ファネル離脱箇所を特定するプロンプト
いつ使うか
LP の訪問数は伸びているのに CV が増えない、登録は来てるのに継続率が低い——どこで離脱しているかを GA4 や Mixpanel の数字を AI に渡して特定したい時に使う。仮説 → 改善打ち手まで一気通貫で出させる。
プロンプト本文 (コピペして使う)
あなたは CRO (Conversion Rate Optimization) の専門家です。以下のファネル数値から離脱箇所を特定してください。
## ファネル定義
| ステップ | 説明 | 計測ツール |
|---------|------|------------|
| 1 | LP 訪問 | GA4 |
| 2 | フォーム表示 | GA4 |
| 3 | フォーム送信完了 | GA4 |
| 4 | LINE 友だち追加 | LINE API |
| 5 | LINE 内アンケート完了 | LINE API |
| 6 | サービス成約 | 内部DB |
## 各ステップの実数値
| ステップ | 直近30日の人数 | 前ステップからの遷移率 |
|---------|--------------|---------------------|
| 1 | 12,000 | - |
| 2 | 4,200 | 35% |
| 3 | 980 | 23% |
| 4 | 740 | 75% |
| 5 | 210 | 28% |
| 6 | 38 | 18% |
## 自社の業界ベンチマーク (もし分かれば)
<例: 同業のLP→フォーム遷移率は40-55%が一般的>
## 分析の流れ
1. **最大の漏れ穴特定**
- ベンチマークと自社の乖離が大きいステップを順位付け
- 乖離率の数値で示す
2. **離脱原因の仮説出し**
- 各漏れ穴について、UI/コピー/動線/技術の4観点で原因仮説を各3本
- 仮説ごとに「検証コスト」と「期待インパクト」を high/mid/low で評価
3. **追加で見るべきデータ**
- そのステップを深掘りするためのイベント・セグメント
4. **改善打ち手 5つ**
- 1日で試せる打ち手と1週間以上かかる打ち手を分ける
- 各打ち手の期待リフト (推測でOK)
5. **A/B テスト設計** (上位2打ち手について、検定可能なサンプルサイズ目安)
## 制約
- 「コピーを変える」のような曖昧な提案ではなく、具体的な before/after を1つ書く
- 全部直そうとせず、優先度を必ず付ける効くポイント
- ベンチマーク値を渡せる場合は必ず渡すと、AI が「ここが異常」と数値根拠で言える
- UI/コピー/動線/技術の4観点で仮説を強制すると、片寄りが減る
- 1日打ち手と1週間打ち手を分けると、明日からのアクションが明確になる
よくある質問
- ベンチマーク値が分からない時はどうすればいい?
- 業界ベンチマークが不明な場合は、AI に「一般的な範囲を仮置きで示してください、根拠も明記」と頼むと、参考レンジが提示されます。ただし AI が出す数値は学習データ依存なので、自社の過去 3-6 ヶ月の数値を「自社ベンチマーク」として代用するほうが信頼性は高いです。
- ユーザー単位の生データを AI に渡すのは怖いです
- ファネル分析はステップごとの集計値 (人数/遷移率) があれば成り立ちます。ユーザー ID やメール・LINE ID 等の個人特定情報は集計値に丸めてから渡すのが基本です。個人情報保護法・GDPR への配慮として、外部 LLM に渡すデータは事前にマスキング/集計しておくのが安全です。
- 「打ち手 5 つ」が抽象的で、明日からの行動に落ちません
- プロンプト末尾の制約に「具体的な before/after を1つ書く」が含まれているにもかかわらず曖昧な場合は、AI に「打ち手 1 つにつき、変更前と変更後のコピー文・ボタン文言を具体的に書く」と追加指示してください。それでも抽象的なら、AI に LP の現行コピー (見出し・CTA) を別途貼って渡すと一気に解像度が上がります。
- A/B テストのサンプルサイズが現実的に集まりません
- LP の月間訪問が数百〜数千レベルだと、統計的有意性を確保するのに数ヶ月かかります。その場合は「複数施策を順次実装し、定性指標 (アンケート/インタビュー) で補完する」アプローチが現実的です。AI に「少ないサンプルでも判断できる方法はあるか」と問うと、ベイズ的アプローチや定性検証案も提示されます。
このプロンプトを実戦で使った所感や改善案があればぜひフィードバックを。姉妹サイト ai-pick.tech では AI x SNS集客の運用ノウハウを公開しています。