データを見る前に仮説を持つという気づき

折れ線そのものは最初から一本きり。なのに、施策を打った週をどこに置くかで評価は「改善」にも「悪化」にも転ぶ。結論を決めていたのはデータではなく、いつ効いたはず、という仮説の置きどころだった。

予想を置いてから開くと、実測とのズレが驚きとして手元に残る。いきなり数字だけを眺めた人には、この「思っていたのと違う」が生まれない。学びのタネは、データそのものではなく予想と実測の差の側にある。

01ペルソナ設計を先にやる理由

「誰のためのサイトか」が曖昧なまま数値を見ても、その数値が良いのか悪いのか判断できない。訪問者像（ペルソナ）を先に具体化しておくことで、初めて「この離脱率は想定より高いのか」を判断する基準ができる。

同じ滞在4分が、なぜ良い兆候にも悪い兆候にも見えるのか。値は一切いじっていないのに、想定する訪問者を替えるだけで評価が裏返る。数値の良し悪しは、それを読むペルソナが手前で決めている。

平均4分は据え置きでも、その内訳は一山にも、即離脱層と熟読層の二山にもなる。平均の近くに人がいるとは限らない。どんな層を束ねた4分かを問わないまま、たった一つの数字で全員を語れるだろうか。

02定量（GA数値）と定性（ユーザーの声）の使い分け

GAの数値は「どこで何が起きているか」を教えてくれるが、「なぜ起きているか」までは教えてくれない。数値で異常箇所を見つけ、ユーザーインタビューやレビューといった定性情報で理由の仮説を立てる、という組み合わせが必要になる。

「どこ」と「なぜ」を選び違えると、噛み合わない文しか組めない。定量が指す離脱ポイントと、定性が語る理由がぴたりと重なったときだけ、次に試す一手が決まる。片方だけでは、方向も優先度も宙に浮いたままだ。

定量の数字も、サンプルが小さいうちは偶然で大きく上下する。「n=20でCVR 10%」に一喜一憂しても意味がない。数字を読むには、真の値の見当（仮説）と、どれだけ集めれば信じてよいかの感覚が要る。

03「数字が悪い」から「何を変えるか」への橋渡し

離脱率が高いという事実だけでは改善案は出ない。「ペルソナならこの画面で何を求めているか」という仮説を挟んで初めて、「情報が足りないのか、導線がわかりにくいのか」という具体的な改善仮説にたどり着ける。

「Aが増えるとBも増える」。この相関に飛びついて施策を決めると外す。裏で両方を押し上げている第三の要因（交絡）を疑えないと、動かすべきでないレバーを引いてしまう。

全体の勝敗だけを見て「新デザインの勝ち」と結論づけると、どの層でも実は負けていた、という取り違えが起きる。効くのはどの層か。その見立てを持って分解してから、初めて勝者を名乗らせていい。

04改善サイクルをAIと回すための質問設計

数値だけをAIに渡して「改善案を出して」と頼むより、ペルソナ・数値・気づいた定性情報をセットで渡す方が、的外れでない改善仮説が返ってきやすい。

同じ系列でも、どこからどこまでを切り取るかで「上昇」にも「下落」にもなる。結論を先に決めて、それに合う期間を選んでいないか。AIに数字を渡す前に、まず自分の切り取り方を疑いたい。

完全な偶然の上下からも「勢い」や「山」は立ち上がり、人はそこへ後から原因をあてがう。だから順番を逆にしない。先に仮説を立て、それを確かめる問いとしてAIにぶつける。この型が、ノイズに物語を語らせない歯止めになる。