NotebookLMで施策振り返りを効率化！過去の成功・失敗パターンを分析

課題：過去の施策から学びを活かせていない

企業プロフィール

施策運営の現状

同社ではSNS広告、メルマガ、期間限定キャンペーンなど、多数のマーケティング施策を実施しています。しかし、過去の施策から得られた知見を次に活かせていないという課題がありました。

振り返りができない理由

• 資料が分散：施策ごとに報告書が別ファイルで管理
• 時間がない：次の施策の準備に追われ、振り返りが後回しに
• 記憶に依存：「あの時どうだったっけ」を担当者の記憶で補完
• 横断分析が困難：複数施策を比較する工数がかかる

担当者の声（導入前）

「施策報告書は作成していますが、それを見返す機会がほとんどありません。100件以上の過去資料があるのに、検索も分析もできていない状態です。もったいないとは思うんですが...」

— マーケティングマネージャー

施策：NotebookLMで施策データを横断分析

NotebookLMを施策分析に活用

GoogleのNotebookLMに過去の施策報告書をまとめてアップロードし、AIに横断的な分析や質問への回答をさせる仕組みを構築しました。

ステップ1：施策報告書の整理とアップロード

まず、過去の施策報告書を収集し、カテゴリ別にNotebookLMのノートブックにまとめます。

ステップ2：分析のための質問

NotebookLMに対して、施策の成功・失敗パターンを抽出するための質問を投げかけます。

■ 成功パターンの抽出
「過去の施策で目標を達成したものに共通する特徴は何ですか？
 実施時期、ターゲット、訴求内容、クリエイティブの観点から分析してください」

■ 失敗パターンの特定
「目標未達だった施策に共通する問題点を教えてください。
 何が不足していたか、どこで判断を誤ったかを分析してください」

■ 季節性の分析
「季節やイベントによってパフォーマンスに差がある施策はありますか？
 時期ごとの傾向を教えてください」

■ ターゲット別の効果
「どのターゲット層に対する施策が最も効果的でしたか？
 年代・性別・購買履歴などの観点から分析してください」

■ 予算対効果の分析
「投資対効果（ROAS）が高かった施策の特徴を教えてください」
                

ステップ3：AIからのインサイト例

NotebookLMは、アップロードされた複数の報告書を横断的に分析し、パターンを抽出して回答します。

過去の施策報告書を分析した結果、目標を達成した施策には
以下の共通点が見られます：

1. **実施タイミング**
   - 給料日後（25日〜月末）の開始が多い
   - 月曜開始より木曜開始の方がCVRが高い傾向

2. **ターゲティング**
   - 過去購入者へのリターゲティング施策のROASが平均2.5倍
   - 新規向けは「類似オーディエンス」の精度が重要

3. **訴求内容**
   - 「限定」「残りわずか」の緊急性訴求が効果的
   - 具体的な数値（「30%OFF」等）の方が「お得」より反応良好

4. **クリエイティブ**
   - 商品使用シーンの画像がクリック率高い
   - 動画広告は15秒以内のものが完視聴率高い

根拠となる施策：
- 2024年3月のインテリアフェア（ROAS 4.2）
- 2024年6月のサマーセール（CVR 5.8%）
- ...
                

ステップ4：次の施策への反映

抽出されたインサイトを、次の施策企画に具体的に反映します。

継続的な活用

新しい施策が終了するたびに報告書をアップロードし、ナレッジベースを更新します。

成果：施策の成功率が向上

定量的な成果

具体的な改善事例

定性的な成果

組織的な学習の実現

• 知見の言語化：暗黙知だった成功パターンが明文化された
• 属人化の解消：担当者が変わっても知見が引き継がれる
• 意思決定の迅速化：過去データに基づく判断ができる

チームへの効果

• 自信を持った提案：データに裏付けられた施策を提案できる
• 失敗の許容：失敗も学びとして蓄積される文化に
• 新人の育成：過去事例を学ぶことで成長が加速

担当者の声（導入後）

「新しい施策を考える時、まずNotebookLMに『過去に似たことやった？』と聞くようになりました。そうすると『この施策が参考になる』と教えてくれるんです。ゼロから考えるより圧倒的に楽になりました」

— マーケター

「『なんとなく良さそう』ではなく『過去のデータでこうだったから』と言えるようになりました。上司への説明も通りやすくなったし、結果も出ています」

— マーケティングマネージャー

まとめ：AIで組織の学習サイクルを加速

成功のポイント

1. 既存資料の活用

   新しくデータを作るのではなく、既存の報告書を活用。初期工数を最小化。

2. カテゴリ別の整理

   施策タイプ別にノートブックを分けることで、分析の精度が向上。

3. 質問テンプレートの用意

   有効な質問パターンを用意し、誰でも分析できるように。

4. 継続的な更新

   新しい施策報告書を追加し続けることで、ナレッジが蓄積。

他業務への応用

• 営業活動の分析：商談報告書から成約パターンを抽出
• 顧客対応の改善：問い合わせ履歴から頻出課題を特定
• プロジェクト振り返り：過去のプロジェクト報告書を分析
• 採用活動の改善：面接記録から採用成功パターンを分析

導入のステップ

1. 対象資料の選定：分析したい業務の報告書・記録を特定
2. 資料の収集・整理：過去1〜2年分をPDF/ドキュメント化
3. NotebookLMでノートブック作成：カテゴリ別にアップロード
4. 質問パターンの開発：有効な質問を試行錯誤で発見
5. チームへの展開：活用方法を共有し、全員が使えるように

導入を検討される企業様へ

関連記事

• NotebookLMで社内ナレッジベースを構築
• Geminiでアンケート分析を効率化
• Geminiで会議内容を分析