AIを“優秀なアナリスト”に育成する3つの条件　明日から使えるWebサイト分析AI活用術　

AIに期待されていること

• 業務工数の削減：データ分析やレポート作成など、これまで人が手作業で行っていた業務の工数を大幅に減らすこと
• 実用に耐えうるクオリティ：AIの分析や提案が、マーケティング施策として実行に移せるレベルであること
• 人間にはない発見：人間にはできない多角的なデータ分析や新たな発見をしてくれること
   

AI活用における不安

• 情報の確かさ：AIが出す分析結果の信頼性や、裏付けとなるデータソースへの不安、あるいはハルシネーション（もっともらしい嘘）への懸念
• アウトプットの質：指示（プロンプト）の仕方によって結果が変わり、思ったようなアウトプットが出ない。その修正に時間がかかるケースもある
• セキュリティへの心配：自社の機密情報がAIの学習に使われてしまうのではないかという懸念

AIの分析精度を高める方法

必要なデータをきちんと読み込ませること

たとえば、読了率を計測していなければ、記事が最後まで読まれているかは判断できない。そのため、記事末に関連記事リンクを設置しても、なぜクリックされないのか原因を特定できない。ユーザー行動をより詳細に取得することで、AIに質の高いデータを入力でき、複数の要因を判別できるようになる。

上図の内容はあくまで一例だが、「本当に必要なデータを設定すればするだけ分析の精度は上がる。ただなんでも取得すればよいわけではなく、施策に活かせるデータなのか？ という観点は忘れないようにしよう」と、小川氏は語る。

計測設計書などの背景情報も伝えること

どういうデータを取っているか、どんなURL構造なのか、何がゴールなのかなど、通常のWebサイト分析と同じように、AIにもそれら周辺情報を投入すると分析精度が上がる。カスタムでのイベント情報や属性情報を伝えてあげることが大事だ。

「Content Analytics」でのデータ精度向上のポイント

ユーザー行動の詳細なトラッキング

ページ単位だけではなく、ユーザーがページ内の「どの情報を見て」「どのように行動（コンバージョン・離脱）したか」までを記録。サイトに掲載されたテキストや段落情報、画像やalt属性などをタグごとに分解し、構造化されたデータとして保持している。ユーザー単位での詳細な履歴追跡も可能だ。

AIとの連携設計

Content Analyticsでは、収集された構造化データはGoogle Cloud上のGemini APIを活用し、AIが膨大なデータを集計し、プロンプトと組み合わせて分析を実行する。単なる数値レポートではなく、そのデータ傾向のユーザー心理や背景まで考察してくれる。

アウトプットの質を上げるポイント

背景情報の提供が不可欠

URL構造、コンテンツの配置、改善したい箇所の優先順位など、サイトの構造的・戦略的な情報、施策を実行できない箇所をAIに伝えることで、実現可能性の高い改善案に近づく。

人間の分析と同様の「ヒアリング」情報が必要

AIにビジネスモデル、過去の施策、制約条件、季節変動などを伝えることで、現実的な提案のアウトプットが可能になる。クライアントにヒアリングするのと同レベルの情報のインプットが必要。

「この条件の中でベストを尽くして」という枠組みを明示することが重要

AIに対しても、「制約条件」や「目的」を提示することで、無駄な試行錯誤を減らし、実務に活かせるアウトプットがスピーディーに得られる可能性が高まる。

「Content Analytics」でのプロンプトの工夫
 

AIに役割を明示し、分析方法をインプットする

「あなたは優秀なアナリストです」とAIにインプットするだけではなく、同社が長年蓄積してきた分析ノウハウや分析手順（データ確認→考察→改善提案）をAIにインプットしている。

アウトプットの最適化

結論ファーストでわかりやすくする。「CVに寄与しているのは何？」「ボトルネックは何？」など、サイトを改善するのに重要な考察・提案をするように指示済みだ。また、できないこともインプットし、質問に無理矢理回答しないなど、極力ハルシネーションを起こさせないようAIに制約も設けている。

データの指定と指標の定義

どのデータを使うか整理したり、指標の定義や重視するかどうかを明確に伝えたりすることで、数字の解釈のズレを防ぐ。たとえば「ヘッダーが最も見られる＝良い」とは限らないなど、構造的な前提や優先順位をAIにインプットしていることで、より実践的な分析が可能になる。

「Content Analytics」での業務プロセスへの組み込みの新機能

社内共有機能

新たに社内共有機能を搭載。データと考察をチームで一緒に確認できるので、改善アクションへの判断が速やかに行える。

自動レポート生成機能

週次レポートや月次レポート、キャンペーン終了後の即時レポートなどをあらかじめ設定しておけば、自動でAIが生成してくれる機能。このような機能があれば、PDCAも大きな負担なく回せるようになりそうだ。

セキュリティ対策の主なポイント

ツール側での設定管理

外部へのデータ送信を極力防ぐ設定（例：MCPサーバーによるローカル運用）を活用。また、初期設定がONになっている外部送信機能や学習として利用する旨をOFFにするなど、ツールの基本設定を必ず確認する。

社内外ルールの整理と合意形成

個人情報の利用目的や取り扱いといった社内の各種ルールを確認する。そもそもツールには個人情報を含めない設計を徹底することも大事。また、クライアントとは契約書・NDA・覚書を取り交わし、AIを使った分析であることを事前に説明・了承を得ることも、のちのトラブルを防ぐことにつながる。

納品物やアウトプットの透明性確保

AIが生成した要約や提案を納品物に含める場合はその旨を明記するとともに、社内レビューを通じて内容の妥当性を確認する。思わぬ誤情報や不適切な表現が含まれるリスクを防ぐため、第三者のチェックを推奨。

ログ管理と履歴の可視化

履歴保存モードや検証ログ、ドライブ共有機能などを活用し、誰が・いつ・どのようにAIを使ったかを記録する。

プライベート環境での利用

パブリッククラウド上にアップロードされないような閉じた仕組みであることが大前提。

透明性を担保したセキュリティチェック体制構築

AIサービスのセキュリティポリシーの確認と、社内関係者に対してAI活用の透明性を担保する体制づくりが必要。機密情報の取り扱いや社内ルールの遵守が不可欠であり、実務での活用には社内外のステークホルダーとの事前合意や情報共有が重要。