ファネル分析・離脱分析の基礎｜ステップ別離脱率の読み方とボトルネックの特定

「サイトのコンバージョン率は 3% です」「問い合わせは月 30 件です」。こうした数字は便利ですが、それ単独では改善の打ち手につながりません。コンバージョン率が低いとき、原因が集客の質なのか、サービスページの説明不足なのか、問い合わせフォームの使いにくさなのかは、1 つの率を眺めていても分かりません。ファネル分析は、ユーザーがゴールに至るまでの道のりを複数のステップに分解し、「どの段階で・どれだけ落ちているか」を可視化する手法です。

ファネル（funnel）とは「漏斗（じょうご）」のことです。サイト訪問者が、記事閲覧、サービスページ閲覧、問い合わせフォーム表示、問い合わせ送信完了、と段階を進むほど人数が減っていく様子が、上が広く下が狭い漏斗の形に似ていることからこう呼ばれます。各ステップの間で人数がどれだけ減ったか（ステップ別離脱率）を見ると、最も大きく落ちている段階＝ボトルネックが特定できます。

ファネル分析は、同じ時期に獲得したユーザー集団を時間軸で追うコホート分析・リテンション・LTVと並ぶ、Web 分析の定番です。コホート分析が「いつ獲得したか」で集団を切るのに対し、ファネル分析は「どの段階まで進んだか」で人数を切ります。両方を使うと、獲得・転換・定着の全体像を立体的に把握できます。

まず、ファネル分析の全体像を 1 枚の図でつかんでおきます。次の図は、問い合わせフォームへの到達から送信完了までを 5 ステップに分解したファネルです。棒の幅が各ステップの到達人数で、段階を下るほど狭くなる漏斗の形になります。

01.まず結論：ファネル分析は『どこで・どれだけ落ちているか』を段階で見る

ファネル分析の出発点は、「コンバージョン率」という 1 つの率を、複数のステップ通過率の掛け算に分解することです。たとえば問い合わせ完了までを 4 ステップに分けたとき、全体のコンバージョン率は次のように表せます。

この分解をすると、改善余地が見えてきます。全体 CVR を上げたいとき、すでに 85〜86% 通過しているステップを 90% に伸ばすより、62% しか通過していないステップを 75% に伸ばすほうが、全体への効きが大きくなります。掛け算なので、最も小さい通過率＝最も大きい離脱率の段階が、全体を律速しているからです。これがボトルネックの考え方です。

ファネル分析が威力を発揮するのは、「コンバージョン率が下がった」という事実の原因切り分けです。全体 CVR だけを見ていると「とにかく下がった」までしか分かりませんが、ステップに分解すれば「フォーム表示→入力開始の通過率だけが落ちている」のように原因の範囲を絞れます。範囲が絞れれば、調べるべき箇所も打つべき施策も具体化します。

なお、ボトルネック改善に入る前に「目標 CV 数に対して、流入と CVR がどれだけ必要か」を押さえておくと、施策の規模感を見誤りません。無料ツールのCV逆算電卓を使うと、月間セッション数・CV 数・目標 CV 数から必要なセッション数と CVR を逆算できます。

02.ファネルの設計｜ステップ定義と計測の粒度

ファネル分析の質は、ステップをどう定義するかでほぼ決まります。設計で押さえるのは、ゴールの定義、ステップの数と粒度、計測手段の 3 点です。

ステップの粒度には、開いてくる順番があります。最初はページ遷移ベースの粗いファネル（例：トップ → サービスページ → フォーム → 完了）で全体像をつかみ、離脱が大きい段階が見つかったら、そこだけを細かいイベントベースのファネルに展開します。たとえば「フォーム → 完了」で大きく落ちているなら、フォーム内を「入力開始 → 必須項目入力完了 → 送信ボタン押下 → 完了」に割って、どの入力欄でつまずいているかまで踏み込みます。最初から全ステップを細かく作ろうとすると、計測実装が重くなり、各ステップの人数も減って読みにくくなります。

03.ステップ別離脱率の読み方｜ボトルネックの特定

ファネルが組めたら、各ステップの離脱率を出して読みます。離脱率は「1 − そのステップから次に進んだ割合」で、直前ステップの人数を分母にして計算します。ここで分母を間違えると、ボトルネックの判断がずれます。

ボトルネックを特定するときは、離脱率（割合）と離脱の絶対人数の両方を見ます。離脱率が高くても、その段階に来る人数が少なければ、改善しても全体への効きは小さくなります。逆に離脱率が中程度でも、母数が大きい段階を少し改善すれば、動く人数は大きくなります。先述のファネル図の例では、「フォーム表示→入力開始」が離脱率 38%・離脱人数 380 人で、率も人数も最大のボトルネックです。

# pandas でステップ別の通過率・離脱率を計算する
import pandas as pd

# steps: ステップ名と到達ユーザー数
steps = pd.DataFrame({
    "step": ["表示", "入力開始", "必須完了", "送信押下", "完了"],
    "users": [1000, 620, 410, 350, 300],
})

# 直前ステップの人数（先頭は自分自身）
steps["prev"] = steps["users"].shift(1).fillna(steps["users"])

# ステップ通過率と離脱率
steps["pass_rate"] = steps["users"] / steps["prev"]
steps["drop_rate"] = 1 - steps["pass_rate"]
steps["drop_users"] = steps["prev"] - steps["users"]

# 先頭基準の累積到達率（全体 CVR は最終行）
steps["cum_rate"] = steps["users"] / steps["users"].iloc[0]

# 離脱率の大きい順 = ボトルネック候補
print(steps.sort_values("drop_rate", ascending=False))

この計算は、自社の数字でもその場で試せます。各ステップの到達人数を入れると、通過率・離脱率の計算とファネル図での図解、ボトルネックの特定、通過率を改善した場合のコンバージョン増加の試算まで表示します。

04.セグメント別ファネル比較｜Simpson のパラドックスに注意

全体のファネルでボトルネックの当たりをつけたら、次はセグメント別にファネルを分けて比較します。流入経路（自然検索・広告・SNS・直接流入）、デバイス（PC・スマホ）、新規/リピートなどで分けると、「特定のセグメントだけ、ある段階で大きく落ちている」というより具体的な発見につながります。

ここで注意が必要なのが Simpson のパラドックスです。これは、全体で見たときの傾向と、グループ別に見たときの傾向が逆転する現象のことです。セグメント別にファネルを比較するときに、特に A/Bテストの結果判定で起こりやすく、知らないと施策の優劣を取り違えます。

上の図では、LP-A と LP-B のコンバージョン率を比べています。全体では LP-B（16.2%）が LP-A（12.0%）に勝っています。ところが PC・スマホのどちらのセグメントを見ても、勝っているのは LP-A です。なぜこんな逆転が起きるかというと、CVR が高い PC の訪問が LP-B に偏って多く流れているからです。LP-B は「条件の良い客」を多くもらっているだけで、同じ条件のユーザーで比べれば LP-A のほうが優秀、というのが実態です。

05.離脱分析から施策仮説へつなぐ流れ

ボトルネックが特定できても、「離脱率が高い」という事実だけでは施策になりません。離脱分析は、「なぜそのステップで落ちるのか」の仮説を立て、検証可能な施策に翻訳する作業です。ファネルは「どこで落ちるか（Where）」までしか教えてくれません。「なぜ落ちるか（Why）」は、別の手がかりを足して推測します。全体の流れは次の 4 ステップで、最後は再びファネルに戻るサイクルになります。

手がかりが集まったら、「このステップで落ちるのは〜が原因ではないか」という仮説の形にします。良い仮説は、検証可能で、対応する施策が思い浮かぶものです。たとえば「フォーム表示→入力開始」の離脱が大きいとき、次のように仮説と施策を結び付けます。

施策を実施したあとは、必ずファネルに戻って同じステップの離脱率が改善したかを確認します。全体 CVR だけを見て「上がった/下がった」で終わらせると、季節要因や流入構成の変化と施策効果が混ざってしまいます。ファネル分析・離脱分析・施策・再計測を 1 周のサイクルとして回すことが、改善を積み上げる土台になります。

06.実務でつまずく落とし穴と対処

ファネル分析・離脱分析の運用で、多くのチームが共通してつまずく点を整理します。

07.よくある質問（FAQ）

08.まとめ

ファネル分析は、「コンバージョン率」という 1 つの率を、複数のステップ通過率の掛け算に分解して、「どこで・どれだけ落ちているか」を可視化する手法です。ステップは「計測できる行動」で定義し、まず 4〜6 ステップの粗いファネルで全体像をつかみ、離脱の大きい段階だけを細かく展開します。離脱率は絶対値ではなく、過去・他ステップ・セグメント間との相対比較で読み、離脱率と離脱人数の両方からボトルネックを特定します。

セグメント別にファネルを比較するときは、Simpson のパラドックスに注意します。全体の率だけで勝敗を決めず、主要セグメントごとに分解し、構成比のずれという交絡要因を確認してください。そして離脱分析では、ファネルが教えてくれる「どこで落ちるか」に、ヒートマップ・録画・定性データを足して「なぜ落ちるか」の仮説を立て、検証可能な施策に翻訳します。ファネル分析・離脱分析・施策・再計測を 1 周のサイクルとして回すことが、サイト改善を着実に積み上げる土台になります。