「アクセス解析、CRM、営業履歴、アンケートなど、データは増えているのに顧客理解が深まっている実感がない」「資料ダウンロードや問い合わせは計測できているが、なぜ商談や受注につながらないのか分からない」。
BtoBマーケティングの現場では、こうした違和感が起こりやすくなっています。
マーケティングファネルで顧客データを見るときに重要なのは、保有するデータをすべて集めることではありません。認知・情報収集・比較検討・商談・購入という各段階で、「何を判断したいのか」を決め、その判断に必要なデータを選ぶことです。
例えば、認知段階なら検索やコンテンツ閲覧から「どの課題に関心があるか」を確認します。比較検討段階なら、事例・料金・比較情報への接触や商談での質問から「何を判断軸としているか」を見ます。さらに購入直前では、見積依頼や決裁者からの質問、失注理由などから「何が購入を後押し・阻害しているか」を確認します。
インティメート・マージャーがこれまで参加してきたセミナーでも、顧客がどの段階にいるかをデータから可視化し、マーケティングと営業で次のアプローチを判断する考え方が紹介されてきました。また、データの一元管理を目的にするのではなく、定量・定性の両面から顧客理解を深め、「誰に・いつ・何を届けるか」を設計することが重要だという議論もあります。
この記事では、マーケティングファネルごとに見るべき顧客データと、データを実際の施策・営業・商品改善へつなげる方法を整理します。
- 要点サマリー
- マーケティングファネルで見るべき顧客データとは？
- ファネルの段階別｜見るべき顧客データ一覧
- 認知・課題認識段階｜「何に困っているか」をデータから捉える
- 情報収集・興味関心段階｜「検討が進んでいるか」を見る
- 比較検討段階｜「何を基準に選ぼうとしているか」を分析する
- 具体検討・商談段階｜Webデータだけでは顧客を捉えきれない
- 購入・失注段階｜「成果データ」を顧客理解へ戻す
- ファネル分析では「定量→定性→定量」で考える
- データは一元管理する前に「目的」を決める
- 顧客データ活用を始める実践ステップ
- AIはファネルの顧客データ分析にどう使える？
- マーケティングファネルのデータ分析チェックリスト
- まとめ｜見るべきデータは「顧客の段階」と「判断したいこと」から決める
- FAQ
要点サマリー
- ファネル分析では、データを集める前に「何を判断するか」を決めることが重要です。
- 認知・情報収集・比較検討・商談・購入では、見るべき顧客データが異なります。
- 行動データは「何が起きたか」を捉えやすい一方、「なぜ起きたか」は定性情報も合わせて確認する必要があります。
- BtoBではWebデータだけではなく、営業・商談・失注・社内検討に関するデータまでつなげて見ることが重要です。
- ファネル分析の目的はレポート作成ではなく、コンテンツ、営業、商品、訴求の改善判断につなげることです。
マーケティングファネルで見るべき顧客データとは？
マーケティングファネルで見るべき顧客データは、大きく分けると次の4種類です。
| データ | 主に分かること | 具体例 |
|---|---|---|
| 属性データ | 誰なのか | 企業規模、業種、職種、役職、地域など |
| 行動データ | 何をしたのか | 検索、Web閲覧、資料DL、ウェビナー参加、問い合わせなど |
| 定性データ | なぜそうしたのか | インタビュー、アンケート自由回答、問い合わせ内容、商談時の発言など |
| 成果・営業データ | 最終的にどうなったか | 商談化、案件化、見積、受注、失注、保留、継続など |
重要なのは、この4種類をすべて同じ重みで見るのではなく、ファネル段階に応じて使い分けることです。
例えば認知段階で「受注率」を見ても、十分な示唆は得にくいでしょう。一方、商談後の段階でページビューだけを追っていても、顧客の社内検討状況は把握できません。
顧客データは「多いほどよい」のではなく、「その段階の問いに答えられるか」で価値が決まります。
ファネルの段階別｜見るべき顧客データ一覧
まず全体像を整理します。
| ファネル | 知りたいこと | 主に見るデータ | 次の判断 |
|---|---|---|---|
| 認知・課題認識 | 何に困っているのか | 検索テーマ、閲覧記事、広告接触、流入元、アンケート | どの課題を訴求するか |
| 情報収集・興味関心 | 何を詳しく知ろうとしているか | 資料DL、複数記事閲覧、ウェビナー参加、再訪、検索テーマ | どんな情報を次に提供するか |
| 比較検討 | 何を基準に比較しているか | 事例・比較・料金情報への接触、問い合わせ内容、商談質問 | 何を判断材料として示すか |
| 具体検討・商談 | 何が導入障壁になっているか | 商談履歴、見積、決裁者、稟議、質問、保留理由 | 何を営業が補足・支援するか |
| 購入・失注 | なぜ選んだ／選ばなかったか | 受注理由、失注理由、価格、競合、導入条件 | 商品・訴求・営業プロセスをどう改善するか |
認知・課題認識段階｜「何に困っているか」をデータから捉える
認知段階では、顧客自身が解決策を明確に認識していないケースがあります。
そのため、商品名やサービス名への接触だけを見るよりも、どの課題について情報を集めているかを見る方が顧客理解につながります。
確認したい行動データ
- 自然検索から流入したページ
- 検索テーマ・検索クエリ
- 課題解説記事の閲覧
- 広告やコンテンツとの接触
- 初回訪問と再訪の違い
- 閲覧したテーマの組み合わせ
例えば「AI」という広いテーマだけでなく、「AIを導入できない」「顧客データを活用できない」「商談化率が低い」といった課題テーマへの接触を見ると、顧客が何に違和感を持っているかを仮説化しやすくなります。
数字だけでは見えない「課題の言葉」を集める
この段階では、問い合わせ、アンケート、営業現場で聞く言葉なども重要です。
企業側が「データ統合が課題」と捉えていても、顧客本人は「データはあるけれど、結局何を見ればよいか分からない」と感じているかもしれません。
企業の言葉と顧客の言葉が一致するとは限らないため、行動データだけでなく、実際の顧客の言葉を合わせて確認します。
顧客理解そのものの方法について詳しく知りたい方は、顧客理解を深める5つの方法｜行動データだけでは見えない理由も参考になります。
情報収集・興味関心段階｜「検討が進んでいるか」を見る
課題を認識すると、顧客は解決方法について情報を集め始めます。
ここで重要なのは、単一の行動だけで「検討度が高い」と決めつけないことです。
例えば資料を1件ダウンロードしただけの人と、関連記事を複数回閲覧し、さらにウェビナーにも参加した人では、同じ「リード」であっても状態が異なる可能性があります。
確認したいデータ
- 資料ダウンロード
- ウェビナー・セミナー参加
- 同一テーマの記事閲覧数
- 再訪頻度
- 特定テーマへの継続的な接触
- メールやコンテンツへの反応
過去のセミナーでも、バイヤージャーニーを可視化する際、認知段階ではWeb閲覧や広告接触、興味・関心段階では資料ダウンロードやウェビナー参加といったデータを使い分ける考え方が示されていました。
単一スコアではなく「行動の文脈」を見る
実務では、資料DLを10点、ウェビナー参加を20点といったリードスコアリングを行うことがあります。
ただし、点数だけでは「なぜその行動を取ったのか」までは分かりません。
そこで、次のように文脈を確認します。
- どのテーマの資料を取得したのか
- その前後で何の記事を読んだのか
- 初めて関心を示したのか、以前から継続しているのか
- 企業属性とテーマの関連性は高いか
行動量ではなく、行動の連続性とテーマの一貫性を見ることで、検討状態をより具体的に考えられます。
比較検討段階｜「何を基準に選ぼうとしているか」を分析する
比較検討段階では、顧客の問いが変わります。
「どう解決するか」から、「どの方法・商品・サービスを選ぶか」へ移るためです。
比較検討で重視したいデータ
- 導入事例の閲覧
- 料金・費用に関する情報への接触
- 比較記事・機能情報の閲覧
- 問い合わせ時の質問
- 営業との会話内容
- 競合や代替手段への言及
- 導入条件に関する質問
この段階では、ページ閲覧数のような定量データだけではなく、問い合わせや商談で出た質問などの定性情報が重要になります。
例えば料金ページを何度も閲覧している場合でも、「予算内に収まるか確認している」のか、「競合との価格差を確認している」のかでは、企業側が返すべき情報が異なります。
「何を見たか」と「なぜ見たか」を分ける
| 行動データ | 分かること | まだ分からないこと |
|---|---|---|
| 料金ページを閲覧 | 価格への関心がある可能性 | 高いと感じたのか、予算確認なのか |
| 導入事例を閲覧 | 利用イメージへの関心 | 業界、成果、運用方法のどこを見ているか |
| 比較記事を閲覧 | 選択肢を比較している可能性 | 何を最重要基準としているか |
行動データは問いを作る材料であり、顧客心理の答えそのものではありません。
定性・定量データの役割について詳しく知りたい場合は、定性データと定量データの違いとは？商品開発での組み合わせ方もあわせてご覧ください。
具体検討・商談段階｜Webデータだけでは顧客を捉えきれない
BtoBでは、問い合わせや商談が発生した後も購買プロセスは続きます。
「商談は増えているのに、受注が伸びない」という場合、マーケティングファネルの入口だけではなく、その後の顧客側の検討状況を見る必要があります。
過去のセミナーでは、リード獲得後に顧客のタイミングが合っていないことや、「検討します」と持ち帰った後の社内検討がブラックボックスになっていることが課題として取り上げられていました。
商談段階で追加したいデータ
- 商談実施日・回数
- 商談で確認できた課題
- 検討開始時期
- 導入希望時期
- 関与する部署・決裁者
- 予算の有無
- 比較対象
- 顧客から出た質問
- 次回アクション
- 保留になった理由
この段階では、アクセス解析だけでは把握できない情報が増えます。
そのため、マーケティング部門が持つWeb行動データと、営業が持つ商談情報を分断しないことが重要です。
営業データをマーケティングへ戻す
営業情報は案件管理だけに使うのではなく、マーケティング改善にも活用できます。
例えば商談で「比較基準が分からない」という質問が繰り返し出ているなら、比較コンテンツを強化できます。「決裁者への説明が難しい」という課題が多いなら、社内共有用資料や導入判断コンテンツを作るという改善も考えられます。
営業→データ化→顧客インサイト分析→マーケティング施策→再び営業という循環を作ることが、ファネル全体のデータ活用につながります。
購入・失注段階｜「成果データ」を顧客理解へ戻す
受注・購入はファネルの終点に見えますが、顧客分析では重要なスタート地点でもあります。
なぜなら、受注データだけを見ても「なぜ買ったのか」は分からないからです。
確認したいデータ
- 受注・失注
- 受注までの期間
- 契約金額
- 選定理由
- 失注理由
- 競合との比較理由
- 価格への評価
- 導入障壁
- 導入後の評価
特に重要なのが、売れた顧客だけでなく、売れなかった顧客を見ることです。
商品開発に関する一次情報でも、「売れる理由」だけを見て「買わない理由」を見落とさないこと、定性データだけで市場全体を判断したり、定量データだけで顧客心理を決めつけたりしないことが整理されています。
顧客の「買う理由」を分析するには？購買動機をデータから見つける方法では、購買理由そのものを詳しく解説しています。
ファネル分析では「定量→定性→定量」で考える
顧客データ活用では、「定量データと定性データのどちらを使うべきか」という問いが出ることがあります。
実務では、どちらかを選ぶよりも、次のように往復する方が使いやすくなります。
- 定量データで異常・変化を見つける
- 定性データから理由を仮説化する
- 施策を実施する
- 再び定量データで結果を見る
例：比較ページから問い合わせが少ない場合
まずアクセス解析から、「比較ページには閲覧があるが問い合わせへ進んでいない」という事実を把握します。
次に、問い合わせ内容、営業ヒアリング、アンケートなどから理由を探します。
- 違いが分からない
- 自社向けか判断できない
- 費用が分からない
- 導入後の運用が想像できない
この中から仮説を立て、比較表、事例、FAQなどを改善します。
その後、再びページから次の行動への遷移を確認します。
これが「数字を見る」から「データで意思決定する」への転換です。
データは一元管理する前に「目的」を決める
顧客データ活用の話になると、「CRMへ統合する」「データ基盤を作る」といったシステムの話から始まりがちです。
もちろんデータ連携は重要ですが、データを集めること自体が目的になると、項目は増えているのに現場では使われない状態が起こります。
インティメート・マージャーが参加した過去セミナーでも、顧客理解を深めて理想のコミュニケーションを描き、データ設計・統合はそのための手段として考えるという整理がされています。
その際に使われたのが、「誰に・いつ・何を」という考え方です。
| 問い | データで確認すること |
|---|---|
| 誰に | 企業属性、職種、役職、顧客タイプ、課題 |
| いつ | ファネル段階、直近の行動、検討タイミング |
| 何を | 顧客が知りたい情報、不安、比較基準、次に必要な判断材料 |
この3つを決めてから、「その判断には何のデータが必要か」を逆算すると、不要なデータ収集を減らせます。
行動データだけでは「なぜ選ばれるのか」が見えにくいと感じている方へ
ファネル分析によって「どこで進み、どこで止まっているか」は確認できます。しかし、その背景にある顧客心理や「売れる理由」「買わない理由」を理解するには、定量データだけでなく、顧客の声や意識などの定性情報も組み合わせる必要があります。
アーカイブ配信「AI×定性・定量データで『売れる理由』を見つける商品開発」では、AI、定性データ、定量データを組み合わせ、市場ニーズの把握から仮説づくり、市場検証へつなげる考え方を紹介しています。
顧客データ活用を始める実践ステップ
ファネルを自社の購買プロセスに合わせる
まず、一般的な「認知→興味→比較→購入」をそのまま使わず、自社の顧客が実際に通るプロセスを書き出します。
BtoBであれば、例えば次のようになります。
- 課題認識
- 情報収集
- 解決方法の比較
- サービス比較
- 問い合わせ
- 商談
- 社内検討・稟議
- 契約・失注
各段階で知りたい問いを1つ決める
次に、分析目的を決めます。
- 認知：どの課題への関心が強いか
- 情報収集：どのテーマの検討が進んでいるか
- 比較：何を判断基準にしているか
- 商談：何が導入障壁になっているか
- 購入：なぜ選ばれた・選ばれなかったか
問いに必要なデータだけを選ぶ
分析目的が決まったら、必要なデータを逆算します。
例えば「商談後に失注する理由」を知りたいのに、サイトのページビューだけを分析しても十分ではありません。商談内容、決裁者、競合、失注理由などが必要になります。
マーケティングと営業でデータ定義を共有する
「検討度が高い」「良いリード」といった言葉は、部門によって意味が異なることがあります。
マーケティングではウェビナー参加を高関心と捉えていても、営業では予算・時期・課題が確認できて初めて高確度と判断するかもしれません。
そのため、行動と営業情報を組み合わせて、各段階の判断基準を共通化します。
分析結果を必ず施策へ戻す
分析レポートを作って終わらせず、次に変えるものを決めます。
- 記事テーマ
- 広告訴求
- 資料内容
- セミナーテーマ
- FAQ
- 営業トーク
- 提案資料
- 商品・サービス内容
顧客データ活用の価値は、データ量ではなく意思決定や施策が変わったかで評価することが重要です。
AIはファネルの顧客データ分析にどう使える？
AIは、顧客データを自動的に正解へ変えるものではありません。一方で、大量の定性情報や行動データを整理し、仮説づくりを支援する用途には活用できます。
AIを使いやすい作業
- アンケート自由回答の分類
- VOCのテーマ整理
- 商談メモの要約
- 失注理由の分類
- 顧客ごとの関心テーマ整理
- ファネル別の課題仮説作成
- 分析結果から追加で確認すべき問いの洗い出し
ただし、AIの出力を顧客の事実として扱うべきではありません。
商品開発に関する一次情報でも、AIは判断者ではなく、整理・要約・分類・比較・仮説づくりを支援する補助役として位置づけられています。
AIが「この顧客は価格を理由に離脱した可能性が高い」と整理したとしても、実際の商談履歴や顧客の声で確認するプロセスが必要です。
マーケティングファネルのデータ分析チェックリスト
- □ ファネルが自社の実際の購買プロセスと一致しているか
問い合わせ後の商談・稟議・保留・失注が抜けている場合は追加します。 - □ 各段階で「何を判断したいか」が決まっているか
目的なくデータを集めている場合は、まず分析する問いを決めます。 - □ 属性データだけで顧客を分類していないか
同じ業種・役職でも検討段階が異なるため、行動やタイミングを加えます。 - □ Web行動だけで検討度を断定していないか
商談・問い合わせ・過去接点などの情報も確認します。 - □ 行動理由を定性情報で確認できているか
アンケート、VOC、営業ヒアリングなどから「なぜ」を補います。 - □ マーケティングと営業のデータが分断されていないか
資料DLから商談・受注まで追えない場合は、共通IDや運用ルールを見直します。 - □ 受注だけでなく失注・保留も分析しているか
「買わない理由」から商品・営業・訴求の改善仮説を作ります。 - □ ファネルの数字を前月比だけで見ていないか
顧客属性、テーマ、チャネル、案件タイプなどで分解します。 - □ 分析から具体的な改善施策が決まっているか
レポート作成だけで終わっている場合は、「何を変えるか」を1つ決めます。 - □ 改善後に再びデータを確認しているか
仮説→施策→検証のサイクルを回します。
まとめ｜見るべきデータは「顧客の段階」と「判断したいこと」から決める
マーケティングファネルで顧客データを分析するとき、すべてのデータを一元化することから始める必要はありません。
まず、顧客の購買プロセスを段階に分け、それぞれで何を知りたいのかを明確にします。
- 認知では「何に困っているか」
- 情報収集では「何を知ろうとしているか」
- 比較では「何を基準に選んでいるか」
- 商談では「何が導入障壁になっているか」
- 購入・失注では「なぜ選んだ・選ばなかったか」
そのうえで、属性、行動、定性、営業・成果データを組み合わせます。
データ活用の目的は、顧客を数字として管理することではなく、顧客が置かれている状態を理解し、次にどのような情報・体験を提供するか判断できるようにすることです。
数字で「何が起きたか」を確認し、顧客の声から「なぜ起きたか」を仮説化し、施策で検証する。この循環を作ることで、ファネルは単なる集計表から、顧客理解と意思決定のための仕組みへ変わります。
顧客データを「売れる理由」の発見までつなげたい方へ
ファネル分析で顧客行動を可視化しても、行動の背景にある感情、悩み、購買理由まで数字だけで把握することは難しい場合があります。
アーカイブ配信「AI×定性・定量データで『売れる理由』を見つける商品開発」では、定性データから顧客の悩みや理由を整理し、定量データで市場性や優先順位を確認しながら、AIを仮説づくり・分析支援に活用する方法を紹介しています。
FAQ
マーケティングファネルではどのような顧客データを見ればよいですか？
属性データ、Webやコンテンツへの行動データ、アンケート・商談などの定性データ、受注・失注などの成果データを組み合わせます。ただし、すべてを見るのではなく、ファネル段階で何を判断したいかに応じて選ぶことが重要です。
ファネルのデータ分析は何から始めればよいですか？
最初に自社の購買プロセスを段階化し、それぞれで「何を知りたいか」を決めます。その後、その問いに答えるために必要なデータだけを整理すると始めやすくなります。
顧客データは一元管理した方がよいですか？
一元管理は分析や部門連携に役立ちますが、目的ではありません。先に「誰に・いつ・何を判断するためのデータか」を整理し、その判断に必要なデータから連携する方が実務へつなげやすくなります。
アクセス解析だけで購買プロセスを把握できますか？
Web上の情報収集段階は把握しやすくなりますが、BtoBでは商談後の社内検討、稟議、競合比較などWeb外の行動も多いため、営業・CRM・アンケートなどの情報も組み合わせる必要があります。
顧客データ活用では定性データと定量データのどちらが重要ですか？
役割が異なるため、どちらか一方ではなく組み合わせます。定量データで「何が起きているか」を捉え、定性データでその理由を仮説化し、再び数値で検証する方法が実務では使いやすいでしょう。
営業データもマーケティングファネルに含めるべきですか？
BtoBでは含めることをおすすめします。商談内容、検討時期、決裁者、失注理由などは、問い合わせ後の購買プロセスを理解するうえで重要な情報です。マーケティング施策へ戻すことでコンテンツや訴求改善にも活用できます。
AIで顧客データを分析するときの注意点はありますか？
AIの分析結果を事実や正解として扱わないことが重要です。AIは分類・要約・仮説づくりには活用できますが、実際の行動データ、顧客の声、営業情報などと照合し、人が判断する必要があります。
「IMデジタルマーケティングニュース」編集者として、最新のトレンドやテクニックを分かりやすく解説しています。業界の変化に対応し、読者の成功をサポートする記事をお届けしています。
