| Sub-element | Score | Rationale |
|---|---|---|
| Source Tier | 7 | T1-T2が80%。マクビーIR（T1-T2: 顧客セグメント構成、顧客単価）、業界調査（T2: 1000人調査のCPA最適化71.2%、KPI分布59.8%/24.0%）、Spider Labs調査（T2: アドフラウド被害） |
| Recency | 8 | freshness_2yr_ratio=0.92。FY2024-2025の顧客構成データ、2024-2025年の業界調査データが中心。アドフラウド被害は2025年推計。全て直近2年以内 顧客セグメント構成は中程度のvolatility（金融39-58%の幅は年度変動を反映）。KPI分布・JTBD優先順位は動態的ファクト（市場の成熟に伴い変化） |
| Convergence (Value) | 7 | 金融39-58%の幅は年度・集計方法の差異による。CPA最適化71.2%、クリックKPI 59.8%は個別調査の単一ソースだが、他のデータと矛盾しない。アドフラウド1,510億円も単一ソース |
| Convergence (Scope) | 8 | 顧客セグメンテーション/JTBD分析のスコープは統一的。マクビーのAC事業広告主を対象とし、金融/医療/ECの3セグメント。JTBDの定義も機能的/感情的/社会的で一貫 |
| Specificity | 7 | 顧客セグメント構成はマクビー固有データ。KPI分布・CPA最適化データは日本市場の業界調査。アドフラウドデータは日本市場固有。一部のJTBDフレームワーク適用は一般的 |
| Sub-element | Score | Rationale |
|---|---|---|
| Inference Depth | 7 | 顧客セグメント構成はデータの直接引用（1ステップ）。「KPI階層引き上げ=単価成長レバー」の推論はKPI分布データ→顧客単価データの2ステップ。因果関係は論理的に堅固 |
| Reasoning Type | 7 | JTBD分析フレームワークの適切な適用。機能的/感情的/社会的ジョブの3軸。帰納的（1000人調査N=十分）+ 演繹的（JTBD→アップセル機会の導出） |
| Counter Check | 6 | KPIがクリック59.8%に偏在する現実を認識し、LTV基準への移行の「啓蒙コスト」を課題として提示。大企業40.5%の不満データを市場機会として解釈しつつ、その転換率の不確実性も暗示。ただしチャーン理由が不明でJTBD分析の「裏側」が見えない |
| Cross-FW Consistency | 7 | F8（顧客JTBD）とF6（3C: Customer軸）が整合。F5（SWOT: Strength=LTV予測技術→JTBD解決）とリンク。F4（バリューチェーン: 生産性向上→顧客単価成長）と整合 |
| Sub-element | Score | Rationale |
|---|---|---|
| Required Items Rate | 7 | 8項目中6項目充足（75%）。顧客セグメント、JTBD、購買決定要因、大企業/中小企業差異、不満・未充足ニーズ、顧客単価動向が充足。チャーン理由とJTBD優先順位ランキングが欠落 |
| Critical Gaps | 4 | チャーン理由の体系的分析（Critical）: 継続率88%の裏にある12%の離脱理由が不明で、顧客維持戦略の精緻化に影響。JTBD優先順位ランキング（Critical）: どのJTBDが購買決定に最も影響するかの定量データなし。ただし結論（CPA最適化が最優先JTBD）は71.2%データで支えられており、結論自体は成立 |
| Obtainability | 3 | チャーン理由はマクビー内部データのため公開情報では取得不可能。JTBD優先順位ランキングは独自調査が必要で、公開データでは1000人調査の結果が最善。構造的に取得困難な情報 |
単一仮説として結論を提示