マーケティングファネルで定性・定量データをどう使い分ける？顧客理解を深める分析法

「ファネルの数字は毎月見ているのに、なぜ顧客が途中で離脱するのか説明できない」「顧客インタビューでは良い反応だったのに、実際の問い合わせや購入にはつながらない」。

BtoBマーケティングの現場では、定量データと定性データをそれぞれ集めていても、両者が別々のレポートになり、意思決定までつながらないことがあります。

マーケティングファネルで定性・定量データを使い分けるポイントは、「どちらが優れているか」を決めることではありません。定量データで「どこで何が起きているか」を捉え、定性データで「なぜ起きているのか」を仮説化し、施策後に再び定量データで確かめることです。

一方、まだ数字に表れるほどデータがない新商品や新しい顧客課題では、顧客インタビューなどの定性データから仮説を作り、その後に定量データで広がりを確かめる方法もあります。

つまり重要なのは、定性と定量を固定的に使い分けることではなく、ファネル上で答えたい問いに合わせて分析の順序を切り替えることです。

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、定量・定性の両面から顧客理解を行い、顧客の解像度を高めながら「誰に・いつ・何を届けるか」を設計する考え方が紹介されてきました。また、営業領域では、社内数値として管理しやすい情報だけではなく、顧客との会話や検討状況といった定性的な情報も見る必要性が議論されています。

この記事では、マーケティングファネルの各段階で定性・定量データをどう使い分け、顧客分析や施策改善へつなげればよいのかを整理します。

マーケティングファネルで定性・定量データをどう使い分ける？

まず、定量データと定性データの役割をファネル分析の観点から整理します。

観点	定量データ	定性データ
主な役割	何が起きているかを把握する	なぜ起きているかを考える
扱う情報	数値・件数・割合・行動履歴など	発言・理由・感情・不安・評価など
例	閲覧、資料DL、CV、商談、受注、失注など	インタビュー、自由回答、VOC、問い合わせ、商談内容など
得意な問い	どこで離脱しているか、どの層が多いか	なぜ離脱したか、何を不安視しているか
注意点	数字だけで顧客心理を断定しない	少数の声を市場全体へ一般化しない

例えば、比較ページの閲覧数は多いのに問い合わせ率が低いとします。

定量データから分かるのは「比較ページから先へ進んでいない」という事実です。しかし、その理由は分かりません。

そこで顧客インタビュー、問い合わせ、営業との会話などを見ると、「他社との違いが分からない」「自社に適しているか判断できない」「導入後の運用が不安」といった理由が見つかるかもしれません。

このように、定量データで場所を特定し、定性データで理由の仮説を作るのが基本的な組み合わせです。

定性・定量データそのものの定義や違いを詳しく確認したい場合は、関連記事で詳しく整理しています。

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

定量→定性→定量が基本｜ファネル分析の3ステップ

定量データで「どこに問題があるか」を探す

最初にファネル全体を数値で確認します。

例えばBtoBでは、次のような流れがあります。

• 記事・コンテンツ閲覧
• 資料ダウンロード
• ウェビナー参加
• 問い合わせ
• 商談
• 見積・具体検討
• 受注・失注

それぞれの件数や次の段階への遷移を見ることで、どこで顧客行動が止まっているかを探します。

例えば、資料ダウンロードまでは多いのに商談が少ないのであれば、「リード獲得」ではなく「情報収集から具体検討へ進む部分」に課題がある可能性があります。

定性データで「なぜ」を探る

次に、ボトルネックとなった段階について、顧客側の理由を調べます。

• 顧客インタビュー
• アンケートの自由回答
• 問い合わせ内容
• 営業担当者のヒアリング内容
• 商談議事録
• 失注理由
• VOC

ここで注意したいのは、最初に決めた原因を証明するためにデータを探さないことです。

「価格が高いから失注したはず」と決めつけてヒアリングすると、価格に関する情報ばかり集まりやすくなります。実際には「社内説明が難しい」「優先順位が下がった」「運用体制が整わない」といった別の理由かもしれません。

定性分析では、答え合わせではなく仮説を広げることを意識します。

施策後に再び定量データで確かめる

定性情報から仮説を作ったら、改善施策へ反映します。

例えば「比較基準が分かりにくい」という仮説なら、比較表や判断基準を追加します。「決裁者への説明材料が足りない」という仮説なら、社内共有しやすい資料を用意します。

その後、再びファネル上の数値を確認します。

定量 → 定性 → 仮説 → 施策 → 定量

この循環まで回して初めて、定性・定量データが施策改善につながります。

「定性→定量」から始めるべきケースもある

すべての分析を定量データから始める必要はありません。

例えば、新商品、新規事業、まだ顧客数が少ないテーマでは、分析できるほどの数字が存在しないことがあります。

この場合は、まず顧客の声から課題やニーズを探索します。

定性から始めやすいケース

• 新しい商品・サービスを企画している
• 新しい市場へ参入したい
• 顧客が何に困っているか自体が分からない
• 既存データでは説明できない行動が増えた
• 売上は下がっていないが、顧客の評価変化を知りたい

例えばインタビューから、「現在のサービスには○○という不満がある」という声が複数見つかったとします。

それだけで「市場ニーズがある」と判断するのではなく、次にアンケート、検索傾向、行動データ、購買データなどを用いて、その課題がどの程度存在するかを確かめます。

つまり、

定性 → 仮説 → 定量 → 優先順位判断

という流れです。

定性データは市場の答えではなく、市場へ問いを立てるための材料と考えると扱いやすくなります。

ファネル段階別｜定性・定量データの使い分け

ファネル段階	主な定量データ	主な定性データ	知りたいこと
認知・課題認識	検索、閲覧、流入、接触テーマ	顧客の悩み、問い合わせ、インタビュー	何に困っているか
情報収集	資料DL、再訪、ウェビナー参加、複数記事閲覧	知りたい情報、期待、不安	何を調べているか
比較検討	比較・料金・事例への接触、問い合わせ	比較基準、懸念、選定条件	何を基準に選ぶか
商談・具体検討	商談、見積、案件進捗、検討期間	決裁条件、社内事情、導入障壁	なぜ進む・止まるか
購入・失注	受注率、失注率、契約金額、期間	選定理由、失注理由、導入後の評価	なぜ選ばれた・選ばれなかったか

認知段階｜定量でテーマを見つけ、定性で課題を理解する

認知段階では、「商品を買いたい人」を見つけるよりも、「どんな課題を抱えている人がいるか」を理解することが重要です。

定量データでは、どのテーマの記事が読まれているか、どのような検索やコンテンツへの接触があるかを確認します。

しかし、閲覧数が多いテーマだからといって、そのまま強い購買ニーズがあるとは限りません。

そこで定性情報を組み合わせます。

• どんな言葉で課題を説明しているか
• 何に不満を感じているか
• なぜその問題を調べ始めたのか
• これまで何を試したのか

顧客が使う言葉と、企業側が使う言葉が異なるケースは少なくありません。

顧客理解をさらに詳しく整理したい場合は、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。

情報収集段階｜行動量だけで「ホット」と判断しない

資料ダウンロード、ウェビナー参加、メールクリックなど、情報収集段階では定量的な行動が増えます。

このため、「資料DL＝10点」「ウェビナー参加＝20点」といったスコアリングで優先順位を決めることもあります。

しかし、行動量が多いことと、購入意向が高いことは同じではありません。

例えばウェビナーへ参加した理由も、

• 具体的な導入を検討している
• 情報収集している
• 社内勉強のために参加している
• 競合・業界動向を調査している

など複数考えられます。

そのため、定量データでは行動の量と連続性を見ながら、アンケート、問い合わせ内容、営業との会話などから行動の意味を確認します。

比較検討段階｜定性データの重要度が高まる

比較検討に入ると、「何を見ているか」だけでなく「何を比較基準にしているか」が重要になります。

料金ページ、事例、比較コンテンツなどへのアクセスは定量データとして取得できます。

一方、その背景にある、

• 価格を一番重視している
• 導入実績を確認したい
• 自社業界で使えるか心配
• 運用負荷を懸念している
• 決裁者へ説明する材料が欲しい

といった判断理由は、定性情報から把握する必要があります。

この段階になるほど、定性データの重要性が高まります。

顧客の購買理由についてさらに深掘りする場合は、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詳しく解説しています。

商談・具体検討段階｜営業が持つ定性情報をファネル分析へ戻す

BtoBでは、問い合わせ後にマーケティング側から見えない情報が増えていきます。

商談件数や案件金額、受注率などは数値として管理されていても、顧客が実際にどのような検討をしているのかまでは見えない場合があります。

過去のセミナーでも、社内の案件管理では定量的な数字を確認できる一方、提案後の顧客側の動きや検討内容がブラックボックスになりやすいという課題が取り上げられています。

商談段階で残したい定性情報

• なぜ今検討しているのか
• どの選択肢と比較しているのか
• 社内で誰が判断するのか
• 何が懸念事項になっているのか
• 導入を止める条件は何か
• 社内説明に必要な情報は何か
• なぜ保留になったのか

こうした情報を営業個人の記憶だけに残しておくと、マーケティングや商品企画へ還元できません。

商談数・案件金額などの定量情報と、顧客の検討理由・懸念といった定性情報を組み合わせることで、ファネル後半の顧客理解が進みます。

購入・失注段階｜「売れた理由」と「買わなかった理由」を両方見る

受注・購入データは強い定量情報です。

しかし、「受注した」という結果だけを見ても、なぜ選ばれたかは分かりません。

商品開発に関する一次情報でも、定量データだけで顧客心理を決めつけないこと、定性データだけで市場全体を判断しないこと、さらに「売れる理由」だけでなく「買わない理由」も見ることが重要だと整理されています。

定量で確認する

• 受注率
• 失注率
• 検討期間
• 契約金額
• 顧客属性別の傾向
• 流入チャネル別の成果

定性で確認する

• 選んだ理由
• 選ばなかった理由
• 期待していた価値
• 導入時の不安
• 他の選択肢との違い
• 導入後に感じたギャップ

受注顧客と失注顧客の双方を見ることで、「誰に売れやすいか」だけではなく、どの価値が選定を後押しし、どの障壁が意思決定を止めているかを整理できます。

セミナーで見えてきたポイント｜データを集める前に顧客理解を設計する

定性・定量データを活用しようとすると、「データを一元化する」「分析環境を整える」という話から始めたくなります。

しかし、過去のセミナーでは、顧客理解を深めて理想のコミュニケーションを描き、データの設計や統合はその後の手段として考えるという整理がされています。

具体的には、定量分析や定性調査から顧客課題の仮説を作り、

• 誰に：どの顧客・セグメントなのか
• いつ：どの段階・タイミングなのか
• 何を：どのような情報・価値を伝えるのか

へ落とし込む考え方です。

これはマーケティングファネルでも同じです。

分析環境を先に作るのではなく、「比較検討段階の顧客が止まる理由を知りたい」「失注理由を商品改善へ戻したい」といった問いを先に決めれば、収集すべき定量・定性データも絞り込めます。

定性・定量分析がうまくつながらない5つの原因

定量データだけで顧客心理を決めつける

料金ページを見たから「価格に不安がある」、ウェビナーへ参加したから「購入意向が高い」と断定すると、解釈を誤る可能性があります。

行動は顧客理解の手掛かりですが、その理由まで保証するものではありません。

少数の顧客の声を市場全体の意見として扱う

印象的なインタビュー結果ほど、社内で強い説得力を持ちます。

ただし、一人の意見が市場全体のニーズとは限りません。定性情報から得た仮説は、定量データや追加調査で確認します。

受注顧客だけを分析する

受注顧客だけを見ると、成功理由は分かっても「なぜ他の顧客に選ばれなかったか」が見えません。

失注・保留・離脱を含めて見ることで、改善すべき障壁を特定しやすくなります。

定性分析と定量分析を別チームで終わらせる

マーケティングがアクセス解析を行い、営業が顧客の声を持ち、商品企画がアンケート結果を見るだけでは、情報が接続されません。

重要なのは、同じ問いについて複数データを持ち寄ることです。

分析して終わり、検証しない

「この顧客層は○○を重視している」という分析結果が出ても、施策へ反映しなければ仮説のままです。

コンテンツ、訴求、営業資料、商品仕様などを変更し、その結果を再び数値で確認します。

AIは定性・定量データの接続にどう使える？

AIは、大量の定性情報を扱う際に特に活用しやすい領域があります。

• 顧客インタビューの要約
• 自由回答の分類
• VOCから共通テーマを抽出する
• 商談メモの論点整理
• 失注理由をカテゴリ分けする
• 定量データの傾向と定性情報の共通点を整理する
• 追加検証すべき仮説を洗い出す

ただし、AIが出した分類や仮説を「顧客の事実」として扱わないことが重要です。

商品開発関連の一次情報でも、AIは判断者ではなく、情報整理、要約、分類、比較、仮説づくり、抜け漏れ確認を支援する補助役として位置づけられています。

例えばAIが自由回答を「価格」「機能」「サポート」の3分類に整理したとしても、本当にその分類で意思決定を説明できるかは人が原文や定量結果と照合する必要があります。

VOCをAIで整理する具体的な方法については、VOC分析にAIを使う方法｜顧客の声から課題・ニーズを抽出する手順も参考になります。

アンケートの自由記述を扱う場合は、アンケートの自由回答をAIで分析する方法｜分類・要約・仮説抽出の進め方もあわせて確認できます。

マーケティングファネルで定性・定量データを接続する5ステップ

分析したいファネル段階を決める

最初から顧客データ全体を分析しようとせず、「資料DLから商談への移行」「商談から受注」など対象を絞ります。

その段階で知りたい問いを1つ決める

例えば、

• なぜ資料DL後に商談へ進まないのか
• なぜ比較段階で候補から外れるのか
• なぜ商談後に保留になるのか

などです。

定量データで現象を確認する

対象件数、遷移率、顧客属性、チャネル、テーマなどを分解し、「本当に問題が起きているのか」「特定層に偏っているのか」を確認します。

定性情報から理由を仮説化する

インタビュー、問い合わせ、営業メモ、失注理由などから、行動背景を整理します。

ここでは1つの結論へ急がず、複数の仮説を残します。

施策を変え、再び定量データを見る

比較コンテンツ、資料、FAQ、営業トーク、商品コンセプトなどを変更し、同じファネル指標を確認します。

施策前後まで確認して初めて、分析が意思決定につながります。

実務チェックリスト｜定性・定量データがつながっているか

• □ 分析対象のファネル段階を決めているか
  全顧客を一括分析している場合は、まず1つのボトルネックへ絞ります。
• □ 「何を知りたいか」を文章で書けるか
  指標だけ決まっている場合は、「なぜ商談化しないのか」など問いを設定します。
• □ 定量データから顧客心理を断定していないか
  行動理由については定性情報を追加します。
• □ 定性データを一部顧客の事例で終わらせていないか
  仮説がどの程度存在するかを定量的に確認します。
• □ 受注・成功顧客だけを分析していないか
  失注・保留・離脱も対象にします。
• □ マーケティングの行動データと営業の顧客情報を一緒に見ているか
  部門別レポートで終わっている場合は、共通テーマでレビューします。
• □ AIの分類結果を原文と照合しているか
  重要な判断では、人が元データを確認します。
• □ 分析結果から具体的な施策が決まっているか
  「顧客理解が深まった」で終わらず、何を変えるかを決めます。
• □ 改善後に同じ指標を再計測しているか
  検証まで含めて分析プロセスとして設計します。

まとめ｜定性と定量は「使い分ける」のではなく「往復する」

マーケティングファネルで定性・定量データを活用する際、どちらか一方を選ぶ必要はありません。

基本となるのは、

定量で現象を捉える → 定性で理由を仮説化する → 施策を変える → 定量で検証する

という循環です。

一方、新しい市場や商品など、まだ十分な数字がない場合は、

定性で課題を探索する → 仮説を作る → 定量で広がりを確認する

という順序も使えます。

重要なのは、データの種類ではなく、「今、何を判断したいのか」を最初に決めることです。

認知では「何に困っているか」、比較では「何を基準に選ぶか」、商談では「何が導入を止めるか」、購入・失注では「なぜ選んだ・選ばなかったか」と問いを変えることで、必要な定性・定量データも明確になります。

データを集めることを目的にせず、顧客理解から仮説を作り、商品・コンテンツ・営業施策へ戻す。この循環を作ることが、ファネル分析を実務へつなげるポイントです。

FAQ