research-synthesis

中核となる分析手法

テーマ分析

質的データから意味を抽出する体系的なアプローチです。

1. 全体に浸る — 注釈を付けずに、データセット全体を最初から最後まで読みます。構造を当てはめる前に、全体像を直感的につかみます。
2. オープンコーディング — すべてのデータポイントを確認し、内容を説明するラベルを付けます。コードは少なめより多めに付けます。後からまとめるほうが、遡って分割するより簡単です。
3. パターンのグループ化 — 関連するコードを、テーマの候補としてまとめます。各テーマは、研究上の問いに関係する意味のあるパターンを表す必要があります。
4. 検証 — 生データを見直し、各テーマを厳しく検証します。十分な裏付けとなる証拠があること、テーマ同士が過度に重複していないこと、全体として一貫したストーリーを形成していることを確認します。
5. 明確化 — 各テーマに正確な名前を付け、その本質を捉えた1〜2文の定義を作成します。
6. 報告 — テーマを調査結果としてまとめ、それぞれをデータから得られた具体的な証拠で裏付けます。

ボトムアップ・クラスタリング（親和図法）

観察結果から構造を自然に浮かび上がらせる手法です。

1. 細分化 — 個々の観察、引用、データポイントを、それぞれ独立した単位として記録します
2. 類似性によるグループ化 — あらかじめカテゴリを決めずに単位をまとめ、データにグループ分けを導かせます
3. 各クラスターに名前を付ける — 項目同士を結び付ける共通点を捉えたラベルを付けます
4. 階層を構築する — クラスターをまたいで自然な上位グループが見つかった場合は、より高いレベルのカテゴリに整理します
5. マップを読み解く — クラスターの構造とクラスター間の関係から、主要なテーマを明らかにします

実践のポイント：

• 各単位は1つの観察に絞り、複数のインサイトをまとめないでください
• 自由に並べ替えてください。最初の配置は暫定的なものです
• 大きすぎるクラスターには通常、複数のテーマが含まれているため、細分化してください
• グループ化しにくい孤立した観察結果も、検討する価値があります。外れ値に重要なシグナルが含まれていることはよくあります
• クラスタリングのプロセスそのものが理解を生み出します。最終的な配置だけが重要なのではありません

トライアンギュレーションによる相互検証

独立した複数の証拠で確認することで、あらゆる調査結果を強化できます。

• 手法のトライアンギュレーション：インタビュー、アンケート、分析など、異なる手法で同じ問いを調べます
• 参加者のトライアンギュレーション：異なるユーザーセグメントやコホートを対象に、同じ問いを調べます
• 時間的トライアンギュレーション：複数の時点で同じパターンが見られるかを調べます

独立した複数の情報源で裏付けられた調査結果は、はるかに説得力が高くなります。情報源の内容が異なる場合は、その食い違い自体を有用な情報として扱います。異なるユーザーセグメントや、状況に応じた行動の違いを示している可能性があります。

インタビューデータの扱い方

個別セッションからシグナルを抽出する

各インタビューから、次の4つのカテゴリの情報を取り出します。

観察された行動と表明された態度

• 参加者がしていると説明することと、感じていることや信じていることを分けます
• 頻度、状況、関わった協力者など、状況に関する背景を記録します
• 回避策には特に注意を払います。回避策はそれぞれ、満たされていないニーズを表しています

具体例となる引用

• 一般論ではなく、具体的で生き生きとした引用を選びます
• 名前ではなく、参加者の属性で示します。「参加者7」ではなく、「中堅市場のオペレーション責任者、50人のチーム」のように記します
• 引用は調査結果を裏付ける証拠であり、それ自体が調査結果ではないことを忘れないでください

表明された希望と実際の行動のギャップ

• 人々が欲しいと話すものは、実際に行っていることと大きく異なる場合があります
• 観察可能な行動は、自己申告による希望よりも強い証拠です
• 参加者が機能を求めている一方で、ワークフロー上、類似する既存機能をまったく使っていない場合は、その食い違いを記録します

強度を示すシグナル

• 感情の表れ：苛立ち、熱意、諦め
• 遭遇頻度：毎日の苦痛か、まれな不便か
• 回避策にかけた労力
• 問題が発生した場合に生じる後続の影響

複数のセッションにわたるパターン

個々のインタビューのコーディング後：

• 参加者間で繰り返し見られる観察結果を特定し、その頻度を数えます
• ユーザータイプごとに分類します。役割や状況が異なると、異なるパターンが現れることがよくあります
• 参加者間の矛盾を明らかにします。こうした矛盾は、意味のあるオーディエンスセグメントを示していることがよくあります
• 当初の予想に反した点を強調します

アンケートデータの解釈

定量的な回答の分析

• サンプルの質：結論を導く前に、回答率と非回答バイアスの可能性を評価します
• 平均値だけでなく分布を見る：両極に集中した二峰性の分布は、平均値が同じでも、釣鐘型の分布とは根本的に異なる状況を示します
• セグメントごとに分析する：集計値によって、ユーザーグループ間の重要な違いが見えなくなることがあります
• サンプルサイズを考慮する：サンプルが小さいと、わずかな数値の違いは信頼できません
• ベンチマークと照らし合わせる：過去の期間や業界の基準値と比較します

自由記述回答の分析

• インタビューデータに使用したものと同じテーマ別コーディングのプロセスを適用します
• 回答全体にわたるテーマの頻度を集計します
• テーマごとに代表的な引用を抽出します
• 構造化された質問にはなかったものの、自由記述に現れたテーマに注意します。これはアンケート設計の盲点を明らかにします

アンケート分析でよくある落とし穴

• 分布を示さずに平均値を報告すること。同じ平均値でも、回答の形が大きく異なる場合があります
• 非回答バイアスを見落とすこと。アンケートに回答しなかった人は、回答した人と体系的に異なる可能性があります
• 小さなスコアの変動を意味のあるものとして扱うこと。1点未満の変化は、通常、ノイズです
• リッカート尺度の間隔が等しいと仮定すること。「強く同意する」と「同意する」の心理的な距離は、「同意する」と「どちらともいえない」の間と同じとは限りません
• クロス集計した相関から因果関係を導くこと

定性的エビデンスと定量的エビデンスをつなぐ

反復的なサイクル

• 定性調査から始める：インタビューと観察によって、何が起きているのか、なぜ起きているのかを明らかにします。ユーザー行動に関する仮説を導き出します。
• 定量化する：アンケートと分析によって、どの程度広く、どのくらいの頻度で起きているかを測定します。大規模なデータで仮説を検証するか、再考を促します。
• 定性調査に戻る：予想外の定量的な結果を説明するため、さらに深く掘り下げます。

エビデンスを効果的に組み合わせる

• 定性的な調査結果を、定量的なリーチに応じて重み付けします。分析データから多くのユーザーに影響しているとわかる場合、インタビューで見つかったテーマはより重要になります
• 定量的な異常値の解釈に定性データを活用します。継続率の低下は数値でわかりますが、新規ユーザーがオンボーディングの再設計に戸惑ったことは、インタビューで明らかになります
• 統合したエビデンスを提示します：「回答者の42%がXの難しさを指摘しました（アンケートデータ）。インタビューから、その根本原因はYにあることがわかりました（定性的な調査結果）。」

データソースが食い違う場合

• 手法間でエビデンスが食い違うのは欠点ではなく、調査を促すものです
• 測定対象の母集団が異なることが、食い違いの原因かどうかを確認します
• 自己申告による選好（アンケート）と実際の行動（分析データ）が異なる可能性を考慮します
• アンケートの質問が意図した構成概念を実際に捉えていたかを確認します
• どちらかの情報源を恣意的に選ぶのではなく、食い違いを透明性をもって報告し、追加調査を行います

データからペルソナを作成する

行動クラスターからペルソナへ

ペルソナは推測ではなく、実際に観察されたパターンに基づいて作成する必要があります。

1. 行動クラスターを特定する：似た目標、行動、状況を共有する参加者のグループを特定します
2. 差別化要因を明らかにする：クラスター同士を分ける要素を特定します。たとえば、利用頻度、企業規模、技術的な習熟度、主な達成すべき業務などです
3. 各クラスターのペルソナプロフィールを作成する：
   • 説明的なラベルと要約
   • 典型的な行動と目標
   • 主な不満と満たされていないニーズ
   • 状況に関する詳細（役職、組織の種類、関連するツール）
   • 調査で得られた裏付けとなる引用
4. 定量データで実態を検証する：分析データやアンケートの回答者属性を使って、各ペルソナセグメントの規模を推定します

ペルソナプロフィールの構成

[Label] — [One-sentence characterization]

Background:
- Role, organization type and scale, experience level
- How they discovered and adopted the product

Objectives:
- Primary goals and jobs to be done
- How they define success

Product Relationship:
- Usage frequency and depth
- Key workflows and features relied upon
- Complementary tools in their stack

Frustrations:
- Top unmet needs (limit to 3)
- Workarounds they have built

Decision Drivers:
- What they prioritize in a solution
- What would push them to leave or upgrade

Voice of the User:
- 2-3 verbatim quotes capturing this persona's perspective

ペルソナ作成で避けるべきパターン

• 人口統計情報による定義：行動ではなく、年齢、性別、地域でペルソナを定義すること。行動属性のほうが、製品に対するニーズをはるかに確実に予測できます。
• ペルソナの増やしすぎ：ペルソナが5つを超えると、焦点がぼやけます。3〜5つを目指してください。
• 仮定に基づくペルソナ：調査データなしで作成したプロフィールは、ツールではなく創作です。
• 古くなったペルソナ：製品や市場の変化に応じて見直されないペルソナは、有用性を失います。
• 装飾的なペルソナ：製品に関する意思決定に少なくとも1つも影響しないペルソナは、役に立っていません。

機会の規模とスコアリング

各機会の規模を推定する

統合分析から浮かび上がったすべてのインサイトや機会について、次の項目を推定します。

• 影響を受けるユーザー数：この問題に直面するユーザーは何人ですか？分析データ、アンケートデータ、市場規模の推定に基づいて見積もります。
• 発生頻度：影響を受ける各ユーザーにとって、この問題はどのくらいの頻度で発生しますか？（毎日、毎週、毎月、一度限り）
• 発生時の影響：深刻度はどの程度ですか？完全に作業を妨げる、相応の支障がある、軽微な不快感のいずれですか？
• 商業的な兆候：解決することで、アップグレードの促進、解約の減少、新規顧客の獲得につながりますか？

スコアリングの枠組み

次の4つの観点で機会を順位付けします。

• 影響度 = （影響を受けるユーザー数）x（頻度）x（深刻度）
• エビデンスの質 = 裏付けとなるデータの確かさはどの程度ですか？（単一のデータポイントより複数の手法と情報源、自己申告より行動の証拠のほうが有力です）
• 戦略との適合性 = 会社の方針や製品ビジョンと合致していますか？
• 実行可能性 = 現実的に開発できますか？技術的な複雑さ、必要なリソース、価値を実現するまでの時間を考慮します。

機会の推定値を伝える

• 仮定を明示します。結論だけでなく、推論の流れを示してください
• 不確実性を正直に伝えるため、幅を持たせた数値を使います。「月間2,137人」のような見せかけの精密さではなく、「月に1,500〜2,500人に影響します」のように表します
• 定性的な証拠と定量的な証拠を組み合わせます。「サポートチケットの件数から、月におよそ2,000回発生すると推定されます。インタビューデータによると、影響を受ける人の約60％が深刻な妨げだと考えています。」
• 機会同士を比較して順位付けします。絶対的なスコアよりも、相対的な位置づけのほうが役立つことがよくあります