Microsoft社提供の無料ヒートマップツール「Clarity」は、サイトやページの改善に幅広く活躍します。社内のメンバーにページの閲覧データを共有したり、ヒートマップイメージを用いて社外のクライアントにサイト改修の効果検証報告をしたりと、スマートに活用したいですよね。

この記事では、そんなClarityのデータを他人と共有したいときに使えるシェア機能、ダウンロード（エクスポート）機能をご紹介します。

シェア機能

レコーディング（Recording）、ヒートマップ（Heatmaps）タブ内には、以下のようなシェアボタンが存在します。これをクリックすると、特定データの共有リンクの発行や共有リンク付きメールの送信が可能です。

共有リンクを発行する

1. 共有したいデータを画面上に表示させる
2. シェアボタンをクリックする
   
3. ポップアップウィンドウ内の「Share link」を選択した状態で、共有リンクの設定を行う

   共有リンクの設定は、Share settingsのラジオボタンメニューより行います。すでにClarity（プロジェクト）の利用権限を所有するメンバーに向けた共有リンクを発行する際は「With project team」を選択します。この状態で発行された共有リンクは、Clarity（プロジェクト）の利用権限を所有するメンバーのみがデータにアクセスできるものとなります。また、リンクの有効期限は特になく、いつでもアクセス可能です。

   

   すでにClarity（プロジェクト）の利用権限を所有しないメンバーに向けた共有リンクを発行する際は「With anyone」を選択します。この状態で発行された共有リンクは、リンクを知っている誰もがデータにアクセスできるものとなります。また、リンクの有効期限は最短1日、最長30日に設定可能です。

   

   URLボックス下の「Link expires in」プルダウンメニューよりお好きな期限を選択してください。

4. URLボックス右横の青い「Copy」ボタンをクリックし、共有リンクURLをコピーする
   

共有リンク付きメールを送信する

1. 共有したいデータを画面上に表示させる
2. シェアボタンをクリックする
3. ポップアップウィンドウ内の「Share in email」を選択する
4. 上段ボックスに送信先Eメールアドレスかメンバー名を入力する
5. Message(Optional)にメール文言を入力する（オプション）
   
6. 青い「Send」ボタンをクリックして送信する

青い「Send」ボタンをクリックした後、以下キャプチャのように薄緑のお知らせが表示されたら、問題なく送信完了していることを意味します。

メールを受信したとき（Gmail）の見え方はキャプチャの通りです。「View Heatmaps」のリンクをクリックするとデータにアクセスすることができます。

ダウンロード（エクスポート）機能

ダッシュボード（Dashboard）、ヒートマップ（Heatmaps）タブ内には、以下のようなダウンロードボタンが存在します。これをクリックすると、特定のデータをCSVファイルやPNGファイルでダウンロード（エクスポート）することが可能です。

CSVファイルでダウンロード

特定データをCSVファイルとしてダウンロード（エクスポート）することで、見たい条件の数値を一覧で閲覧したり、編集したりすることができます。CSVファイルでダウンロード（エクスポート）する方法は以下です。

1. 共有したいデータを画面上に表示させる
2. ダウンロードボタンをクリックする
3. 「Download CSV」を選択する
   

サイト改善状況の定点観測や効果測定における資料作成時、データの数値を自由に整形して使用するのに活用したいですね。

PNGファイルでダウンロード

可視化されたデータをそのまま画像として取り込むことができます。ヒートマップツールのよさを損なわず、わかりやすく資料化したいときに有用な機能です。

1. 共有したいデータを画面上に表示させる
2. ダウンロードボタンをクリックする
3. 「Download PNG」を選択する
   

資料作成時に限らず、メールやチャットを用いてキャプチャイメージをサクッと共有したいときにもおすすめです。

まとめ

Clarityのデータを部内外の他人と共有するのはもちろん、日々の集計運用業務やレポーティングにも便利な機能をご紹介しました。データの共有やダウンロード（エクスポート）を活用して、周囲を巻き込みながら日々のサイト改善に取り組んでいきましょう。

【あわせて読みたい！Microsoftのヒートマップツール「Clarity」の関連記事はこちら】

• Microsoftのヒートマップツール「Clarity」を使ってみた
• Microsoftのヒートマップツール「Clarity」がアップデート！IP除外設定＆スクロールヒートマップが利用可能に
• 「Dead clicks」とは？Microsoft ClarityのDashboard内の指標を読み解く

データ分析ツールの一種であるGoogle BigQueryを活用されている担当者も多いと思います。しかし、結局のところ「Googe BigQueryってなに？」「導入するとメリットあるの？」など疑問がある方も少なくないのではないでしょうか？
今回はそんなGooge BigQueryとはなにか、導入のメリットやデメリット、アカウントの開設方法、料金体系などについて解説します。

目次

1. Google BigQueryとは？
2. Google BigQueryの仕組み
3. Google BigQueryを導入するメリットは？
4. Google BigQueryのデメリット
5. Google BigQueryアカウントの開設方法
6. Google BigQueryの利用料金
7. クエリの実行例
8. 最後に

Google BigQueryとは？

Google BigQueryとは、Google Cloud Platformから提供されているビッグデータ解析サービスになります。本来、数TB（1TB＝1,000GB）、数PB（1PB＝1,024TB）のデータを処理する場合、時間がかかってしまいますが、BigQueryを使用すると数秒、数十秒でデータ処理が可能となります。データ分析におけるアクセスログの解析・業務効率化に欠かせないツールの1つとして注目されています。

Googleが社内用に開発した「Dremel（ドレメル）」という大規模なクエリを実行するサービスを社外向けのサービスとして提供し、2012年にリリースが開始されたものが「Google BigQuery」となります。

Google BigQueryの仕組み

前章で述べた通り、Google BigQueryの最大の特徴である超高速かつ大規模なデータ処理は、以下2点の仕組みで実現されています。

カラム型データストア

通常のデータベースは行単位で横方向へのデータ読み込みが一般的ですが、BigQueryは列単位で縦方向への読み込みを行っています。横方向へのデータ読み込みの場合、データ全体を読み込む必要がありますが、縦方向の場合では必要なデータを読み込むだけでよく、また類似データを圧縮可能なため、非常に高速なデータ処理が可能になります。

ツリーアーキテクチャ

ツリーアーキテクチャとはクライアントからクエリを受け取るルートサーバーから、実際にクエリ処理を実行する多数のリーフサーバーへクエリが広がっていき、並列でデータ処理が行われる仕組みのことです。

複数のリーフサーバーに対してクエリが広がっていき、並行して処理されることで大規模なデータの高速処理を実現しています。

Google BigQueryを導入するメリットは？

Google BigQueryを導入することで得られるメリットは以下が挙げられます。

データベースの専門知識が不要

通常のデータウェアハウスのデータベースでクエリを使用する場合は必ずチューニングが必要となります。データベースの専門家やオペレーション担当者がいるか否かもパフォーマンスに影響を与えることになりますが、Google BigQueryはサーバーレスで利用できるため、チューニング作業を必要としません。従来のデータベースのクエリで必須だったインデックスも不要となり、データベースの専門知識がなくとも大規模なデータの分析が可能になりました。

コストパフォーマンスがよい

Google BigQueryは他のデータウェアハウスとは異なり、クエリを実行するときのみサービスが起動し、検索などの操作を行えます。料金はサービスを起動している間のみ発生するため、他のサービスより比較的コストパフォーマンスのよい料金体系であるといえます。

データ保存に関しても別途ストレージ費用がかかりますが、こちらも安価なコストとなります。

Google BigQueryのデメリット

一方でデメリットとしては以下が挙げられます。

慣れるまでに時間がかかる

Google BigQueryに関する学習環境は十分整っているとはいえない状況です。また経験者でもSQLの記述やエラーの解決にはある程度の慣れが必要なため、実際に活用できるまでにはある程度の時間がかかります。

適切な設定をしていないと、コストがかさむ可能性がある

適切な使用方法であればBigQueryは非常に安価で使いやすいサービスです。しかし適切な使用方法でない場合、コストがかさんでしまう場面があります。
「BigQueryを導入・活用したいがコストは安く抑えたい」という場合には主に以下の方法が挙げられます。

• クエリの対象データを限定する
• 課金されるデータの上限を設定する
• キャッシュを賢く利用する
• テーブルを分割する
• テーブルのクラスタリングを行い、データを圧縮する

参照：BigQueryにおけるコスト最適化のベストプラクティス

Google BigQueryアカウントの開設方法

Google BigQueryのアカウント作成方法は以下の通りとなっており、Google Cloud Platform（GCP）の契約を実施する必要があります。

Google Cloudのプロダクト（製品紹介）ページの1つの、「BigQuery」のサイトへアクセスしてください。

STEP1

「BigQueryの無料トライアル」というボタンをクリックしてください。

STEP2

次のページでは、ユーザーの個人情報の入力が必要です。下記項目の入力が完了しましたら、「続行」をクリックして次に進んでください。

• (1/3)「アカウント情報」
• (2/3)「IDの確認と連絡先情報」
• (3/3)「お支払い情報」

　

STEP3

入力確認後、Google Cloud Platform（GCP）への登録が可能になります。
GCPの左のナビゲーションの項目「ビッグデータ」の「BigQuery」を選択してください。

STEP4

BigQueryの管理画面にログイン可能となりますので、アカウントの準備は完了です。

Google BigQueryの利用料金

Google BigQueryの利用料金は下記の表の通りとなっています。
※東京（asia-northeast1）の料金を掲載しております

参照：BigQueryの料金

Google BigQueryは上記の項目のみを課金対象としており、それ以外の操作については課金は発生しません。また、データを1TB保存したとしても月額は＄23.00、月間で10TBのクエリを処理しても月額は＄60.00です。また毎月最初の1TBのクエリ処理は無料のため、Google BigQueryは非常に安価なデータ解析ツールといえます。

クエリの実行例

参考までに下記テーブルにてBigQueryで簡単なクエリを実行し、データを抽出した結果とその料金を試算してみます。

テーブル情報

表のサイズ：952.88MB

長期保存のサイズ：952.88MB

行数：1,477,553(147万行)

ストレージ料金：$0（おおよそ0円）※10GB未満のため

実行クエリ

クエリ料金：$0（おおよそ0円）※1TB未満のため

クエリ実行結果

データ処理の所要時間、処理、課金されたバイト数が表示されます。147万行のデータの処理時間が1.8秒と非常に高速なデータ処理になります。

最後に

安価かつ大規模なデータ解析ツールとして注目を集めている「Google BigQuery」。その用途はWebサイトのアクセス解析やソーシャルゲームの行動データのログ解析、またインターネット接続型テレビのアクセスログ分析など多岐にわたります。

データ分析業務を効率させた事例やコストを抑えつつパフォーマンスを向上させた事例も増えてきています。ぜひ、社内、組織内のデータを活用する手段として導入を検討されてはいかがでしょうか？もしGoogle BigQueryに関することでご相談があれば、当社の解析チームにお気軽にお問い合わせください。

2020年頃からよく耳にするようになった「構造化データ」。結局のところ「そもそも構造化データはどういうもの？」「どのように記述すればよいのか？」「メリットは？」といった、疑問をお持ちの方も多いのはでないでしょうか。
そこで、今回は「構造化データ」について、以下の目次にそって、詳しく解説していきたいと思います。

目次

1. 構造化データとは？そのメリットとは？
2. リッチリザルトとリッチスニペットとの違いは？
3. リッチリザルトと強調スニペットの違いとは？
4. リッチリザルト表示にするメリット
5. 構造化データを構成する要素
6. リッチリザルトの種類とマークアップ例3選
7. 構造化データを簡単に作成できるツール
8. 構造化データの検証ツール
9. 構造化データをGoogleが認識できているか確認
10. 構造化データは導入すべき？

構造化データとは？そのメリットとは？

構造化データは、ページに関する情報を提供し、そのコンテンツ（たとえば、レシピページの場合は材料、加熱時間と加熱温度、カロリーなど）を分類するために標準化されたデータ形式です。
人間は前後の文脈からテキストの意味が理解できますが、検索エンジンはテキストを単なる文字列としか認識できません。例えば、「さんま」というキーワードが「明石家さんま」なのか「秋刀魚」なのかが理解が難しいということです。そこで、テキストに意味や情報を加える、つまり構造化データを提供することで、検索エンジンはそのページをより正確に理解できるようになります。
検索エンジンがテキストを理解できるようになると、ユーザーにとってより有益な情報(リッチリザルト)を検索結果に表示できるようになります。

構造化データは、簡単にまとめると2つの機能(メリット)があります。

• 検索エンジンがページを理解しやすくなる
• ユーザーにとってより有益な情報(リッチリザルト)を検索結果に反映できる可能性がある

この構造化データは、W3C（Web関連技術規格の標準化団体）の「セマンティックWeb」の考え方を実現するものとして生まれました。

参照：Google 検索セントラル|構造化データの仕組みについて

セマンティックWebとは？

セマンティックWebは、World Wide Webの考案者でもあるW3CのTim Berners-Lee(ティム・バーナーズ・リー)氏が提唱したものです。Webの利便性向上を目的に、Web上のデータを検索エンジンが理解できるように意味付けし、検索エンジンがより適切に情報を扱える状態を目指しているものになります。

前述の通り、検索エンジンは書かれている文字列は読み取れても、その意味を理解することは難しいです。そのため、コンピューターが自動で情報を解析・分析できるよう、情報に「意味（＝セマンティック）」を付与することが求められるようになりました。そして、「意味を付与する」ために必要となるのが、構造化データなどの「メタデータ」です。

また、構造化データによってリッチリザルトが表示されればユーザーは一目で欲しい情報にアクセスできるようになり、この意味でも利便性が向上します。セマンティックWebを取り入れることによって、よりユーザーに寄り添ったサイトになっていくと言えるでしょう。

リッチリザルトとリッチスニペットとの違いは？

「リッチリザルト」と似た用語でよく耳にする「リッチスニペット」ですが、どういった違いがあるのかを解説していきます。

検索結果で表示されるページタイトルやURLの下に表示される説明文を総称して「スニペット」と呼びます。また、文章だけでなく、画像や手順、レビューといったスニペットの表現を豊か（rich）にする拡張機能が「リッチスニペット」です。

Googleではリッチスニペット以外にも「リッチカード」という名称がありましたが、この2つをまとめて「リッチリザルト」として呼ぶことになりました。

リッチリザルトと強調スニペットの違いとは？

「リッチリザルト」と似た用語でもう1つよく耳にする「強調スニペット」についても、どういった違いがあるのかを解説していきます。

強調スニペットとはユーザーがGoogle検索で「〇〇とは」などの検索をした際に、検索結果の上部に回答となる情報を強調して表示する仕組みのことを指します。強調スニペットにはWebページから抽出された回答の概要をはじめ、ページへのリンクやタイトル、URLが表示されます。欲しい情報を素早く確認することができるため、効果的にユーザーからの注目を集めることが可能です。

参照：Google 検索ヘルプ|Google の強調スニペットの仕組み

リッチリザルト表示にするメリット

構造化データを実装したからといってSEOにおけるランキングがすぐに上がるわけではありません。
しかし、検索結果を他のサイトと差別化したり、無機質な検索結果ではなく、画像などの視覚的な検索結果を表示させたりなど、検索結果内の表示領域の拡大でクリック率の向上が見込めます。

構造化データを構成する要素

構造化データには値を表す役割の「ボキャブラリ」と、その記述方法となる「シンタックス」が存在します。構造化データはこの2つの要素をもとに構成され、HTML上に直接マークアップすることでリッチリザルトを検索結果で表示できるようになります。

ボキャブラリ

ボキャブラリは構造化データの情報を定義する辞書のようなものです。人の名称を"name"、住所を"address"と記述することで、当該プロパティがどういった情報なのかを検索エンジンに伝えていきます。

現在（2021年11月時点）、Googleがサポートしているボキャブラリーとしては、Google、Yahoo!、Microsoftの大手検索エンジン企業が共同で取り組んでおり、「schema.org」という規格が代表的です。

参照：schema.org

シンタックス

ボキャブラリーが値を定義しているのに対して、シンタックスは実際にマークアップする際の仕様のことを指します。シンタックスの中でschema.orgによって定められ、Googleがサポートしているものは以下の3つです。

• Microdata
• RDFa Lite
• JSON-LD(Google推奨)

参照：Google 検索セントラル|構造化データの形式

リッチリザルトの種類とマークアップ例3選

それでは実際にどんなリッチリザルトがあるのか、どうやってマークアップするのか、今回はJSON-LDのみを例に紹介していきます。

パンくずリスト(検索結果)

パンくずリスト(マークアップ)

    <script type="application/ld+json">
      {
        "@context": "http://schema.org",
        "@type": "BreadcrumbList",
        "itemListElement": 
        [
          {
            "@type": "ListItem",
            "position": 1,
            "item":{
              "@id": "URL",
              "name": "TOP"
            }
          }, {
            "@type": "ListItem",
            "position": 2,
            "item":{
              "@id": "URL",
              "name":"第二階層"
            }
          }
        ]
      }
    </script>
  

レシピ(検索結果)

レシピ(マークアップ)

    <script type="application/ld+json">
      {
        "@context": "https://schema.org/",
        "@type": "Recipe",
        "name": "ハンバーグ",
        "author": {
          "@type": "Person",
          "name": "ミツエイ　太郎"
        },
        "datePublished": "2021-11-25",
        "description": "ハンバーグのおいしいつくり方",
        "prepTime": "20分"
      }
    </script>
  

FAQ(検索結果)

FAQ(マークアップ)

    <script type="application/ld+json">
      {
        "@context": "https://schema.org",
        "@type": "FAQPage",
        "mainEntity": 
        [
          {
            "@type": "Question",
            "name": "Q1：構造化データってなんですか？",
            "acceptedAnswer": {
            "@type": "Answer",
            "text": "検索エンジンがテキストを理解できるようにし、ユーザーにとってより有益な情報(リッチリザルト)を検索結果に表示できるようにするデータです。"
            }
          },{
            "@type": "Question",
            "name": "Q2：リッチリザルトを表示させるメリットはありますか？",
            "acceptedAnswer": {
            "@type": "Answer",
            "text": "検索結果内の表示領域の拡大により、クリック率の向上が見込めます。"
            }
          }
        ]
      }
    </script>
  

他にもGoogleで規定されているリッチリザルトの種類は30種類以上です。詳しくは、「Google 検索セントラル」の「上級者SEO」→「機能ガイド」より全て確認できます。

実装がよくわからない場合は、ぜひ当社の解析チームにお気軽にお問い合わせください。

構造化データを簡単に作成できるツール

マークアップできる種類は限られますが、「構造化データマークアップ支援ツール」というGoogleのツールを使えば簡単にマークアップを作成することができます。

マークアップしたい情報を選択し、該当するページのURLを貼り付け「タグ付けを開始」を押します。

ページ上でハイライトを付与し、その箇所は「何の情報か」を選択します。
ハイライトを付ける作業が終わったら、「HTMLを作成」から構造化データを生成します。

こちらのツールですが、Google 検索のリッチスニペット表示に必要な構造化データの最新の要件を必ずしも反映していません。古い要件に従ったままでは、構造化データを正しくマークアップできないことがあります。

ですので、マークアップ後は公式ドキュメント(Google 検索セントラル)で必ず調べて対応できているか確認しましょう。

構造化データの検証ツール

作成した構造化データをテストすることができるツールが2つあります。

リッチリザルトテスト

構造化データをテストするための Google の公式ツールで、ページの構造化データで生成される Google のリッチリザルトを確認できます。Google 検索でリッチリザルトがどのように表示されるかをプレビューすることもできます。

まず、調査したいページのURLを打ち込むか、コードを直接入力します。

正しくマークアップされていれば以下のような画面となります。

スキーマ マークアップ検証ツール

ページに埋め込まれている Schema.org ベースの構造化データをすべて検証します。Schema.orgが定義しているすべての構造化データについて、文法の正確さをチェックできます。文法の正確さのみを確認するため、Googleが定めるリッチリザルト表示に必須のプロパティが抜けていたとしても確認できない点には注意が必要です。

こちらも、リッチリザルトテスト同様に調査したいページのURLを打ち込むか、コードを直接入力します。

正しくマークアップされていれば以下のような画面となります。

構造化データをGoogleが認識できているか確認

最後に、Search Consoleでクローラーがサイトから構造化データを読み取ることができたかどうかを確認し、エラーに関する情報を確認しましょう。

Search Consoleのメニューの「拡張」から構造化データごとにエラーがないかを確認することができます。

構造化データは導入すべき？

検索エンジンは人間と同様にはテキスト情報を認識することができないため、伝えたい情報がある場合は構造化データ形式を用いることが必要です。

近年Googleは検索結果画面で様々なリッチリザルトを用いるようになっています。これは検索エンジンがページから必要な情報を抜き出し、ふさわしい情報を持っていると判断したページを表示する仕組みです。良質なコンテンツを作成し、検索エンジンに正しく情報を伝えることが重要となってきます。

検索結果でリッチリザルトを表示させることで自社のWebサイトを目立たせる効果が期待でき、特に求人やレシピサイトなどは、適切な構造化データを記述することで特別枠からの流入も見込むことができます。一方で、検索結果の機能は日々追加されており、これに伴いGoogleが利用する構造化データのプロパティも増えています。もし構造化データを含めたSEOのことでお悩みがあれば、ぜひ当社の解析チームにお気軽にお問い合わせください。

Google アナリティクス4（GA4）はGoogle BigQueryとリンクさせることで、データ抽出や加工が可能です。実際に活用されているご担当者様も多いと思います。

本記事では、Google BigQueryを使用したコンバージョン到達ユーザーの動向に関する調査の一例について紹介します。

コンバージョン到達ユーザーの動向調査を行うメリット

コンバージョンに至る可能性が高いルートや、頻繁に訪れているページなど、コンバージョン到達に関するポイントが把握できるとWebサイトの構造や導線の解析に非常に便利です。

ユニバーサルアナリティクス（UA）のレポート画面では確認できない各ユーザーのページ訪問日時や発生させたセッション回数などもGoogle BigQuery上で指標を作成することができるので、自由度の高いデータの抽出が可能です。

データの抽出について

GA4とGoogle BigQueryのリンク手順に関しては下記の記事に記載していますので、今回は割愛します。

※参考：Google Analytics 4（GA4）の新機能について

では実際にコンバージョン到達ユーザーの動向を示すデータの抽出方法を説明します。

1.下記のクエリを定義し、コンバージョンに至ったユーザーの識別情報である「user_pseudo_id」を取得します。

2.クエリを実行すると、コンバージョンに至ったユーザーの識別情報が以下ように抽出されます。

3.続いて、取得したコンバージョン到達ユーザーの識別情報から、セッション情報を抽出します。

上記のクエリに加えて、新しくクエリを作成します。まずサブクエリとしてt1を定義します。

4.サブクエリt1に続いて以下のクエリを定義し、サブクエリt1からデータ抽出を実施します。

データ抽出概要

本件で抽出するデータの指標は以下の通りです。

• user_pseudo_id：ユーザー識別用の仮ID
• date_time：サイトへのアクセス日時
• session_count：セッション識別番号と、ユーザーのセッション連番を並記した値
• hit_count：セッション内の訪問ページの連番
• page：ドメインを除外したURL

データ抽出条件

• データ抽出期間：「YYYYMMDD」の形式で指定することでデータの抽出期間が変更可能です。本件では2021年5月1日から2021月9月30日までの約4カ月間を指定しています。
• event_name：GA4で自動的に収集されるイベントになります。本件ではイベント「page_view」及び「user_engageent」を指定しています。自動で収集されるイベントに関しては下記リンクを参照ください。

※参考：[GA4] 自動的に収集されるイベントーアナリティクスヘルプ

WHERE句を使用し、前述したクエリで抽出したコンバージョンに到達したユーザーの「user_pseudo_id」を指定します。

データ抽出結果

以下のように、コンバージョンに至ったユーザーの全セッション内のルートが表示されました。

抽出結果の指標「session_count」に関してはセッションごとにに割り振られる「ga_session_id」と各ユーザーのセッション連番の「ga_session_number」を並記した値になります。これによって各ユーザーのN番目のセッションが識別可能です。また「hit_count」に関してはセッション内のN番目のページ訪問を表しています。

これらの指標を使用することで、各ユーザーの各セッション内で訪問したページを時系列順で把握することができます。

コンバージョン到達ユーザーの行動ルートが把握可能

データの抽出結果より、コンバージョン到達ユーザーの行動ルートの詳細を把握することができます。また、コンバージョンに到達するユーザーが頻繁に訪れているページだけでなく、「特定のページがどれだけコンバージョンに影響を与えているのか？」といった調査も可能になります。

抽出した結果を基に実際にその導線をたどってみることで、ユーザー心理を把握し、コンバージョンを獲得するヒントになります。

Google BigQueryをGA4と一度リンクさせておけば、自動的にアクセスログのデータが蓄積され、レポーティングのバリエーションが幅広いものになります。

ぜひ日々のアクセス解析業務に活用してみてください。

Webサイトのアクセス解析を行う際に、UAを使用されているご担当者様は多いのではないでしょうか。普段の業務でデータの集計をUAの各データやカスタムレポートを見ながらExcelに手入力をしていたり、各レポートをエクスポートしてコピペしたりして行っていませんか。

今回は集計作業をGoogleスプレッドシートで、自動化することにより一瞬で解決する方法をご紹介します。

UAのデータ取得を自動化するメリット

集計を毎日の作業として手入力で行うのはかなり大変ですよね。そんな時に便利なのがGoogleスプレッドシートを使ってUAデータを自動取得する方法です。

GoogleスプレッドシートもGoogleのツールなので連携も簡単ですし、Excelと似ていて関数やグラフの機能も使えるので、自由度の高い加工が可能です。また、クラウド型なので集計データの提出や共有の際もURLを送付するだけで可能になります。

GoogleスプレッドシートにUAのアドオンを追加する

Googleスプレッドシートの作成方法に関してはご存じの方も多いと思いますので今回は割愛します。作成時の注意点として、UAアカウントが存在するGoogleアカウントでGoogleスプレッドシートを作成するように気をつけてください。それでは早速本題に入っていこうと思います。

Googleスプレッドシートが作成できたら、UAのデータを自由に取り込むためのアドオンを追加します。

メニューの「アドオン」→「アドオンの取得」を選択します。

次にアドオンの一覧画面が開きますので、検索窓に「Google Analytics」と入力し、「Google Analytics」を選択します。

「インストール」を選択し、Googleに許可を求められますので「許可」を選択すると、インストールが開始されます。

メニューの「アドオン」をもう一度開き、「Google Analytics」という項目が追加されていればアドオンの追加は完了です。

アドオンでUAから取得したいレポートを作成する

次に追加した「Google Analytics」のアドオンを使って、UAから取得したいデータの項目を設定していきます。

先ほど追加確認した「アドオン」→「Google Analytics」の中で「Create new report」を選択してください。

以下のような「Create a new report」というメニューが画面右側に出てきます。取得したいデータ項目を選択し、「Create Report」を選択します。各項目の詳細は画像の下に記載しています。

1)Name your report（レポート名）

• name（名前）：作りたいレポートの名前を入力してください。

2)Select a view（アカウント情報）

• Account（アカウント名）：取得したいUAのアカウント名を選択してください。
• Property（プロパティ名）：取得したいUAのプロパティ名を選択してください。
• View（ビュー名）：取得したいUAのビュー名を選択してください。

3)Choose configuration options（データ情報）

• Metrics（指標）：取得したい値、指標を選択してください。例えば、セッションやページビューなどです。
• Dimensions（ディメンション）：指標を取得するときの条件を選択してください。例えば、国別やブラウザ別やページ別などです。複数選択も可能です。
• segments（セグメント）：より詳細な値を取得したい場合は選択してください。例えば、チャネルの自然検索のみやブラウザのモバイルのみなどです。複数選択も可能です。UAで設定したセグメントも選択可能です。

作成すると、「Report Configuration」というシートが生成されます。このシートの内容のデータをUAから取得するという形になります。

内容は以下（先ほど説明した項目は除外）となっており、こちらのシートを自由に変更し、絞り込み条件を設定していきます。

• Start Date（開始日）：初期値は「30daysAgo」となっており、30日前からとなっています。画像のように「YYYY/MM/DD」の形式で日付を指定してあげることもできたり、「today()」関数を使ったりすることも可能です。
• End Date（終了日）：初期値は「yesterday」となっており、昨日までのデータを取得するようになっています。開始日と同様に日付の指定や関数を使うことも可能です。
• Filters（フィルター）：正規表現を使ってデータを絞り込むことができます。「ga:pagePath==/mitsue.co.jp」のようにトップページのみなどのような指定が可能です。

アドオン上での表記は別途下記をご参照ください。

参照：Google Analytics|Demo&Tools

また、さらに絞り込みを行いたい時はUAのセグメントで設定することで、以下のようにレポート作成の際にセグメントの項目で選択が可能となるので、細かい設定も1回で簡単に済ませることができます。

アドオンで作成したレポートにUAからデータを取得する

では、実際にUAからデータを取得するには「アドオン」→「Google Analytics」の中で「Run reports」を選択してください。

以下の左下の画像のような赤字の文言が出ると、取得できていないデータがあるため条件の見直しを行いましょう。すべてのデータが問題なく取得できた場合、右下の画像のように表示されます。

先ほど設定したレポートと同じ名前のシートが作成され、取得したデータが確認できます。

アドオンから自動更新の設定をする

毎日「Run reports」してもよいですが、それでは完全な自動化とは言えません。そこで、「Schedule reports」機能を使ってデータを自動で取得する設定を行いましょう。

「アドオン」→「Google Analytics」の中で「Schedule reports」を選択してください。

以下の画面が出てくるので、「Enable reports to run automatically.」にチェックを入れます。「every hour」「every day」「every week」「every month」から好きな期間を選択し、データを更新してほしい時間を選択し、「Save」を押します。

これで設定した期間と時間でデータ取得・更新を自動で行ってくれます。

最後に

このような報告用の整形シートを作成し、「Vlook」関数などを用いてデータ取得したシートから値を引っ張って整形してあげたり、グラフを追加したりすると、より便利になります。

難しい絞り込みや設定の方法が分からない場合は、ぜひ当社の解析チームにお気軽にお問い合わせください。

Google アナリティクス 4（GA4）とは？

Google アナリティクス 4（GA4）とは、2019年にリリースした「アプリ ＋ Web プロパティ（β版）」が更新されて、2020年10月に最新バージョンとしてリリースされたGoogle アナリティクスです。「アプリ ＋ Web プロパティ」は、アカウント作成時に選択するプロパティジャンルを指します。従来のユニバーサル アナリティクス（UA）とGA4のイメージは以下の表のとおりです。

GA4の大きな特徴は、「アプリとWebサイトにまたがる計測」「機械学習を活用した分析と予測機能の導入」「プライバシーを配慮したデータ収集」などの機能が組み込まれたことです。

今回は、従来のUAでアプリもWebも解析できるのに、なぜこのようなツールが開発されたのかを深掘りしていきたいと思います。

参照：新しいGoogleアナリティクスのご紹介

GA4のリリースの背景

時代の変化と共にユーザーの行動は大きく変わり、プライバシー重視の流れによって従来のUAでは対応できなくなってきたため、今回のリリースに至りました。ここでは、その理由を大きく2つ説明します。

急速に変化するユーザー行動の正しいデータ取得が困難となった

スマートフォンやタブレットやスマートウォッチなどが普及し、1人で複数デバイスを利用することが当たり前となり、いつでもどこでも簡単にインターネットやアプリを利用できるようになりました。このような変化により、ブラウザで付与するCookie情報だけではデバイスやWebやアプリといったユーザーの行動を正確に把握することが困難に。
また、従来のUAは「ページ」単位でデータを計測していましたが、アプリは「ページ」という概念がなかったため、「ページ」単位での計測に対する考え方をあらためる必要があったことも要因の1つです。

プライバシー重視によるCookieやIDに関する制限事項が生むデータ不足の問題

近年、AppleのサードパーティーCookieの廃止など、プライバシー問題が言及されてきました。CookieやIDに関する制限によりユーザーを特定できる要素が減るため、従来のUAではデータが不足してしまう可能性があります。

GA4と従来のUAの違い

イベントとページビュー

前述しましたが、UAでは「ページ」単位での計測でした。それがGA4では、全てを「イベント」として計測することでWebとアプリをより正確に計測できるようになりました。

各計測の種類は以下です。

レポートの違い

従来のUAと違って、GA4では集計用のレポートと探索用のレポートに分かれたことが大きな特徴です。

従来のUA レポートメニュー

従来のUAのレポートは以下でした。

GA4 レポートメニュー

集計用レポート

集計用レポートでは、従来のUAで計測できた項目の比較はできるのですがセグメントはできません。また、注目すべきは重要視されていた「直帰率」の項目がなくなっていることです。従来のUAでは同じページでも、動画などの「ページ」内で完結するものであれば30分視聴し離脱した場合、記事を15分読んで離脱した場合でも全て「直帰率」にカウントされていました。
こういった計測が適切なユーザー行動を計測できていないと判断され、GA4では、「エンゲージメント」という項目が追加されています。

エンゲージメント：10 秒を超えて継続したセッション、コンバージョンイベントが発生したセッション、または2回以上のスクリーンビューもしくはページビューが発生したセッションの数。

探索用レポート

探索用レポートを選択すると、テンプレートを選択することができます。

選択すると、以下のようにセグメントやディメンションや指標といった変数を自由に選択することができます。データの深堀りや考察をすることが可能です。

測定機能の強化

従来のUAではGTMなどで設定が必要だった機能も、GA4ではボタン1つで設定可能な機能が増えています。

参照：[GA4]拡張計測機能

ユーザー特定方法の変更

GDPR（EU一般データ保護規則）やCCPA（カリフォルニア州消費者プライバシー法）などのデータ規則に対応した仕様となりながら、「Googleシグナル」との連携強化により、ユーザー特定の精度が上がりました。
「Google シグナル」とは、Googleサービスでの利用者行動を元に「クロスデバイスでユーザーを特定する」機能です。これにより、クロスデバイストラッキングの精度も上がっています。

デバイスID：ファーストパーティーCookieに保存されている自動発行ID
ユーザーID：実装で設定できる会員ID
Googleシグナル：Googleアカウントにログインかつ広告最適を許可しているユーザーを特定する自動発行ID

ユーザー単位での計測が可能

従来のUAでは、デバイスが違うと別ユーザーと認識されていましたが、Googleシグナルによりデバイスが違っても同じユーザーとしての認識が一部可能になりました。つまり、会員IDがなくても一部はデバイス横断の計測が可能となります。

GA4は導入すべき？

現状は、完全にGA4へ移行するのではなく、従来のUAとの併用がおすすめです。というのも、よくなった機能もありますが、GA4はリリースされて日が浅いため、機能の不足や関連情報が少ない状態だからです。
従来のUAの廃止についてもまだアナウンスはありませんが、Googleは今後GA4を標準とする方針です。今後、新機能もGA4に追加していくと思われますので、現状は併用しつつデータを貯めることで今後の変化に備えておくことがよいかと思います。

Google AnalyticsをはじめとしたWeb解析ソリューションの多くは、Cookieを使用することによりユーザーの行動や回遊を記録しています。ただし、個人情報保護法や一般データ保護規則（GDPR）が施行されたことにより、Cookieを使用したデータの収集が年々難しくなっています。Google Analytics4（GA4）は、そうした問題に対応した新しいソリューションとして注目されています。

本記事ではGA4の新機能の概要と、その設定方法について紹介いたします。

Web・アプリを横断したデータ計測

従来のユニバーサル アナリティクス（UA）ではWeb・プロパティのデータ計測は別々のプロパティで行っており、横断した計測を行うことはできませんでしたが、GA4では「Web・アプリ」のプロパティの中に「データストリーム」という概念が導入され、Web・アプリを横断したデータ計測が同一のプロパティで可能になりました。

GA4の計測概要に関しては以下の通りです。

• 主にイベントを中心としたデータ計測
• アプリは「アプリストリーム」で計測を行い、Google Analytics for Firebase をベースにデータを取得
• ウェブは「ウェブストリーム」で計測を行い、Google Tag Manager、gtag.js をベースにデータを取得
• 従来のUAタグとは別物の「ウェブ・アプリ」プロパティ用のタグを使用し、イベントパラメータやユーザープロパティの設定が可能

データストリームの設定は、管理画面の［プロパティ列］より、プロパティの作成、設定を行います。

1．データストリームを追加・設定

作成したプロパティを選択し、［データストリーム］＞［ストリームを追加］の順でクリックし、［IOSアプリ］、［Androidアプリ］、［ウェブ］のいずれかを選択します。

2-1．データストリーム（アプリ版）の設定

• OSバンドルIDかAndroidパッケージ名のいずれかと、アプリ名、App Store ID（iOSの場合）を入力し、アプリを登録
• アプリの構成ファイルをダウンロードし、Firebase SDKをアプリに追加
• アプリを実行してSDK のインストールをチェックし、アプリがGoogleのサーバーと通信していることを確認

2-2．データストリーム（Web版）の設定

メインのWebサイトのURLとストリーム名を入力し、Web版のデータストリームの作成を行います。作成したGA4プロパティでデータ収集を行うには、Webページにアナリティクスのタグを設置する必要があります。タグの設置方法は以下の方法があります。

• ウェブサイト作成ツールあるいはCMSでホストされるWebサイトにタグを追加
• グローバルサイトタグをWebページに直接追加
• GTMを使用してタグを追加

※参考［GA4］アナリティクスで新しいウェブサイトまたはアプリのセットアップを行うーアナリティクスヘルプ

機械学習機能

近年の個人情報漏洩防止の観点から、サードパーティCookieを廃止する動きが進んでいます。その影響により、データの欠損を招き、結果の正確さが失われる可能性があることから、欠損データの補完を行うべく新たに機械学習機能が導入されました。特徴は以下の通りです。

• 「購入の可能性」「離脱の可能性」「収益予測」の予測が可能
• 自動インサイト機能が実装化され、集計データ上で異常な変化を検知した、あるいは新たな傾向が検出されたとき、自動でダッシュボード上で通知される
• 既存ユーザーの中から「離脱する可能性が高い」「購入する可能性が高い」「初回の購入を行う可能性が高い」「利用額上位になる」ユーザーの予測が可能

機械学習機能において、ユーザーの行動を予測した指標として、予測指標が使用されます。具体的には以下が挙げられます。

• 購入の可能性：過去28日間に操作を行ったユーザーによって、今後7日間以内に特定のコンバージョンイベントが記録される可能性
• 離脱の可能性：過去7日以内にアプリやサイトで操作を行ったユーザーが、今後7日以内に操作を行わない可能性
• 収益予測：過去28日間に操作を行ったユーザーが今後28日間に達成する購入型コンバージョンによって得られる総収益の予測

予測指標を利用するためには、下記の前提条件を満たしている必要があります。

1. GA4でpurchaseイベントもしくはin_app_purchaseイベントが設定され計測されていること
2. 過去30日以内に、少なくとも1000人のユーザーがpurchaseイベント完了し、1000人がpurchaseイベントを完了していないデータが集計されていること
3. 上記の条件を満たした後、30日間継続してデータ集計していること

※途中でpurchaseイベントを停止した場合、再度30日間のデータ集計が必要になります。

※参考予測指標－アナリティクスヘルプ

予測指標が利用できるようになると、予測指標に基づく条件を1つ以上含むオーディエンスである予測オーディエンスが利用可能になり、［オーディエンス］＞［オーディエンスの候補］＞［予測可能］より設定可能です。予測オーディエンスは以下が挙げられます。

• 7日以内に離脱する可能性が高い既存顧客：今後7日以内にプロパティにアクセスしない可能性が高い既存顧客
• 7日以内に離脱する可能性が高いユーザー：今後7日以内にプロパティにアクセスしない可能性が高いユーザー
• 7日以内に購入する可能性が高い既存顧客：今後7日以内に購入に至る可能性が高いユーザー
• 7日以内に初回の購入を行う可能性が高いユーザー：今後7日以内に初めての購入に至る可能性が高いユーザー
• 28日以内に利用額上位になると予測されるユーザー：今後28日以内に最も収益を生み出すと予測されるユーザー

※参考予測オーディエンス―アナリティクスヘルプ

GoogleBigQueryを用いたデータ計測

従来のUAではレポートや表など、画面上に表示された「集計された状態」の結果を見る形式でした。しかし、「集計前の状態（生データ）」を確認するには有償版のGoogle Analytics 360を利用しなければならず、さらに詳細な分析を行いたい場合にはコストがかかる場面がありました。GA4ではGoogle Big Queryを用いたデータの抽出・加工によって、詳細な分析を行うことが可能になりました。また、抽出データをダッシュボードに記載し、レポートとして扱うことも可能です。特徴は以下が挙げられます。

• 生データの取得が無償
• GA4のレポート内で見られないデータの抽出が可能
• ダッシュボードで抽出した結果の共有が可能

Google Big Queryのセットアップ手順は以下の通りです。

1. Google API console プロジェクトを作成し、BigQueryを有効にする
2. Big Query Exportで使用するプロジェクトを作成
3. Big QueryをGA4プロパティにリンクする
4. データ取得開始後、クエリを書いて実行し、データを取得する

※参考［GA4］Big Query Exportのセットアップ―アナリティクスヘルプ

Google Big Queryで抽出したデータをダッシュボードで表記する手順は以下の通りです。

1. Google Big Queryより作成したクエリの画面から［結果の保存］＞［Big Queryテーブル］の順にクリックします。

2. テーブル名に名前を入力し、保存をクリックします。

3. データポータルからデータソースを新規作成します。

4. Google ConnectorからBig Queryを選択します。

5. ［マイプロジェクト］＞［プロジェクト］＞［データセット］＞［表］ の順で選択し、保存した表を選択し［接続］をクリックします。

6. 次画面にて［レポートを作成］を選択します。

7. 作成したテーブルを適宜配置します。

近年の新しいWeb解析ソリューションとして注目されているGA4ですが、今後ますます導入する必要性が増えていくことが予想されます。機械学習機能やGoogle Big Queryによるデータ抽出機能を使用し、従来のUAとは異なった新たな示唆が得られるかもしれません。この記事を参考に是非とも一度導入をご検討ください。