因果型リサーチで関連性を見つけ、ビジネス上の決断に活かす方法

因果型リサーチとは

この質問に答える前に、まずは因果型リサーチの目的およびリサーチプロジェクトへの導入方法を見てみましょう。また、会社組織がビジネス上のより良い決断を下すために因果型リサーチを利用している好例もいくつかご紹介します。

因果型リサーチの内容と重要性

因果型リサーチは、2つの変数における因果関係を明らかにすることを目的としており、最終的決定調査(コンクルーシブ・リサーチ)の一種に分類されます。 記述型リサーチと同様、本リサーチも、ある個人または会社組織によって立てられた仮説を証明しようとします。ただし、この2つのリサーチでは、方法と目的が大きく異なります。記述型リサーチの視点は広く、ある特定のグループの意見、姿勢、態度などをすべて定義しようとするのに対して、因果型リサーチの目的は2つしかありません。

  1. 原因と結果にあたる変数を理解すること。 例えば、市議会が路上で起きる自動車事故を減少させたいと考えているとしましょう。予備的に行った記述型リサーチと探索型リサーチでは、過去5年間で事故および危険運転の両方が確実に増えたことがわかるかもしれません。危険運転が事故の原因だと自動的に判断する代わりに、そうではない可能性を調べることが大切です。車線の閉鎖や交通量の増加による事故の増加が危険運転を増やしているのかもしれません。あるいは古い格言の通り「相関関係は因果関係を含意しない」のかもしれません。事故と危険運転の両方は、工事や適切な交通整理の欠如、新規ドライバーの流入といった理由によるのかもしれません。
  2. 原因となる変数と予測される結果の関係性を判断すること。 先ほどの例を続け、市議会が、地域内の交通事故の件数に危険運転が影響を強めていると証明したとしましょう。因果型リサーチは2つのことに使用できます。第一に、危険運転よって引き起こされた可能性のある事故の増加の割合を数量化するなど、結果の意味を測定することです。第二には、変数間の作用の関連性を観察することです(例:怒りに駆られた運転者は危険な加速を行ったりリスクの高い行為におよびやすく、事故の増加につながる、など)。

こういった目的において、因果型リサーチは探索型、記述型より科学的です。因果型リサーチの担当者は、目的を達成するために、何らかの現象に関係があると思われる特定の変数を個別化し、真の意義を測定しなければなりません。その情報に基づいて会社や組織は、より良い交通看板の追加といった変数を使用したり、危険運転といった変数をなくすための努力にリソースを割く価値があるかを、自信を持って判断できます。

因果型リサーチを効果的に導入するには

因果型リサーチは実験型のリサーチとみなされるべきもので、目標は因果関係を証明することです。この点に留意すると、パラメーターと目標を厳密に計画することが非常に重要になってきます。リサーチ計画と証明しようとしている事象を完全に理解していなければ、結果は信頼できないものになり、 リサーチ担当者のバイアスが多いにかかったものになってしまうでしょう。リサーチ計画の基盤となる手段としては探索型または記述型リサーチを使用しましょう。

リサーチ計画と目標が定まったら、因果型リサーチという実験を適切に設定しましょう。因果型実験を行う前に知っておきたい3つの主な条件をご紹介します。

  1. 因果関係は実験によって証明または否定されること。 このことは当たり前のように聞こえるかもしれませんが、リサーチ計画がリサーチ目標と必ず直接的に結びつくようにしなければ、研究の最終結果はたいていの子ども用シリアルのように実のないものになってしまうでしょう(シリアル好きな方には申し訳ありません)。研究結果によって目標を証明する(あるいは否定する)ためには、通常の環境を観察してから因果変数の頻度や効果を増加させてみます。
  2. 自立したもの(原因となるもの)としてテストする変数と、依存するもの(結果となるもの)としてテストする変数は明確に分けること。 先ほどの危険運転と交通事故の例で見てきたように、多くの場合、どの変数が依存/自立しているかを明言するのは困難です。だからこそ、実験に先立って、どの変数をどちらとしてテストするかを確認しておかなければなりません。通常、環境に追加する変数が自立した要素となります。

    例えば、車のカラーオプションを増やすと売り上げが増加するという仮説を立てたとします。この場合、カラーオプションの数が自立した変数となり、販売レベルは依存変数になります。次のステップは、車両販売店での通常の販売率を測定してから、車の幅広いカラーオプションを追加することになるでしょう。最新の販売数を回収してから、2つのデータを比較して、販売への効果を研究します。
  3. 結果に変更を与えうる変数が他にはもうないこと。 依存変数に影響を与えうるすべての要素を考慮しなければ、テストした変数が計測した効果を本当に引き起こすのか、確信を持てません。実験室では、科学者は完全に中立的な環境を作り上げるという恵まれた環境にいますが、それ以外の人は残念ながら与えられた環境でやりくりする必要があります。そのため、リサーチ計画を作成するときに最も重要なのは、通常の環境における結果を測定したときと可能な限り同じ条件で実験を行うことです。

    例えば、アイスクリーム屋のオーナーが、店舗の前でピエロが風船を配った場合の販売における効果を調べたいとしましょう。はい、素晴らしいアイデアですよね。ただ、夏季の販売データを通常のデータとして使用し、実験を冬に行うのは、素晴らしいアイデアとは言えません。ピエロにとって寒いだけでなく、天候はアイスクリームの売り上げに大きな影響を及ぼすかもしれないからです。

因果型リサーチの利用者、事業目標に取り入れる方法とは

どのような種類の組織であろうと、ゴールが何であろうと、因果型リサーチから利益を得ることは可能です。因果型リサーチの目的は特定の関係が存在することの証明です。会社という観点から考えた場合、ある戦略が機能するかを検証したかったり、ある不具合の原因を特定したいなら、因果型リサーチを行うべきでしょう。因果型リサーチを、想定の目標に向けて導入する方法を、いくつかの例で見てみましょう。

  • 顧客の維持率を高めたい場合: 多くのフランチャイズチェーンでは店舗で因果型リサーチの実験を行っています。あるケースでは最近、大型自動車修理店が、依頼者の車の査定中に従業員が1対1で対応するという方針を強化すべきかという実験を、選ばれた店舗で実施しました。依頼者が問題を理解するように、従業員はすべての懸念の内容を確認し、車についての不具合を普通のわかりやすい言葉で説明するように指示されました。

    この実験が導入された背景には、オンラインアンケートで、従業員と依頼者間のコミュニケーションが欠けていることが、顧客がリピートする上での障害になっているとの結果がでたことにあります。会社はこの問題に対する2つの解決策(話し合う、依頼者の理解を深める)を特定した後、顧客の維持率の向上という点にいてどの程度効果的かを知るために、今回の実験を行ったのです。何の変更も行なわなかった店舗と実験対象の店舗を比較したところ、顧客ロイヤリティに大きな向上が認められました。
  • コミュニティ対策の効果を知りたい場合: 市議会は、コミュニティ対策の効果を測定するためにしばしば因果型リサーチを行います。例えばオタワ市がアンケートを実施し、市民が現在の公共交通手段に不満を持っていることが判明したとしましょう。これによって市議会は、「パーク&ライド」を強化してより多くの人がバスに乗車できるような戦略を実行するかもしれません。戦略の実施後、同じアンケートを再送信すれば、公共交通に対して全体的な満足度にどのような効果があったかを調べられます。
  • 広告の効果を測りたい場合: 広告は、因果型リサーチが最も広く使用されている部門の1つです。多くの場合、企業は全エリアを対象に広告を展開する前に、小さな地域で広告キャンペーンをテストします。その目的は、広告を完全に実行に移す前に、テスト対象地域で販売・リード・人々による関心が十分に上昇したかを測定することです。
    多くの会社組織は顧客に対して、サービスを受けたり関心を持つようになったきっかけを尋ねるアンケートを作成して、実験をさらにもう一段階進めます。その結果、企業は実験対象地域の顧客からの回答とクライアントベース全体からの回答を比較して、取引の増加が広告の直接的効果であるかを確認できるようになります。

さっそくリサーチを開始しましょう!

 因果型リサーチに関して新しく獲得した知識を使えば、どのようなビジネスチャンスにも活用できる効果的なリサーチ計画が作成できます。

SurveyMonkeyが好奇心に火をつける様子をご覧ください