V2

CVR改善サイクルの流れ

CVR改善のコンセプト

CVRを5段階のファネルと
4軸のセグメントで分解する。

どこで・誰が・なぜ
落ちているかを特定し、
インパクト順に改善する。

ファネル全体を分析対象とし、改善はACページから着手。
分析の結果「上流の問題が大きい」と分かればそちらを優先。

ファネル 5段階

① 流入 activeUsers

② AC到達 ac_page_reach

③ 検討 calendar_view

④ 意向 form_start

⑤ 完了 purchase

×

セグメント 4軸

チャネル

Organic / Paid / Direct

デバイス

mobile / desktop

新規 / リピーター

信頼構築 vs 再購入

エリア

Hawaii / Bali / Europe…

改善サイクル

AI

AIドリブン生成

週次・自動実行 → 月曜朝に納品

❶ ボトルネック 10件を特定
ファネル × セグメントの転換率比較
❷ 各ボトルネックに原因仮説 × 3
リサーチ + 数字の裏付け + 打ち手と期待効果
❸ 各打ち手に開発仕様 + プロトタイプ × 3
既存画面ベースの改修案 + ビジュアル

分析 → 仮説 → 施策 → 仕様 → プロトタイプまで一括生成。
人間はレビューと判断に集中する。

人

チームレビュー & 実行

月曜レビュー → 火〜木実行 → 金曜共有

月曜　施策リストの内容評価・やる/やらない・担当アサイン
火〜木　AIドラフトをもとにデザイナー/エンジニアが仕上げ
金曜　Slackで進捗と成果を共有

火〜木の実行：AIがデザインカンプ・実装コードの下書き・ABテスト設計をドラフト。デザイナー・FE/BEエンジニアがレビュー・仕上げ・統合。

将来目標：Claude Code経由でデザイン→実装まで一気通貫。現時点はAIドラフト→人間トスの併用。

基本のファネル（5段階）

①

流入

activeUsers

ユニークユーザー数

②

AC到達

ac_page_reach

ACページ訪問率

③

検討

calendar_view

カレンダー表示率

④

意向

form_start

予約フォーム到達率

⑤

完了

purchase

予約完了率

判定基準

各段階の転換率をサイト全体値と比較し、セグメント間で相対的に低い箇所を「ボトルネック」と判定。絶対値ではなく相対比較が基本。

4つの分析軸 × 掛け合わせでボトルネックを特定

分析の考え方

4つのセグメント軸すべてと、その掛け合わせでファネルの凹みを探します。
見つかった凹みをインパクト順（セッション数 × 乖離率）に並べ、上位10件を仮説 → 打ち手 → プロトタイプまでフル分析します。

分析軸 ①

チャネル — どこから来たユーザーか

チャネル（sessionDefaultChannelGroup）

CVR差 4倍。この差がファネルのどの段階で生まれるかを特定する。

見る対象（4チャネル）

Organic Search

セッション47% / CVR 0.70%

最大ボリューム。意図が薄い流入が多い可能性。bot混入も疑う。

Paid Search

セッション23% / CVR 1.42%

キーワードの質とLPの出し分け。低CVRキーワードの特定。

Direct

セッション10% / CVR 2.98%

リピーター/ブランド指名。この層の体験を最優先で守る。

Unassigned / Other

セッション7% / CVR 4.10%

CVR異常値。アプリ経由・パラメータ欠損の可能性。実態把握が先。

分析方法

GA4クエリ

sessionDefaultChannelGroup × 各ファネルイベントのeventCount

比較方法

チャネルごとに ①→② / ②→③ / ③→④ / ④→⑤ の転換率を算出し、サイト全体値と比較

判定基準

サイト全体値より -20%以上乖離かつセッション数 1万以上 → ボトルネック候補

分かったらどうする？ → 例：Organicの②→③が-30%なら「Organic経由のACページでカレンダーまで到達しない」問題。LP設計 or 情報整理の施策候補へ。

分析軸 ②

デバイス — モバイルかPCかでUIが全く変わる

デバイス（deviceCategory）

mobile / desktop / tablet。打ち手が根本的に変わる軸。

見る対象

mobile

セッション比率最大。カレンダーUI・フォーム入力のUX問題が出やすい。速度（TTFB）も要確認。

desktop

CVRは高いはず。もし低い段階があれば、情報設計の問題（迷い・ノイズ）を疑う。

分析方法

GA4クエリ

deviceCategory × 各ファネルイベントのeventCount

比較方法

mobile vs desktop で各段階の転換率を並べて、差が大きい段階を特定

注目点

③カレンダー表示率と④フォーム遷移率。mobileで特に差がつきやすい。

分かったらどうする？ → 例：mobileの③→④が-40%なら「mobileでカレンダー見た後にフォームに行かない」問題。CTA配置・遅延読み込み・スクロール量の施策候補へ。

分析軸 ③

新規 / リピーター — 行動パターンが根本的に異なる

新規 / リピーター（newVsReturning）

ファネルの凹みが、初めて来たユーザーの問題か、リピーターの問題かを切り分ける。

読み方

新規が低い

→ 信頼構築の問題。体験談・保証・キャンセルポリシーの見せ方。初回割引の効果検証。

リピーターが低い

→ UX摩擦の問題。過去の予約情報の活用不足。再購入フローの最適化。

GA4クエリ

newVsReturning × 各ファネルイベント

分かったらどうする？ → 例：Organic × mobile × 新規の②→③が特に低い → 「初めてACページに来た新規mobileユーザーが、カレンダーを見る前に離脱」→ 信頼構築UIの施策候補へ。

分析軸 ④

エリア（旅行先）— 商品構成が根本的に異なる

エリア（landingPage から推定）

Hawaii, Bali, Singapore 等。エリアごとに在庫・即確定率・季節性が違うため、同じファネルでも特性が変わる。

推定方法

GA4

landingPage に /hawaii/, /bali/ 等のパスを含むかで分類

注意

カスタムディメンションがAPI経由で取得不可のため、パスベースの推定。精度に限界あり。

見るポイント

③が低い

→ 在庫切れ / カレンダー表示時の「空き無し」が多い可能性。サプライ側の問題。

④が低い

→ 料金の出し方 / リクエスト制の多さが障壁。即確定商品の露出を上げる施策。

分かったらどうする？ → 例：Hawaiiの③→④が-50%なら「Hawaii商品はカレンダー見ても予約に進まない」→ 在庫確認UI改善 or 即確定商品の優先表示の施策候補へ。

掛け合わせ

複数軸を組み合わせて、原因セグメントを1つに絞る

チャネル × デバイス

Organic + mobile の③が低い？→ mobile向けSEOランディング体験の問題。

チャネル × 新規/リピーター

Organic + 新規の②が低い？→ 検索意図と商品マッチングの問題。

エリア × デバイス

Hawaii + mobile の④が低い？→ Hawaii商品のmobileフォーム体験。

掛け合わせのゴール

「なぜそのセグメントだけ低いのか？」を軸の組み合わせで絞り込む。最終的に「Mobile × Organic × 新規の ②→③ が全体比 -40%」レベルまで特定できると、仮説の精度が上がる。

AIの分析プロセス（❶ ボトルネック特定の内部ロジック）

1

サイト全体値を算出

ファネル全体の転換率を算出。①→② 何%、②→③ 何%…のサイト全体値を出す。

2

4軸 × 掛け合わせで全パターンを分析

チャネル・デバイス・新規/リピーター・エリア、およびその掛け合わせで全セグメントのファネル転換率を算出。サイト全体値より低い箇所をマーク。

3

インパクト順にランク付け

セッション数 × 転換率ギャップ = 影響ユーザー推計。この値が大きい順に上位10件を選定。

4

原因仮説 × 3 → 数字で裏付け

なぜ低いか？の仮説を立て、追加データ・競合リサーチで裏付ける。

5

打ち手 × 9 → プロトタイプ生成

仮説ごとに打ち手3つ、開発仕様、Before/Afterプロトタイプまで一括生成。

AIが月曜朝に出す施策リストのフォーマット

項目	内容	例
ボトルネック	ファネル段階 × セグメント	②→③ Mobile × Organic × 新規
転換率	現状値 / サイト全体値 / ギャップ	18% / 30% / -40%
原因仮説（×3）	なぜ低いかの仮説	①カレンダー読み込み遅延 ②情報過多 ③CTA不明確
裏付けデータ	仮説を支持する数字	Mobile TTFB 3.2s / Desktop 0.8s
打ち手（×3）	具体的な改善施策	遅延ロード / 情報の引き算 / CTA固定化
開発仕様	具体的な実装内容	カレンダーコンポーネントをIntersectionObserver化
プロトタイプ	既存画面の改修案ビジュアル	HTML or Figma リンク
期待効果 / 検証方法	想定インパクト or 測り方	②→③ +5pt → CVR +0.07% / ABテスト2週間
判断（人間）	チームレビュー結果	◎やる / △要修正 / ×やらない / 担当: Sachie

2025年の学び — 勝ち/負けパターン

✓ 勝ちパターン

情報のシンプル化（ハイライト非表示 +3.8%）

並走型UIへの変更（タブ化 +2%）

行動喚起の明確化（CTA文言 +3%）

構造の統一（Area UI標準化）

✗ 負けパターン

ノイズになる機能追加（ランキング・プラン表示）

意思決定に影響しない細部（ボタン色・テキスト）

比較対象を増やして迷いを増大

個別パーツの最適化

施策立案時の3つの問い

① このページの役割を強化するか？ → Yes なら進める
② ユーザーの意思決定にノイズを加えないか？ → No なら止める
③ 引き算で同じ効果が得られないか？ → 得られるなら引き算を優先

CVRを5段階のファネルと4軸のセグメントで分解する。 どこで・誰が・なぜ 落ちているかを特定し、インパクト順に改善する。

CVRを5段階のファネルと
4軸のセグメントで分解する。

どこで・誰が・なぜ
落ちているかを特定し、
インパクト順に改善する。