synthesize-research

調査結果を統合する

見慣れないプレースホルダーがある場合や、接続されているツールを確認する必要がある場合は、CONNECTORS.md をご覧ください。

複数の情報源からユーザー調査の結果を統合し、構造化されたインサイトと推奨事項をまとめます。

使い方

/synthesize-research $ARGUMENTS

ワークフロー

1. 調査資料を収集する

次の資料を任意に組み合わせて調査に利用できます。

• 貼り付けたテキスト：インタビューのメモ、書き起こし、アンケートの回答、フィードバック
• アップロードしたファイル：調査ドキュメント、スプレッドシート、録音の要約
• ~~ナレッジベース（接続されている場合）：調査ドキュメント、インタビューのメモ、アンケート結果を検索します
• ~~ユーザーフィードバック（接続されている場合）：最近のサポートチケット、機能リクエスト、バグ報告を取得します
• ~~プロダクト分析（接続されている場合）：利用データ、ファネル指標、行動データを取得します
• ~~会議の書き起こし（接続されている場合）：インタビューの録音、会議の要約、議論のメモを取得します

ユーザーに、どのような資料があるかを尋ねます。

• 調査の種類は何ですか？（インタビュー、アンケート、ユーザビリティテスト、分析、サポートチケット、営業電話のメモ）
• 情報源／参加者は何件ありますか？
• 調査している具体的な質問や仮説はありますか？
• この調査をどのような意思決定に活用しますか？

2. 調査を処理する

各情報源から、次の項目を抽出します。

• 主な観察事項：ユーザーは何を話し、何を行い、何を経験しましたか？
• 引用：重要なポイントを示す逐語的な引用
• 行動：ユーザーが実際に行ったこと（本人が行っていると話したこととの比較）
• 課題：不満、回避策、満たされていないニーズ
• 肯定的な兆候：うまく機能していること、喜びを感じた瞬間
• コンテキスト：ユーザー層、ユースケース、経験レベル

3. テーマとパターンを特定する

テーマ分析を適用します。テーマ分析、親和図法、トライアンギュレーションの手法に関する詳しいガイダンスは、以下の 調査結果統合の方法論 をご覧ください。

観察事項をテーマごとに分類し、参加者間での出現頻度を数え、影響の深刻度を評価します。矛盾点や意外な発見にも注意します。

優先度マトリックスを作成します。

• 高頻度＋高影響：最優先の発見事項
• 低頻度＋高影響：特定のユーザー層にとって重要
• 高頻度＋低影響：使い勝手を向上させる改善
• 低頻度＋低影響：記録するものの、優先度は下げる

4. 統合結果を作成する

構造化された調査結果の統合レポートを作成します。

調査の概要

• 方法論：調査の種類、参加者／情報源の数
• 調査の質問：明らかにしようとしたこと
• 期間：調査を実施した時期

主な発見事項

主な発見事項ごとに（5～8件を目安にします）。

• 発見事項：インサイトを説明する明確な一文
• 根拠：裏付けとなる引用、データポイント、観察事項（情報源を明記）
• 頻度：この発見事項を裏付ける参加者／情報源の数
• 影響：ユーザー体験やビジネスにどの程度影響するか
• 確信度：高（強い根拠あり）、中（裏付けとなる兆候あり）、低（初期段階の兆候）

優先度（頻度 × 影響）の高い順に発見事項を並べます。

ユーザー層／ペルソナ

調査で異なるユーザー層が明らかになった場合は、次の情報をまとめます。

• セグメント名と説明
• 主な特徴と行動
• 固有のニーズと課題
• データがある場合は推定規模

機会領域

調査結果に基づいて、次の機会領域を特定します。

• 満たされていない、または十分に対応できていないユーザーニーズ
• 現在のソリューションでは不十分な点
• 新たな機能によって生み出せる価値
• 想定される影響に基づく優先順位

推奨事項

具体的で実行可能な推奨事項をまとめます。

• 開発、変更、または追加調査の対象
• 特定の発見事項との関連
• 影響と実現可能性に基づく優先順位

未解決の質問

調査で答えが得られなかったことをまとめます。

• 理解が不足している点
• 追加調査が必要な領域
• 推奨される追加調査の方法

5. レビューと拡張

統合結果を生成した後：

• 調査結果について、さらに詳しい説明や異なる切り口が必要か確認します
• ペルソナドキュメント、機会マップ、調査プレゼンテーションなど、特定の成果物の生成を提案します
• 未解決の疑問に対する追加調査計画の作成を提案します
• プロダクトへの示唆（調査結果をロードマップにどう反映すべきか）の草案作成を提案します

調査結果の統合方法

テーマ分析

定性調査の統合における基本的な手法です。

1. データに慣れる：すべてのデータに目を通します。コード化を始める前に、全体像を把握します。
2. 初期コーディング：データを体系的に確認します。各観察、引用、データポイントに、内容を説明するコードを付けます。コードは多めに付けましょう。後から分割するより、統合するほうが簡単です。
3. テーマの展開：関連するコードをまとめ、テーマの候補を作ります。テーマとは、調査の問いとの関連で、データの重要な内容を捉えるものです。
4. テーマのレビュー：データに照らしてテーマを確認します。各テーマには十分な根拠がありますか？テーマ同士は区別されていますか？一貫したストーリーを伝えていますか？
5. テーマの洗練：各テーマを明確に定義し、名前を付けます。それぞれのテーマが捉える内容を、1～2文で説明します。
6. レポート作成：根拠を添えて、テーマを調査結果としてまとめます。

アフィニティマッピング

観察結果をグループ化するための共同作業の手法です。

1. 観察結果を書き出す：それぞれの異なる観察、引用、データポイントを、個別のメモとして書き出します
2. クラスタリング：類似性に基づいて、関連するメモをまとめます。カテゴリーを事前に定義せず、データから自然に浮かび上がるものを見つけます。
3. クラスタにラベルを付ける：共通点を捉えた、内容を説明する名前を各クラスタに付けます
4. クラスタを整理する：パターンが見つかった場合は、クラスタをより上位のグループにまとめます
5. テーマを特定する：クラスタとその関係性から、重要なテーマが明らかになります

アフィニティマッピングのヒント：

• メモ1枚につき観察結果は1つにします。複数のインサイトをまとめないでください。
• メモは自由にクラスタ間を移動させます。最初のグループ分けが最適であることはほとんどありません。
• クラスタが大きくなりすぎた場合、複数のテーマが含まれている可能性があります。分割しましょう。
• 外れ値は興味深いものです。すべての観察結果を無理にクラスタに当てはめないでください。
• グループ化のプロセスは、成果物と同じくらい価値があります。共通認識の形成につながります。

トライアンギュレーション

複数のデータソースを組み合わせて、調査結果の確度を高めます。

• 手法のトライアンギュレーション：同じ問いに対して、異なる手法を用います（インタビュー＋アンケート＋アナリティクス）
• ソースのトライアンギュレーション：同じ手法を、異なる参加者やセグメントに適用します
• 時間的トライアンギュレーション：同じ観察を、異なる時点で行います

複数のソースと手法に裏付けられた調査結果は、単一のソースだけに裏付けられたものより、はるかに強固です。ソース間で食い違いがある場合は興味深い点です。ユーザーのセグメントや状況の違いが明らかになることがあります。

インタビューメモの分析

インタビュー記録からインサイトを抽出する

各インタビューについて、以下を特定します。

観察事項：参加者は何をしている、経験している、または感じていると説明しましたか？

• 行動（何をするか）と態度（何を考え、感じているか）を区別します
• 状況を記録します：いつ、どこで、誰と、どのくらいの頻度で
• 回避策に注目します。そこには、満たされていないニーズが隠れています

直接引用：要点を力強く示す、逐語的な発言

• 優れた引用は具体的で生き生きとしており、ありきたりなものではありません
• 名前ではなく、参加者のタイプを記します。「Sarah」ではなく「エンタープライズ管理者、200人のチーム」とします
• 引用は根拠であり、発見事項ではありません。発見事項とは、その引用の意味に対するあなたの解釈です。

行動と表明された好み：人々が実際にすることは、望んでいると口にすることと異なる場合がよくあります

• 行動の観察結果は、表明された好みより強い根拠です
• 参加者が「機能 X がほしい」と言っていても、ワークフローを見ると類似機能をまったく使っていない場合は、その矛盾を記録します
• 実際の行動から明らかになる選好を探します

強さを示すシグナル：参加者にとって、これはどの程度重要でしょうか？

• 感情的な表現：不満、期待、諦め
• 頻度：その問題に遭遇する頻度
• 回避策：問題を迂回するためにどれほどの労力を費やしているか
• 影響：問題が起きたとき、どのような結果になるか

インタビュー横断分析

個々のインタビューを処理した後、以下を行います。

• パターンを探します：複数の参加者に共通する観察事項はどれですか？
• 頻度を記録します：各テーマに言及した参加者は何人ですか？
• セグメントを特定します：ユーザーのタイプによって異なるパターンがありますか？
• 矛盾を明らかにします：参加者の意見が異なるのはどこですか？これは多くの場合、意味のあるセグメントを示します。
• 意外な点を見つけます：事前の想定を覆したものは何ですか？

アンケートデータの解釈

定量アンケート分析

• 回答率：サンプルはどの程度、母集団を代表していますか？回答率が低いと、バイアスが生じる可能性があります。
• 分布：平均だけでなく、回答の分布を見ます。二峰性の分布（1と5が多い）は、正規分布（3が多い）とは異なる実態を示します。
• セグメンテーション：ユーザーセグメントごとに回答を分けて分析します。全体集計では重要な違いが隠れることがあります。
• 統計的有意性：サンプル数が少ない場合は、小さな差から結論を導くことに慎重になります。
• ベンチマークとの比較：スコアは業界ベンチマークや過去のアンケートと比べてどうですか？

自由記述式アンケート回答の分析

• 自由記述式の回答は、簡易的なインタビュー記録として扱います
• 各回答にテーマを割り当てます
• 回答全体における各テーマの出現頻度を数えます
• 各テーマを代表する引用を抜き出します
• 自由記述式の回答には現れるものの、選択式の質問には現れないテーマを探します。これらは、質問しようと思いつかなかった事柄です

アンケート分析でよくある誤り

• 分布を示さずに平均を報告すること。平均が3.5でも、全員がどちらとも言えないのか、半数が大好きで半数が嫌っているのかはわかりません。
• 無回答バイアスを無視すること。回答しなかった人々は、系統的に異なる可能性があります。
• 小さな差を過剰に解釈すること。NPSが0.1ポイント変化しても、シグナルではなくノイズです。
• リッカート尺度を間隔尺度データとして扱うこと。「強く同意する」と「同意する」の差が、「同意する」と「どちらとも言えない」の差と同じとは限りません。
• クロス集計で相関と因果関係を混同すること。

定性的インサイトと定量的インサイトの組み合わせ

定性・定量のフィードバックループ

• まず定性分析：インタビューや観察によって、何が起きているのか、なぜ起きているのかがわかります。仮説を生み出します。
• 定量的な検証：アンケートや分析データによって、どの程度、どれほど多くの人に起きているのかがわかります。仮説を大規模に検証します。
• 定性的な深掘り：予想外の定量的な調査結果を理解するため、定性調査の手法に戻ります。

統合戦略

• 定量データを使って、定性的な調査結果の優先順位を決めます。インタビューで見つかったテーマは、利用データから多くのユーザーに影響していると分かれば、より重要です。
• 定性的なデータを使って、定量データの異常値を説明します。継続率の低下は数値で示されますが、インタビューからは、分かりにくいオンボーディングの変更が原因であることが分かります。
• 証拠を組み合わせて提示します。「調査対象ユーザーの47％がXに困難を感じていると回答しており（アンケート）、インタビューから、その原因がYであることが分かりました（定性的な調査結果）。」

情報源の見解が一致しない場合

• 定量的な情報源と定性的な情報源で、異なる状況が示されることがあります。これはエラーではなく、重要な兆候です。
• 測定対象となったユーザー層の違いが不一致の原因かどうかを確認します
• 表明された好み（アンケート）と実際の行動（分析データ）に違いがあるかどうかを確認します
• 定量的な質問で、意図した内容を正しく捉えられているかどうかを確認します
• 一方の情報源を選ぶのではなく、不一致を正直に報告し、さらに調査します

調査に基づくペルソナの作成

根拠に基づくペルソナの構築

ペルソナは想像ではなく、調査データから導き出す必要があります。

1. 行動パターンを特定する：参加者の間で、似た行動、目標、状況が集まっているグループを探します
2. 識別変数を定義する：グループを区別するのはどのような軸ですか？（例：企業規模、技術スキル、利用頻度、主なユースケース）
3. ペルソナのプロフィールを作成する：行動グループごとに、以下をまとめます：
   • 名前と簡単な説明
   • 主な行動と目標
   • 課題とニーズ
   • 背景（役割、企業、使用ツール）
   • 代表的な引用
4. データで検証する：定量データを使って、それぞれのペルソナ層の規模を推定できますか？

ペルソナのテンプレート

[Persona Name] — [One-line description]

Who they are:
- Role, company type/size, experience level
- How they found/started using the product

What they are trying to accomplish:
- Primary goals and jobs to be done
- How they measure success

How they use the product:
- Frequency and depth of usage
- Key workflows and features used
- Tools they use alongside this product

Key pain points:
- Top 3 frustrations or unmet needs
- Workarounds they have developed

What they value:
- What matters most in a solution
- What would make them switch or churn

Representative quotes:
- 2-3 verbatim quotes that capture this persona's perspective

よくあるペルソナの誤り

• 属性に基づくペルソナ：行動ではなく、年齢、性別、所在地で定義します。属性よりも行動のほうが、製品のニーズをよく予測できます。
• ペルソナが多すぎる：最適な数は3〜5人です。それ以上になると、実用性が失われます。
• 架空のペルソナ：調査データではなく、仮定に基づいて作られています。
• 静的なペルソナ：製品や市場の変化に合わせて更新されません。
• 意思決定への示唆がないペルソナ：製品に関する意思決定に何の影響も与えないペルソナは役に立ちません。

機会規模の推定

機会規模の見積もり

調査結果や機会領域ごとに、以下を見積もります。

• 対象となるユーザー数：この課題に対処することで、何人のユーザーがメリットを得られますか？製品分析、アンケートデータ、市場データを使って推定します。
• 頻度：影響を受けるユーザーは、どのくらいの頻度でこの問題に遭遇しますか？（毎日、毎週、毎月、一度限り）
• 深刻度：問題が発生したとき、ユーザーにどの程度の影響がありますか？（利用を妨げる、重大な摩擦、小さな不満）
• 支払い意欲：この問題への対処によって、アップグレード、継続利用、新規顧客の獲得につながりますか？

機会のスコアリング

シンプルなマトリックスを使って機会を評価します。

• 影響度：（影響を受けるユーザー数）×（頻度）×（深刻度）＝影響度スコア
• 証拠の強さ：この調査結果にどの程度確信がありますか？（複数の情報源＞単一の情報源、行動データ＞表明された好み）
• 戦略との整合性：この機会は、会社の戦略や製品ビジョンと合致していますか？
• 実現可能性：現実的に対処できますか？（技術的な実現可能性、利用可能なリソース、効果が出るまでの時間）

機会規模の提示

• 前提条件と確信度を明確に示します
• 計算根拠を示します：「サポートチケットの件数に基づくと、毎月約2,000人のユーザーがこの問題に遭遇しています。インタビューデータによると、そのうち60％が重大な障害だと考えています。」
• 見せかけの正確さを避け、範囲で示します：「毎月1,500〜2,500人のユーザーに影響しています」とし、「毎月2,137人のユーザーに影響しています」とはしません
• 絶対的なスコアだけでなく、機会どうしを比較して相対的な順位を付けます

出力形式

明確な見出しと構造化された書式を使います。各調査結果はそれだけで完結させます。読者は、ほかの内容を読まなくても、どの調査結果も単独で理解できる必要があります。

ヒント

• データに語らせましょう。あらかじめ決めたストーリーに無理に調査結果を当てはめないでください。
• ユーザーが口にすることと、実際に行うことを区別しましょう。行動データは、表明された好みよりも信頼性が高いものです。
• 引用は強力な根拠になります。参加者の種類（名前ではありません）を明記したうえで、積極的に取り入れましょう。
• 確信度を明確に示しましょう。2件のインタビューから得られた知見は、結論ではなく仮説です。
• データ内の矛盾は厄介なものではなく、興味深いものです。多くの場合、異なるユーザー層が明らかになります。
• 推奨事項は、実行に移せるほど具体的にしましょう。「オンボーディングを改善する」では具体性に欠けます。「セットアップフローに進捗インジケーターを追加する」なら実行に移せます。
• テーマを無理にまとめすぎないようにしましょう。弱い知見を20個並べるより、確かな知見を5〜8個示すほうが効果的です。