詳しいのでここでは触れませんが、UXリサーチにおけるデプスインタビューの調査設計や進行での三つのポイントを紹介しておきます。

• 意見ではなく、思考を聞く
• なぜではなく、どのようにと聞く
• 何をよりも、誰に聞くか

繰り返しになりますが、マーケティングリサーチでは意見（Opinion）の獲得が主な目的ですが、UXリサーチでは思考（Thinking）の理解が主な目的になります。インタビューの中で意見を獲得したい衝動も起こりますが、そうだとして「このサービスの改善点はどこか？」や「どんな機能があれば便利だと思うか？」などを聞いても、専門家ではないのでうまく発案や言語化ができない可能性が高いです。また、中には専門家なみに意見を述べるモニターもいますが、あくまでいちユーザーとしての意見でしかなく代表性がない一方で、ユーザーの意見として必要以上に重く受け止めてしまい、客観的な意思決定を妨げる危険性もあります。意見を求めるならば、マーケティングリサーチとして定量的に行う必要があります。

また、行動に至る思考を理解する上で気をつけたいのが「なぜ」かの理由を直接聞かないようにすることです。多くの行動の原因はひとつではなく複数が絡み合っていますが「なぜ」と問われると原因と結果を一対一に結びつけて回答してしまうからです。例えば「なぜその服を買ったのですか？」と聞くと、最終的に買うと意思決定した「値段が手頃だったから」という原因のみが結びつけられ、そこに至るまでの「かわいい」や「着心地がよさそう」などの思考の情報が失われてしまいます。そこで「その服を見てどう感じたかの印象を教えてください」と聞くと、行動に至る思考のプロセスを聞き出すことができます。つまりなぜ（Why）ではなく、どのように（How）と聞くわけです。

誰に聞くのか。

インタビューでもうひとつ重要なのが、何を（What）よりも、誰に（Whom）聞くかということです。もちろん何を聞くかは重要ですが、アンケートと違って聞ける人数が少ないため、得られる成果の良し悪しに大きく影響するからです。

インタビュー対象のモニターを選別するための事前調査をスクリーニング調査といい、アンケートにより実施します。スクリーニング調査での選別において重要なポイントは二つあり、ひとつが行動の実態が思考を深掘りしたい対象ユーザーの条件に近いこと、もうひとつがその行動への関与がほどよく積極的であることです。

デプスインタビューで獲得したいのは、ユーザーの行動に至る思考の理解なので、そもそも行動の実態が合っていないと調査になりません。あるコーヒーチェーンの利用実態と、その行動に至る思考の理解が調査目的であれば、利用経験のあるユーザーが前提となります。また、たとえよく利用するユーザーだとしても、家の近くにあるからというのが行動理由であれば、行動に至る多様な思考を獲得することができません。一方で、そのコーヒーチェーンの大ファンで関与が積極的すぎるユーザーも、思考の特異性が強く参考にならないことがあります。それらを考慮し、うまく行動実態や思考を抽出できるようなアンケートの設計が必要となります。

なお、対象ユーザーの行動実態や思考を明確にするために、まずはペルソナを描くことを推奨している場合があります。ペルソナ（Persona）とは、商品やサービスの対象ユーザーの典型的な人物像のことで、 氏名・性別・年齢・居住地・職業・収入・価値観・ライフスタイルなどの細かな属性を具体的に定義したものです。マーケティングやUXデザインのプロセスでよく用いられ、そこに関与する利害関係者の間で、自分たちの商品やサービスの対象ユーザーがどんな人かの共通理解を得ることが主な利用目的となります。

UXリサーチはUXデザインのプロセスの一環でもあるため、ペルソナをもとにモニターをスクリーニングするという考え方は合理性があります。一方で、モニターは一般生活者と違い母数が圧倒的に少ないため、ペルソナにぴったり当てはまる人に出会えることはまずありません。あまりそこに固執するとモニターを選べなくなりますので、上記の二つのポイントを優先してしっかり抑えることをおすすめします。

次回は、三つ目の調査手法であるエスノグラフィと、そのひとつであるユーザーテストについて解説します。