AIにA/Bテストの仮説を立てさせたら、根拠のある提案ができるようになった|デザイン判断をロジックで裏付けるプロンプト集
デザイナー向けChatGPT活用中級者〜
「なんとなく」の提案が通らない理由
デザイナーの感覚は多くの場合、正しい。でも、それを言語化して関係者に納得させるのは別のスキルです。
😰 感覚ベースの提案
「CTAボタンをオレンジにしたほうが目立つと思います」
「ファーストビューの画像を変えたい気がします」
「フォームのステップを減らしたほうがよさそう」
✅ 仮説ベースの提案
「オレンジは現在の青より視覚的コントラストが高く、CTA認識率の向上が期待できます。A/Bテストで検証します」
「ファーストビューに人物写真を使うとエモーショナルな訴求が強まり、直帰率低下が仮説として立てられます」
「3ステップ→2ステップへの簡略化で入力離脱率の改善を検証します」
AIを使えば、自分の「感覚」をUXや行動心理学の知識と結びつけて言語化できます。
プロンプト①「改善ポイントからA/Bテスト仮説を生成」
「なんか気になる」部分をAIに渡して、仮説の形に変換させます。
📝 PROMPT
以下のページ情報をもとに、A/Bテストの仮説を3〜5個生成してください。
【ページの種類】
[例:BtoB SaaSの料金ページ]
【現状の課題・気になる点】
[例:CTAボタンのクリック率が低い、ファーストビューの離脱率が高い]
【ターゲットユーザー】
[例:中小企業のマーケティング担当者、30〜40代]
各仮説は以下の形式で記述してください:
– 仮説:「〇〇を変えることで、△△が改善される」
– 根拠:なぜそう考えるか(UX理論・行動心理学など)
– テスト変数:何を変えるか(A:現状、B:変更案)
– 計測指標:何で効果を測るか
– 優先度:高・中・低(影響度×実装コストで判断)
出力例(抜粋)
📥 入力
ページ:SaaSの料金ページ
課題:プランページからの申込率が低い
ターゲット:中小企業の決裁者
📤 AI生成の仮説(例)
仮説:推奨プランを視覚的に強調することで申込率が上がる
根拠:アンカリング効果により、比較対象があると中間選択肢が選ばれやすい
変数:A:3プラン均等表示 → B:中間プランを「おすすめ」バッジ付きで強調
指標:各プランのCTAクリック率
優先度:高
プロンプト②「A/Bテストの優先順位を判断させる」
仮説が複数あるとき、どれから検証すべきか迷います。AIにICEスコア(Impact・Confidence・Ease)で整理させましょう。
📝 PROMPT
【テスト候補リスト】
[例:
1. CTAボタンの色をオレンジに変更
2. ヘッドラインのコピーを変更
3. フォームのステップ数を3→2に削減
4. ファーストビューに動画を追加
]
【前提条件】
– 開発リソース:少なめ(フロントエンド1名、週2日程度)
– テスト期間:最大2週間
– 目標:申込完了率の向上
ICEスコア(各10点満点)で評価してください:
– Impact(効果の大きさ)
– Confidence(確信度・根拠の強さ)
– Ease(実装の容易さ)
表形式で整理し、スコア順に並べてください。
各項目にスコアの根拠を一言添えてください。
💡 ICEスコアとは
CROの現場でよく使われる優先度フレームワーク。Impact(影響度)× Confidence(確信度)× Ease(実装容易性)の3軸でアイデアを評価し、スコアが高いものから着手します。AIはこのスコアリングが得意です。
プロンプト③「競合サイトとの比較から仮説を導く」
競合のデザインを分析して、自社サイトの改善仮説を立てさせます。
📝 PROMPT
【自社サイト】
– ページの種類:[例:ECサイトの商品詳細ページ]
– 現在のデザインの特徴:[例:テキスト多め、画像は1枚、CTAは下部のみ]
– 現状の課題:[例:カートへの追加率が低い]
【競合サイト(参考にしたいもの)】
– 競合A:[例:画像カルーセル、レビュー表示、CTAが複数箇所]
– 競合B:[例:動画あり、在庫残数表示、送料無料バッジ]
差分を分析し、「競合が採用していて自社にない要素」をA/Bテスト候補として提案してください。
各提案に「なぜこれが効くか」の根拠も添えてください。
プロンプト④「テスト結果の解釈と次の仮説生成」
テスト結果が出たあと、次の打ち手を考えるのにもAIが使えます。
📝 PROMPT
【テスト概要】
– 仮説:[例:CTAボタンをオレンジにすることでクリック率が上がる]
– テスト変数:A(青ボタン)vs B(オレンジボタン)
– 計測指標:CTAクリック率
– テスト期間:2週間
– サンプル数:A群 1,200人 / B群 1,180人
【結果】
– A群クリック率:3.2%
– B群クリック率:3.5%
– 統計的有意差:なし(p値 = 0.70)
この結果から以下を教えてください:
1. 結果の解釈(なぜ有意差が出なかったか)
2. 現時点でのアクション推奨(B採用 / A継続 / 再テスト)
3. 次に検証すべき仮説(3つ)
4. サンプル数が不足している場合、必要なサンプル数の目安
プロンプト⑤「ステークホルダーへのA/Bテスト提案書を生成」
テストを始める前に、上司やクライアントへの承認が必要な場面も。AIに提案書の骨格を作らせましょう。
📝 PROMPT
【テスト概要】
– 対象ページ:[例:サービスLPのCTAセクション]
– 仮説:[例:CTAの文言を「無料で始める」→「14日間無料で試す」に変えることで申込率が上がる]
– 変更内容:[変更点の詳細]
【期待効果】
– 計測指標:[例:CTA下部フォームの申込完了率]
– 目標改善率:[例:現状2.1% → 目標2.5%以上]
【実施コスト】
– 開発工数:[例:2時間]
– テスト期間:[例:3週間]
以下の構成で提案書を作成してください:
1. 背景と課題
2. テスト仮説と根拠
3. テスト設計(A案・B案の説明)
4. 計測指標と成功基準
5. スケジュールと必要リソース
6. リスクと対策
非エンジニア・非デザイナーにも伝わる言葉で記述してください。
実務での使い方のコツ
⚠️ AIの仮説はあくまで「叩き台」
AIはサイトの実際のアクセスログやヒートマップを見ていません。生成された仮説はUX理論に基づいた一般論なので、自社のデータ(GA4・ヒートマップ・ユーザーインタビュー)と照らし合わせて取捨選択してください。
💡 ページの実データを渡すと精度が上がる
GA4の離脱率・平均滞在時間・ファネルデータをプロンプトに追加すると、AIの仮説がより具体的になります。「直帰率が80%」「フォーム到達率が5%」などの数値を添えるだけで変わります。
✅ 仮説は「1テスト1変数」が鉄則
AIが複数の変更をまとめて提案してくることがあります。でも実際のA/Bテストでは「1度に1変数だけ変える」が基本。AIの提案をそのまま使わず、テスト変数を絞り込んでから実施してください。
📌 まとめ
- 「なんとなく」の感覚をAIでA/Bテスト仮説に変換すれば、根拠のある提案ができるようになる
- プロンプト②のICEスコアリングで、複数の仮説から優先度を決められる
- テスト結果の解釈(プロンプト④)にもAIを活用すると、次の打ち手が速くなる
- GA4などの実データをプロンプトに添えると、仮説の精度が大幅に上がる
- AIの提案は叩き台。「1テスト1変数」の原則は必ず守る


