以前、「オリジナルデータの信憑性を評価する事から分析が始まる」
ということを書きました（コチラ）。
マーケティングリサーチに関わる方は、ある種”クセ”でデータの出所を
執拗なくらい気にますが、一般的には数値そのものを疑ってかかる人は
稀だと思われます。数字は”感覚”でなく”絶対的”なイメージが
そうさせているようです。

昨年１１月にネットレイティングス社発表したデータに基づくコチラの記事でも、
集計方法が変わったで時系列データとしての意味がないにも関わらず、
何事も無かったかのようにグラフを提示してしまったことで、
「ええっ、mixi大変！！」などと一瞬業界騒然になったのは
記憶に新しいですね。
ここでいう利用者数の意味、単純な母集団の大きさ、
極端すぎる減り幅からして、数字に慣れているものならば、
”集計方法が変わった”なんて情報を聞く前にも
「ああ、なんかやっちゃったな。で、今回だけかな？　
いつからおかしいんだろうか？　他は大丈夫か？　
そもそもちゃんと定義あったんかな？」などと考え、
少なくともこのデータを使って分析／解釈することを一旦やめるでしょう。

元データの評価は意外と盲点になっているようなので、
数値分析の第一歩「分析対象の考え方とデータ取得」について
書きたいと思います。

統計学の教科書の最初には必ず「母集団と標本」という章がありますね。
決して難しいことではないのですが、とても重要で、この「母集団」および「標本」
という”考え方”をちゃんと意識して、理解した上で分析しているかどうか、
分析のセンスはここに如実に現れます。

「母集団」とは分析対象のことです。なんの分析をするのかの定義といっても過言ではありません。

母集団をきっちり定義するためには分析の目的が明確になっているということに他なりません。
目的によって、調べたい人の定義が決まりますし、逆に言うと調べなくてもいい人が決まります。
マーケティング目的ならば、下記のようなケースが特に多いです。

・CS調査なら　ー＞　ユーザー（元ユーザーを含む場合も）
・ブランドスイッチや最後のひと押しとか　ー＞　ユーザーになりそうな方（カテゴリユーザー／競合ユーザーなど）
・需要喚起とか　ー＞　もうちょっと広く、ゆるい感じ（デモグラ、エリアなど）
・購入者とユーザーが違うなど、特殊な事情がある場合　ー＞　ユーザー周辺（コストorベネフィットの影響を受ける人まで含む）
・社会情勢、トレンドなどの基礎情報として　ー＞　社会調査系

規模や対象にかなりバリエーションがありますし、１票の重み／意味が違いそうですよね。

例えば、ブランドXを”好き”と答えた方が
　日本人全体の２０％
　ネットユーザーの２０％
　PCブラウザの２０％
　ポテンシャルユーザーの２０％
　サイトユーザー（訪問者）の２０％
　トライアルユーザーの２０％
　リピートユーザーの２０％
　いいね！押したユーザーの２０％
　平日夜の新橋SL広場でインタビューした２０％

このような結果があったとして、
これらそれぞれの２０％は重みが全く違うのはご理解いただけると思います。

しかし、
「２０％が好きと言った」
というだけで、どんな母集団なのかも意識せず（記載も無く。。。）
解釈をしている例を何度か見た事があります。母集団の定義無く分析を進める事の
無意味を感じていただけたでしょうか。

さて、次に「標本」についてです。
データを所得する際に偏り無く、定義した母集団を表現できているかがポイントです。

近くに座っている同僚５人くらいに
「貯金いくらある？」って聞いて、
日本人の貯蓄額は平均○○円です！なんて言う方はいらっしゃらないと思いますが、
社内の３０人くらいの２０代女性にアンケートに答えてもらって
それをあたかも２０代OLの代表的な意見であるかのごとくレポートされているのは
何度も見た事があります。それほど重要な意思決定でなく、かつ納得感があればそれでもいいんですけど。

答えてもらう人を選ぶ（サンプリング）というのも重要ですが、
どう聞くかというのも、結果に大きな影響を与えます。

この手の話に良く出てくる例をご紹介します。

１）自分や家族が死んだり、人を殺すこともある戦争。過去の戦争によって、大けがや後遺症で悩んでいる方もたくさんいらっしゃいます。全財産を失って生活ががらっとかわってしまうこともあります。どんな理由があろうともそんな戦争には反対すべきですよね

２）自分の国や財産や家族を守るためには多少の犠牲があったとしても戦争はさけられないこともありますよね

この２つの質問に戦争賛成/反対だけの回答を求めれば、回答比が大きく異なります。もちろん１の方が反対が増えます。これさすがにやり過ぎの例ですが、ニュートラルな生データを取得する事は意外と難しいです。正確性を求められる場合には、データ取得のところまで遡ってチェックする必要があります。

以上のように、
”どんな人”を、”どんな方法”で調査した結果なのか、”それが知りたかったことなのか”を確認／評価することの重要性がわかっていただけたのではと思います。元データが１００％信憑性がないと全てが始まらないわけではありませんが、「多少ぶれはあってもだいたいは合ってる」とか「±10%の範囲内は保証できる」とか「○○の場合以外はOK」など、どこまで担保できているかを確認するのでも場合によってはアリでしょう。
分析力を身につける訓練にもなるので、最初にデータを見る時は、疑ってみるくらいでちょうどいいかもしれません。

もちろん、アンケートだけでなく、我々が扱っているWeb系のデータでも同じ事が言えます。
分析課題をできるだけ明確にする事でどの範囲を分析するのか、そしてどのように取得されたデータなのかを確認することが分析の第一歩です。広告系ならば、取得できている媒体範囲、配信条件、タグの入れ方、ダイレクト／リダイレクト、重複、ボットやクローラーのいたずら、サーバーの不具合、セッションやユーザーの定義、タイムゾーン（←昔ミスった事ありますorz）、などデータ取得の背景などチェックしてから分析を始めましょう。

　2011年いろんな意味で激動の年でした。
我々の業界でも「今年は変化が大きかった」とおっしゃられる方が多いです。
私、個人的には分析対象データの量と質が明らかに変化したと感じています。
これまでの延長では通用しない変化です。

質の変化は、SNSによるものです。少々専門的になりますがグラフデータ
（折れ線グラフとかのグラフではないです。グラフ理論やトポロジーも
関わってくる分野です）と呼ばれる”つながり”の構造を考慮したデータを
扱う必要に迫られてきました。
まだ新しいものであり具体的にどう使っていくかはこれからですが、近い将来、
我々の分析には必須のものになっていると思われます。
私も遅れないように勉強しないとですw。

量に関しては言わずもがなですね。　

　５年ほど前からWebデータを使った分析は、単なる広告効果測定やアクセス解析、
リスティング最適化だけでなく、「WEBにはもっとデータがあるのだから
もっとわかることあるよね。」という動きがマーケティング業界で一般化してきました。
その頃はまだ分析の目的な明確にあったのは稀で、マーケティング分析を専門に
行っているアナリストなどが半ば実験的に探索的分析を行ったりして、
データ分析の可能性を探っているという段階でした。

　そして、今年は”BIG DATA”というキーワードがバズワードにもなったほど、
データ活用の可能性に脚光が浴びせられた年でもありました。データ分析の専門家だけでなく、
マーケティングプランナーレベルの方でもデータ分析からのインサイトやデータを使った直接的な
コントロールに期待が高まり、データ分析関連の様々な記事や発表がありました。
　しかし、データ分析でこれまでになかった画期的な事ができると期待したものの、
実際にデータを触ろうとすると、あまりの”BIGさ”に単純集計さえもままならないという
経験をされた方も多いのではないでしょうか。

　私は分析系マーケターとして、これまでさまざまなデータ分析に携わってきたつもりですが、
確かにこの数年のデータ量の増大と、いままでは”データ”なんて口にしなかった方々からの
マーケティング分析の期待の膨らみ方に驚いています。
そしてその期待を背に、今年取り組んだ事の一部を紹介します。

１）アトリビューション分析
　これもBIG DATAをシンプルにしようとする動きの一つ。媒体や施策を跨いで、評価指標を１次元的に表現しようとしたもので、どう呼ぶかは別にしても我々も含め他でも同じ考えで指標化してした方も多いと思います。

　いまのところ、アトリビューション分析というと複数のリスティング媒体、ディスプレイ広告、アフィリエイトなどのネット媒体で、目的変数がコンバージョンという、まだまだマーケティング的には一部を切り取っただけのものですが（個人的にはマイクロアトリビューションと呼んでいます）、この考え方をより広範囲に適用（多少ゆるい定義になったとしても）し、また目的変数が購買金額やLTVなどの先を見た指標になることで、さらに広範囲に使いやすいものになると考えます。

２）ビュースルー計測
　我々としてはDATAがBIGになった原因の一つがコレ、ビュースルーです。弊社では秋頃からビュースルー計測の実験を行っており、現在では取得に関する技術検証を行っている最中です。
同時に取得されたデータをどう料理すれば、広告／マーケティングプランに役立つ情報が得られるのかを分析しています。ポストクリックデータに比べ、数百倍〜数万倍のデータを扱う必要があるため分析系の機材やツールの見直しも図っているところです。

　まだ実験段階ではありますが、View to Click, View to CV, View to 自然検索を計測できることが確認され、ディスプレイ広告の {View+Click} でのコスト効率や、（Click＋自然検索）／View数といった自然検索を含むCTR的な指標でのクリエイティブ評価などが可能になりました。

　もちろんビュースルーも含めたアトリビューション分析を行っていますが、これまで見えなかった課題もみつかりました。全体一気通貫でのアトリビューションではポテンシャル市場に対する効果が評価しにくく、場合によっては目的毎にタッチフローを途中で分断して評価するなどのやや複雑な処理が必要かなとも考えています。その都度モデルを作るのは無理があるので、３〜５パターンくらいのモデリングができるとよいかもしれません。

３）ソーシャル
　今年はFacebookが急拡大しましたね。Facebookページやいいね！ボタンといった、企業として使いやすい機能を実装し、さらにFacebookインサイトといった分析ツールまですべて無料で利用できるということで、”Facebookマーケティング”なる、ちょっと本末転倒wなバズワードまで産まれました。

　我々、マーケティング分析屋としては、タッチポイントの一つとしてFacebookの効果も計測してみました。Facebookページに埋め込んだ計測タグが反応することが確認でき、Facebookページからのコンバージョンを計測しました。このやり方で他の広告との効果比較を行う事が可能です。また、Facebookインサイトではコンバージョンまで測る事ができないので単純にページからのCV効果をみることが可能です。

▼2012年の展望
　2012年はビュースルーを含めたアトリビューション的な効率化の分析と施策へのフィードバックがより進むことが予想されます。第三者配信の普及や計測業者の対応が後押しするでしょう。

もうひとつ、いまいち進んでいなかったポテンシャルターゲットへのアプローチに関わる研究がホットになると考えます。

　Webのデータでなくても、アンケートデータをゴリゴリに分析する事で人々の意識を抽象化し、ポテンシャルユーザーを定義（プロファイリング）することができます。嗜好性が強い商材の大きなキャンペーンでは、そこからマーケティングコミュニケーションを組み立ることがあります。WebのBIG DATAをうまく抽象化できれば、アンケートデータがなくても、もっと効果的なターゲティングが可能になります。このようなWebデータの抽象化、ターゲティングとオーディエンスターゲティングの機能がうまく働けば、これまでにないポテンシャルユーザーへのアプローチが可能になるでしょう。

アドエビス製品の中にこれらの計測／分析機能をどう実装し、どう皆様のお役に立つ事ができるか、試行錯誤の毎日ですがまた来年もよろしくお願いいたします。

マーケティングメトリックス研究所　中川

データを分析するものにとって、まず何よりも先に考えなければならないのが
オリジナルデータの信憑性です。オリジナルデータがダメダメならば、
どんなにすごい分析結果がみえても全く意味をなしませんね。
我々はまず以下について慎重に吟味し、すべてOKで初めて次のステップに
進むことになります。

　そのデータソースは信頼できるのか？
　母集団の定義は？
　サンプリングに問題は無いか？
　設問設計に問題は無いか？
　ウェイトバックは適当か？（適用されている場合）

時として、サンプリングやデータの取り方に不備があり、かつ再調査ができないときも
あります。そんなとき、「そんなデータは使わない方がまし」という考えももちろん
ありますが、「精度は低くても考えうる限りのデータ修正／補正をして使えるものは
使おうよ」ということもよくあります。
補正をするにあたり、本来の数値がわからないのですから、補正の方法についてどれが
正解かもわかりません。私もその都度工夫しながらやっています。

＜＜おせっかいですが、勝手に補正してみます＞＞
（当該キャンペーンはまったく当研究所は関与していませんし、この件で連絡もしていません。
問題がございましたらすぐに削除するので、ご連絡ください。）

１週間ほど前から私の通勤路でファッションビルのキャンペーンが行われています。
様々な服を着たモデルさんの大きな写真が２０枚、
そこに実際に押すことのできる「いいね！」ボタンがカウンターとともについています。
そして通りがかりのオーディエンスが気に入ったコーディネートに”いいね”するという仕組みです。

もちろんFacebookにも連動したページがありました。現在のカウンター数値もここで確認できます。OOHの上段がFacebookでは左列。OOHの向かって左側から右の並び順がFacebookでは上から下に並んでいます。
http://www.facebook.com/lumine.yurakucho?sk=app_163787417033168

OOH設置の方を見ていたときに、ちょっと気になりました。
上段にくらべて下段の方が明らかにカウンター数値が高いのです（Facebookでは右列）。
ぱっと見は2倍弱くらい高いようです。さらに真ん中より外側の方が若干高いようにも感じます。
そこで、しばらく人の動きを観察してみたところ、キャンペーンターゲットと思われる20代（前半〜中盤）女性が立ち止まって見たり、ボタンを押してもいましたが、
　・ボタンに気づいたひとがポスターを見ずに「なんだこりゃ？」な感じで押しまくり
　・子供が「わーーーーー」っていいながら端から走りながら押しまくり
な光景も多く見られました。
確かに、上段ボタンは子供にも、背の低めの方にも押しにくい位置にあります。

私は全然関係はないのですが、本来の数値はどんなものなのか見てみたくなりました。
というわけで、”勝手に補正”やってみます。

まず、上下の補正を考えます。
実際のカウンターの数値を拾ってきて、上段下段の比をそれぞれ計算してみました。
簡単ではありますが、その比の平均（1.92）を上下補正値とします

次に、真ん中〜はじっこ補正です。
今回は、回帰曲線を書いてそれがノイズが無かった場合の値とし
回帰曲線からはずれている分は実際に獲得した「いいね」だと仮定してみました。

まず上段の数値を右半分、左半分に分け、真ん中を１〜外側を５として
並び替えました。

平均をとって、エクセル上で回帰曲線を書きます。
決定係数が最も高かったのが、指数関数で、
y=6085.3e^0.0591x　
R^2=0.84なのでまあまあアリとしましょう。

この式から、各位置が持つボタンの押されやすさ度合いが
計算されます。これを基準値（上段の）と呼ぶ事にします。

全く同じ写真が貼られていた場合に、写真の位置によって
カウンター数値がこのようになるのではという理論値です。

この基準値に、上下補正値をかけ算すると、
下段基準値が算出されます。

基準は8000カウントなのに観測値が9000なら
その1000分が他よりも「本当にいいね」されたものだと
考えることができます。

次に実際の観測値と基準値を割り算すると、
基準に対してのブレがでてきます。
（割り算でなく引き算も考えられます）

さらに観測値全体の平均10648をかけ算すると
補正が完了したカウンター値が算出されます。

この値と実際の写真を見比べてみましょう。
どうでしょうか？？？

さぁ、分析の準備が整いました！！
そうです、ここからが分析の本番です！！
今回はここまでの話ですが。。。

こんなことも書いたもの、不真面目な数字遊びのつもりではないんです。
かつては、きちんとした目的の下、きちんとした調査設計が行われて、ほぼきれいなデータが取得され、実査前から予定していた分析軸で集計し、統計解析しということを行っていました。しかし、Web系のデータを扱うようになってから”予定通り”のものはほぼありません。アドホックで行う分析の場合、まず文字コードやデータ形式の変換から、システムバグと思われるものの修正、マスタにないデータの処理、なんかは必ず発生します。これら前処理の前処理みたいなもので相当な時間を使う事が多いです。
そして、結構きれいなデータになってきてから今回のような補正が発生することが多いです。もうこのあたりで挫折する方も多いのではと想像します。

分析前のこの補正の作業でもすでにアイデアやセンスが必要です。今回の補正も一つのアイデアです。ご参考になれば。

＜配布ファイルに一部不具合があったため再掲します＞

昨年TCPAという考え方をリリースしました。
きっかけは、間接効果をもっと実際の現場で使っていただくためには、
もっとシンプルな評価指標をつくらないといけない、と感じたところからでした。

しかし、最近流行（？）のアトリビューションマネジメントの一部と重なっていることもあり、
アドエビスをご利用のお客様から「具体的に計算方法を教えてほしい」、
もしくは「計算してほしい」との声を多く聞くようになったので、
計算させるプログラム（Excelマクロ）を制作しちゃいました。

データを拾って、コピペするだけでTCPA（もしくはアトリビューション指標のひとつ）を
自動で算出できるようになりました。

まずは、これまでよく使われているCPAと比較してみてください。
下がっているもの、上がっているものが容易に発見できると思います。
異常に差があるものにはなにか理由があります。

　異常に上がっているもの→最後の一押しだけに効くもの（CPAが過大評価されすぎ）
　異常に下がっている→初回接触だけに効くもの（CPAが過小評価されすぎ）

などが仮説として考えられると思います。
その他にも実際の数値をベースに仮説の検討、施策案の検討が可能になると思います。

計算できるものはアドエビスで計測しているものに限られますし、
順番や組み合わせなど「アトリビューションマネジメント」に
必要な一部の要素は含まれていません。
しかし、一つの方法論ではあると思っていますので、まずはできることから
やってみていただくための、簡単ツールを作ったつもりです。

なお本プログラムは”無償”で提供いたします。
アドエビスご利用のお客様に、よりよい広告評価・プランニングに
すこしでもお役立ていただきたいと思っています。

ー使い方ー
・アドエビス管理画面からデータをダウンロードしたらそのままコピペ（どの項目が必須かなどの説明はExcelシートに記載してあります）
・お持ちの広告コストのデータをコピペ
　　（コストを入れなくても、間接効果を考慮した「再配分コンバージョン値」を計算します）
・あとはボタンを一つ押すだけ！

ープログラムがやっていることー
・データの整形
・コンバージョン時の広告接触回数を取得
・コンバージョンに関与した広告にコンバージョン数を等配分
　　（現状は等配分設定していますが、手動重み付けは可能にしています。必要であればご相談ください）
・広告毎に直接コンバージョンと再配分コンバージョンを集計
・コストを入れて計算

ーご注意ー
・アドエビス用に作っています
　　（手元には他社用もありますが、さすがに公開できません。。。）
・Excel2007以降で動作確認しています。Excel:Mac2011でも動作確認しています
　　Excel2003でも動作するはずですが、こちらの環境で動作確認できないため、公開できません。個別にご相談ください
・もちろん「マクロを有効」にしていただかないと動きません
・精密に計算させるためには、出稿期間と集計期間、クッキー期限等を細かく調整する必要があります

ー出力結果（例）ー

ダウンロードはこちら。
基本的にこの件はサポート対象にはしておりませんが、バグ・ご意見等ございましたら
ひとまずエビスサポートセンター宛にご連絡をお願いいたします。

先日、当研究所も開発に参加したアドエビスAutoBidがバージョンアップしました。
リスティング広告の全自動運用を目指した自動入札システムです。

今回はバージョンアップ後の実際の運用実績をちょっとだけ公表します。

リスティング自動入札システムはその性質上、実績が顕著に現れるには時間がかかります。
過去データからのモデリングや、良いものを残して悪いものを切っていくといった
ヒューリスティックなアルゴリズムを利用しているため、「劇的に改善」ではなく、
どうしても「だんだん改善」されていきます。もちろんそれぞれの出稿額や獲得数の
状況によってもシステムの学習の度合いが異なるため、効果の出方は異なります。

下記データは、バージョンアップ後のアドエビスAutoBidをご利用いただいた25社平均の、
導入前後で実績指標がどう変化したかをグラフにしたものです。

利用開始１週間しか経っていないにも関わらず、コンバージョン数が導入前後で約６０％増えています。クリック数は８％増、CTRはほぼ変化なし、そしてCPAは１０％も改善されました。なかには、CPAが1/2程度に改善されたアカウントもありました。
もちろん、１週間では実績数値として結果が見えてこなかったお客様もいらっしゃいますが、KW数や適正予算など、各アカウントの課題が明確になった例もあります。それらも含めなんとか改善できるように、チューニングを続けています。

アドエビスAutoBidは、結果重視のシステムではなく、運用作業の効率化と運用成績アップをバランス良く改善できるように、という思想で設計されています。そのための４つの自動化（KWの自動抽出、広告文の自動制作、入札額自動設定、自動最適化運用）の機能をもっています。実際に導入していただいているお客様には実績以上に運用の効率化という面でもお褒めをいただいています。

現在、無料トライアルキャンペーン中ですので、是非お試しください。→コチラ

ちなみに、あまり大きな声では言えませんが、KW抽出の新しい方法や、広告文の最適化機能など、今回の結果データであまり改善されていないCTRの改善に大きく寄与する機能を開発。。。してるかもです。

【パーチェスファネルから Consumer Decision Journeyへ】
昔から広告／マーケティングのフレームワークとしてよく使われてきたパーチェスファネル。
かつては店舗調査、ユーザーインタビューやアンケート調査などから、競合と比べて、
認知が少ないのか、理解が浅いのか、お財布を開くところが弱いのかを発見し、もし理解の
段階が浅いなら何がフック／バリアになっているか、といったことを明らかにして
キャンペーンを組み立てたてりしたものでした。
私の経験では調査費用だけで３０００万円以上かかったこともありました。。。

ところが近年、ソース情報の増大や消費者間での情報交換が増えた結果、購買プロセスが
一方通行でもないし、単なる”漏斗”でもなくなってきています。
みなさんも肌で感じていらっしゃるのではないかと思います。
そして2009年にマッキンゼー・アンド・カンパニーが発表した、The Consumer Decision Journey（以下CDJ）はこれまでの一方通行／先細り型のモデルを大きく否定するものでした。

［ソース原文はこちら］
［説明ムービーはこちら］

CDJの基本構造は、「初期ブランドセット」と「買い場」というステージが存在し、その２つを間には「積極的検討」と「利用経験」という２つの意識・行動が結んで系になっています。そしてブランドに対して”良い思い”があると次回検討時に優位にはたらくショートカットができるというものです。
購買プロセスモデルに加えてブランド醸成モデルが絡んだようになっています。

2001年にDubberly Design Office が発表したブランドモデルを思い出しました

［ソースはこちら。ダウンロードもできます］

【ソーシャルメディアが変えたもの】
さて、CDJはネットメディア、特にソーシャルメディアが購買行動に大きく影響しているということが表現されていますが、具体的にこれまでの態度変容モデルでは表しきれなかった要素はなんだったのでしょうか。
１．「買わないけど広める人」の存在
パーチェスファネル（もしくはDAGMARでも）次のステージにいくか／流れからはずれるかという２択しかありません。しかしソーシャルメディア上では、自分は絶対買わないけど良い商品だと思えば「これいいね！」とつぶやいたり、ボタンを押したりします。これは直接的に他人の購買プロセスに影響を与える行動です。「認知したけど買わない人」だけなく「認知して買わないけど、クチコミで別の人に認知させる人」というこれまでの購買行動モデルにはない群を考慮せざるを得なくなりました。

２．「あの人が言ってた」という情報属性
「広告はうさん臭いけど、あの人が言ってるなら。。。」といった、信用している知人の話は信頼度が高いことは良く知られています。それだけではなく、人はもっと多くの情報処理をしています。
例えば、
・Aさんは石橋を叩いて壊すような人なので、かなり控えめに言ってるな。ほんとはもっとスゴイだろう。
・Bさんは、車だけはくわしい。だからその車の評価は信頼できる。
・Cさんは、そのコミュニティーではいつも本音を言っている。今回もそうだろう。
各情報に「誰が言ってた」という属性が足される事で、情報の内容を修正（良くも悪くも）する可能性を持っています。

以上の２点はソーシャルメディアの使い方としては当たり前の事ではありますが、購買プロセスとしてうまく表現はされていませんでした。そして、CDJにも明確な要素として表現されていません。またCDJは気持ちはよくわかりますが、はしょり過ぎwな気もしたので、こんなワークフレームを考えてみました。

【新しいマーケティングフレームの考察　〜Brand Communication Work-frame w/Social-media】
イニシャルブランドセットと周りにあるライフスタイル／価値観セット、環境セット、競合セットは少なくとも短期的には変えられないものです。これらのセットは必ず背景として存在するので、必ず研究しないといけません。まあ４Cの変形です。その上で短期的な施策セッティングをプランニングします。

初期認知はコストが必要です。しかし「共感」生みだす内容／コンテキストと仕組み／導線をソーシャルメディアと絡める事で、お金で買った分の分の認知を増幅させることができます。
そして、きちんとしたストーリーがあれば、一定量の「欲しい」が生み出せているでしょう。

しかし、CDJでも言及されているように、検討段階に入ったところで、いままでに意識していなかった競合情報にもアクセスする事になります。そして買う直前まで様々な情報の渦の中から自分なりに最適な選択をします。マーケッターとしては、そんな買い場では比較検討前提で、もう一押しするコミュニケーションが必須になるでしょう。

商品を購入した後は、その商品を通じてブランドを体験することになります。いろいろな意味で「良かった」を感じれば、その体験が最も重要な要素としてイニシャルブランドセットに付加されます。

さらに、それぞれがもつイニシャルブランドセットは、CDJで言われているようにリピート時に途中プロセスを省略させるだけでなく、「増幅」セッティングで他者に影響をあたえる事にもなります。

このようなフレームでプランニングができるならば、我々、計測／分析部隊もそれに備えた計測の仕掛けや分析／評価方法で対応したいと思っています。
間接効果も含んだペイド広告の効果、増幅の程度、もう一押し効果、満足度、ライフスタイル／価値観の定量化、環境・競合セットのなんらかの定式化など、ある程度確立されているものもあれば、実験中のもの、まだまだ手つかずのものもあります。

このモデルもつっこみどころ満載だとは思いますが、ここから改めて気づくこともありました。是非みなさまと一緒にこのモデルについても、評価・分析手法についても議論させていただきたいと思います。

別件で調べものをしているときに、興味深いプレゼンを見つけました。
例のカオスマップを作成したLUMA Partnersさんのプレゼンです。ご存知の方も多いと思います。

「THE SCIENCE-IFICATION OF MEDIA」
直訳すると「媒体の科学化」でしょうか。

内容を一言で言うと、

「データマネージメントテクノロジーで強化されたメディアによって
広告市場が大きく変化してますね、しかもまだ発展途中です」ということのようです。
（英語苦手なので間違っていたらすみません）

表紙の絵は、６０年代のアメリカの広告代理店を舞台にした、
有名なドラマ「MADMAN」をもじった、「MATHMAN」。
これも「広告に数学をつかうことがカッコいい」ということを
伝えたかったのだと思います。

プレゼンの中では、
・マスメディアからターゲットメディア、初期のオンラインメディア、そしてFacebookやTwitterに代表されるパーソナライズされた「科学化メディア」の特徴
・ソーシャル、モバイル、ローカル、リアルタイムがポイント
・カオスマップが整理されつつある、一方で意外な参入者もいる
・すべてのメディアが数値化される
・メディアはかつてメディアの機能だけではすまなくなっている
などが話されています。

プレゼンの本題ではないですが、私が気になったのは
16ページ　The Ad Market Opportunity is Much Bigger に書かれている、
1. Allocation = 配置
2. Optimization = 最適化
3. Attribution = アトリビューション（日本語は？？）
です。

「あれあれ、１も３も最適化なんじゃないの？なんであえて分けてるの？」と思ったのは私だけでは
ないのではないでしょうか？　しかし、あえて分けてあるのでその意味を、調べてみたんですが、
おそらく下記のように使い分けられているようです。（私的解釈も入っています。。）

1. Allocation
　いわゆるメディアミックス
　プランニングされたストーリーに沿って、経験的に最大効果を発揮すると思われるメディアを選択したもの
　”質的”な最適化。明確な効果指標があるわけではない（中間プロセスや一部のデータはもちろんあります）

2. Optimization
　近いメディア内での数理的最適計算。過去データから数理モデルを作成し、最適化計算
　コスト、成果、途中プロセスのデータが揃っていないといけない
　”量的”に細かいコスト対効果の調整

3. Attribution
　質や目的が違うメディア間での再配分で全体最適を目指す
　過去データから数理モデルをつくって最適化計算をさせるのは２と同様
　しかし２と違うのは、質が違う施策を混ぜるので取得データ項目も違うだろうし、
　そもそも目的が違うので成果指標が違っており、単純にポートフォリオが組めないということ
　「その異質なものをどうにかくっつけて、成果指標を調整して、最適化計算」ということをしないといけないので、
　ユーザーベースの情報を使って、異質なものを整合させる作業が必要

確かに３フェイズあるなと思います。

３を実現するためにまずやらなければいけないこと、
こんなことができたらもっと簡単にできそうだな、なんてことが見えてきました。

アトリビューションの本質もやっとこさ自分の中で腹落ちした気がします。（いまさらです）

最近、「データ分析のコツを教えてください」みたいな質問を何度かうけました。
統計の使い方、データの見方とかの話はセミナー等でもお話させていただいてますが、
最近ふとおもった事があります。数字の見方と数字を使った表現の仕方って、
そもそも質の違うものだなと。

「数字」って、多くの方にとって苦手意識があり、無条件に信用してしまう
きらいがあります。そのため数字に対する意識が高い方は、数字を見る側になると
「この数字は正確なものか？　出所は？」などを気にしますし、
数字を使って表現する側になると「多少誇張したとしても、
伝えたい事が伝わる事が大事」と考えます。

このクセをつける事が数字を味方にする第一歩だと思います。
その３つのツボをご紹介します。

ツボ１：数字は量を表す記号

数字には、なぜだか「絶対的でゆるがない」なイメージがあります。
数字には、なぜだか「客観的な真実」なイメージがあります。

しかし、数字は単なる物理的な量を表しているだけです。
生データ、一次加工データ（観測したもの、アンケートの回答など）は、量的かつ事実ではありますが、意味・解釈はない。
正解でもなければ、それがすべてでもありません。ましてや宇宙の真理を表すものでもありませんw

有名な例えですが、

• ケースA「まだコップに水が５０％も残っている」
• ケースB「もうコップに水が５０％しか残っていない」

物理的な量でいうとどっちも５０％なんです。しかし５０％という量が心理的、機能的にどう意味があるのかは、それだけでは決まりません。それでも事実は事実の５０％というのも確かなんです。この辺が勘違い（利用w）しやすいところです。後述します。

当たり前ですが、数字自体も母集団が何か（何が１００％か）とか、アンケート方式、計測の方法で変わります。
上の例で言うと、コップ満タン擦り切り一杯が１００％なのか、実用的なライン８分めくらいを１００としたのか、別の計量コップの満タンを１００にしたのか、で１００％が変わります。
体積で５０％を測っているなら、温度で変わってしまいます。
屁理屈のようですが、これらの前提条件をきちんと把握するところから数字の解釈は始まります。

ツボ２：解釈／意味付けはケースバイケース。正解もない。

数字でなくても、一つの事実に対して、状況によって言いたい事が変わる事はよくありますよね。

• ケースA「Cさん長期休暇で海外旅行ですねー。休養しつつ新たなネタ仕入れて、アイデアがでるといいですねー」
• ケースB「Cのやつ長期休暇で海外旅行だって。忙しいのに、まったく！！」

このようなCさんのことを知らない人だったら、
”休暇を有意義に使って次の仕事に活かせるデキル人な感じ”　か　”同僚に迷惑かける自分勝手な人”
の様な正反対の印象をうけるほどです。

先ほどのコップに水の例は実際に”数字”が入ったものです。
同じ５０％でも、まだ大丈夫なのか／対策しないといけないのか、
相手が飴で動くタイプか／ムチで動くタイプかなどの状況によって
５０％の解釈が変わる良い例です。

このように、まず事実としての量（数字）があり、それを取り巻く状況、他のデータ、知識経験、勘、想像力などから、筋の通った物語をさがして評価・意味付けをしていくことになります。

ツボ３：数字は意図を伝える際の強力なお助けツール

１、２は数字をどう読むかの話でしたが、ここでは数字を使った表現についてです。
数字の性質、１：それ自体に意味はないけど量をあらわす　２：意味は解釈によって様々
を効果的に使う事で、説得力のあるコミュニケーションが可能になります。

ウソやミスでなくても、単位や計算方法を変える事で複数の数値表記が可能です。

たとえば、

この不動産物件は、

• 駅から徒歩１５分
• 駅から車で２分
• 駅から１km
• 駅から1,000m
• 駅から1,000,000,000μm
• 駅から0.000000000000105263光年
• 駅から東京ドーム５個分

全部1kmを言いかえただけですが、だいぶ印象が違うのではないでしょうか。
量というのも、認知科学的には若干あやふやなところもありまして
一般に桁が大きいと数字は大きく感じる傾向にあります。

定価１００２円を１０００円で売っているのと
定価１０００円が９９８円になるのとでは、同じ２円なのに
桁が下がるために実際よりも安く感じます。

小さく見せたい時は桁を下げ、大きく見せたいときは桁を上げるとよいです。

平均値、中央値などの代表値というのも曲者です。
「一言で言うと○○」というように情報を圧縮してシンプルにする技なのですが、
元のデータがどんな状態かによって、数字が変わります。

たとえば、

A社もB社も社員の平均年収が500万円だったとします。
しかし、一人一人見てみると、
A社: 300, 400, 500, 600, 700万
B社: 100, 100, 100, 100, 2100万

中身はこんなに違いました。

もし私がB社のリクルーターだったら、「平均年収500万」といいますし、
労働組合の委員だったら、「年収の中央値100万、どないなっとんじゃー」といいます。
両方とも変ではあるのに、計算はできちゃうんです。

数字を視覚化するとさらにいろんなことができます。グラフなどもその一つです。

前述のように数字って「絶対的、客観的」なイメージがあるので、説得力になります。

「キリンの首は長い」
とか
「キリンの首の長さはマジ、やばい」
では、あくまで個人主観な印象ですが、

「キリンの首は２mと長い」といえば、客観的＝説得力大になります。

さらに、長い事を強調したければ、
「キリンの首は２mもあり、それは成人男子の2000%以上もある」
ちょっと控えめに言いたいならば
「キリンの首は２m程度であり、成人男子の体長との比率でいうと5.7倍ほどである」

決して上記のような事は、私はウソとは思いません。伝えたい事があって、それを伝わりやすいようなやり方でやっているだけなんです。伝える側の目的は、「伝えたい事が伝わること」しかないので。

したがって、あなたが見る側になったときも「このデータおかしい」と最初に思ってしまうのではなく、まずは「この人（このグラフ）は何を私に伝えたいのだろう？」と考える事が先決です。それをふまえた上で、さらに自分の意見を考えた上で、おかしいところの指摘なり、ロジックの補強なり、新しいアイデアなりを考える方が生産的だと思います。

以上のように、数字を読むとき、数字を使うときのツボ（注意点）について書いてみました。
今回はわかりやすい例をあげたのですが、もうすこし複雑なことが身の周りに普通にありますので
それを探してみるのもいいかもしれません。

広告は出せば”ある程度”効果があります。
その”程度”をきちんと計測し、”無駄”をできるだけ排除したり、
“良いもの”を伸ばすようなプランを考えたりするために、
“広告効果測定”は今や必須のツールです。

もちろんfacebookも「効果がある」のは間違いありません。
一過性の流行マーケティングならば良いのですが、
施策のひとつの選択肢として継続的に利用していくならば、
他の広告と同様に、 “どの程度”有用なのかを計測・評価することが必要になります。

先日、桜丘製作所さんとロックオン・アドエビスがFacebookの効果測定において提携すると発表しました。

広告効果測定ツールでは国内シェアNo.1のロックオン・アドエビスとしては、
今後さらに計測対象を増やし、より精度の高い全体最適を目指しています。

その中でもFacebookはこれまでにない、
新たなパターンで情報伝達が行われるプラットフォームであるため、重要な測定対象として考えています。

まずは、これまでの広告メニューと比較してどんな違いがあるのかを把握するところからはじめ、
新しい計測方法／トラッキング指標／利用方法をご提案していきます。

現状で以下の項目の計測を始めています。
——————————————————————————————
Facebookページを広告媒体を見なしたときに、
　どれだけインプレッションがあるのか？
　どれだけクリックスルーがあるのか？
　そこを経由してどれくらいコンバージョンがあるのか？
　そのコンバージョンの質（金額、LTV、デモグラ情報など）

さらに、
　Facebookページを見た方がどんなワードで検索しているのか？
　Facebookページを見た方が他にどんな広告に反応しているか？
——————————————————————————————
これらの情報を他の広告メニューと比較する事で、Facebookの相対的な価値評価が可能になります。

Facebookには”インサイト”という強力な分析ツールが装備されていますが、
インサイトはFacebookの中の動きを詳細に分析するためのツールであり、
今回行っている事は、他広告／Facebook外の施策との比較分析です。

キャンペーン全体最適に一歩近づくために、Facebookも一つの施策として、他の施策との比較分析を試みています。

データが揃ってきましたら、こことFacebook JapanInsideで分析結果のご報告をしていく予定です。
ご期待ください。

「おむつとビールの話」について言葉足らずなところがあり、
ご質問等を受けたのでちょこっと追記です。

記事の本質は、
データマイニングのような専門家がやることについての話だけではないです。

ネットマーケティングでアドエビスなどのツールを使えば簡単に取得できる指標、
PV、CTR、CPAなどにも当てはまります。これら指標もそれだけでは「単なる事実」です。
　　
まずは、
「CPAがより低いAを採用しましょう」ではなく、
「なぜ、Aの方がCPAが低いのか」をより深堀することが重要です。
　・コンバージョンしている特定の層は存在するか？
　・他と比べて、異なる表現要素はあるか？
　・他と比べて、そこからの利益総量は？　などなど

その結果（様々な理由から）、
CPAを追っかけることが重要であることがわかれば、
”トラッキング指標としてのCPA”が機能します。
つまり　「KPIをCPAに設定しましょう。」という感じです。
　　
ここまですると、運用実務をよりシンプルにすることができます。
　　
前半がPDの部分、後半がCAと思っていただいても良いかもしれません。
　PDはその先につなげることを意識しないと意味ないし、
　CAはできるだけシンプルにしておきたいので。

最近いろいろと話を聞くソーシャル周りに関しては、
まだ皆様も実験段階であるとは思います。

だからこそ、”何と何を比較すれば後で役立つか”などを検討し
計測方法の仕込み、分析の準備などを行うことで、その後の改善活動につながります。

ちなみに「おむつとビール」では
併買してしたお客さまを調べると、
　３０才前後の男性が、
　土日に奥さんに頼まれて、かさばるおむつを買いにきた。
　そのついでに自分用のビールも買った。
　
と言われています。（本当の話かどうかはわかりません）