Claude CodeでサチコとGA4を読み込み、リライトすべき記事と改善案を出力する方法

• 「記事のリライトが大事だと聞いたけど、どの記事から手をつければいいかわからない」
• 「古い記事を書き直したいけど、何をどう変えればいいのか基準がない」
• 「そもそもリライトって、どれくらい効果があるの？」

自社サイトのブログを運用していると、こんな悩みが出てくると思います。記事の数が増えるほど、どこから手をつけるべきか迷いますよね。

リクトでもクライアントのサイト改善をお手伝いする中で、この悩みに何度も向き合ってきました。そこで私たちが実践しているのは、Claude Codeからサーチコンソール（以下サチコ）とGA4のデータを読み込み、「この記事にどんな人が来ているか」を分析した上で、リライトすべき記事と改善案を出力するというアプローチです。

この記事では、Claude Codeを使ったリライト候補の選び方、検索クエリからターゲット層を理解する方法、そして改善の具体的な進め方をまとめました。

ターゲット層を4つに分けて考える

リライトの方向性を決める前に、自社サイトに来ている人を整理する枠組みがあると考えやすくなります。

私たちが使っているのは、検索意図に応じた4つの層という枠組み。ざっくりした表ですが…

層	検索の特徴	行動の傾向
潜在層	「〇〇とは」「〇〇 仕組み」	知識を得て離脱。問い合わせにはつながりにくい
準顕在層	「〇〇 デメリット」「〇〇 後悔」	複数サイトを比較。不安を解消したい
顕在層	「〇〇 価格」「〇〇 見積もり」	具体的な条件を確認して行動に移す
CV達成層	ー	実際に問い合わせや購入をした人

ポイントは、記事ごとに「どの層を集めているか」が違うということです。

「〇〇とは」で検索して来る人と、「〇〇 価格」で検索して来る人では、求めている情報がまったく違います。この違いを無視してリライトすると、的外れな改善になってしまいます。

サーチコンソールの検索クエリから層を読み取る

ターゲット層は、サーチコンソールの検索クエリを見ればある程度わかります。

たとえば、あるメーカーのサイトで記事別の検索クエリを調べたところ、こんな結果が出ました。

記事A（基礎知識を解説した記事）

• 「〇〇とは」「〇〇 選び方」「〇〇 メリット」

→ 潜在層が中心。一般的な知識を知りたいだけの人が多い。

記事B（製品の口コミ・評判に関する記事）

• 「製品名 後悔」「製品名 デメリット」「製品名 評判」

→ 準顕在層。導入を検討していて、失敗しないか確認したい人。

記事C（価格に関する記事）

• 「製品名 価格」「製品名 値段」「製品名 導入費用」

→ 顕在層。具体的な費用を知って、問い合わせるかどうか判断したい人。

この分類ができると、リライトの方向性が変わります。潜在層向けの記事に価格情報を詳しく書いても響きませんし、顕在層向けの記事に「〇〇とは」の解説を長々と書いても読み飛ばされます。

GA4のユーザー属性で「CV達成層」の輪郭をつかむ

サチコの検索クエリで潜在層〜顕在層の分類ができたら、次はGA4のユーザー属性で「実際に問い合わせた人はどんな人か」を確認します。

Claude CodeからGA4のデータを読み込むと、年齢層・性別・地域別のセッション数やCV数を取得できます。

あるクライアントのサイトで調べたところ、面白い傾向が出ました。

地域	セッション数	CV数
A県（本社所在地）	多い	少ない
B都（遠方）	少ない	多い

本社のある地元よりも、遠方からのアクセスの方がCV率が高い。つまり、遠方から情報収集してサービスを検討している層が実際に問い合わせにつながっていたわけです。

この発見があると、リライトの方向性も変わります。「地元の人向け」だけでなく「遠方から検討している人」にも響く情報 ── たとえば遠隔でも相談できる旨や、全国対応の実績 ── を記事に盛り込む判断ができます。

CV数をそのまま信じてよいか？

ただし、CV数を見る前に確認しておくことがあります。順番に整理します。

まず、CVとして計測しているキーイベントの中身を確認する。

GA4では「問い合わせフォーム送信」だけでなく、「特定ページの閲覧」などをマイクロコンバージョンとしてキーイベントに設定しているサイトもあります。この場合、CV数が実際の問い合わせ件数よりもかなり大きくなります。分析の前に「本来獲得したいCVは何か」を把握し、キーイベントごとに分けて見ることが大事です。

次に、本来獲得したいCVに絞り、CV達成者がどこから入ってきたかを確認する。

Claude CodeからGA4のデータを読み込むと、キーイベントを達成したユーザーのランディングページ（最初に見たページ）や流入経路を取得できます。

たとえば、あるサイトでお問い合わせ完了のキーイベント達成者を調べたところ、こんなデータが出ました。

最初に見たページ	CV件数	判定
トップページ	9件	見込み客の可能性が高い
ショールーム紹介ページ	1件	見込み客の可能性が高い
お問い合わせフォーム直行	1件	営業メールの可能性あり

※ 件数はダミーです

トップページや事業ページを経由してからお問い合わせした人と、フォームに直行して送信した人。この違いが見えるだけで、営業メールの汚染度合いをある程度判別できます。

さらに、CV達成者が多いランディングページとそうでないページの滞在時間やページ閲覧数を比較すれば、「見込み客はサイト内でどう行動しているか」の傾向もつかめます。

こういった分析も、Claude CodeからサチコとGA4のデータを横断的に読み込んでいるからこそ、手軽にできるようになっています。

サチコ×GA4を掛け合わせるとユーザー像の精度が上がる

サチコだけだと「どんなキーワードで来ているか」はわかりますが、「来た人がどんな属性で、サイト内でどう行動したか」まではわかりません。GA4だけだと「サイト内の行動」は見えますが、「どんな検索意図で来たのか」が見えません。

この2つを掛け合わせると、たとえばこんな分析ができます。

• サチコで「〇〇 デメリット」の検索クエリが多い記事を見つける（準顕在層が来ている）
• GA4でその記事の直帰率が80%だとわかる（来たけど読まずに帰っている）
• さらにGA4のユーザー属性で、25〜34歳の男性が多いとわかる

ここまで見えれば、「準顕在層の若い男性が来ているのに、記事の内容が響いていない」という具体的な課題が浮かび上がります。リライトの方向性も「この層が不安に感じていること」に焦点を合わせればよい、と明確になります。

ただ、この分析を手作業でやるのは正直かなり大変です。サチコの管理画面でクエリを調べて、GA4に切り替えてページ別のデータを見て、さらにユーザー属性で絞り込んで……。1サイトで数時間かかることも珍しくありません。

Claude Codeで何をやっているか

リクトではこの分析工程をClaude Codeで自動化しています。Claude CodeはサチコとGA4の両方に接続できるので、2つのデータを横断した分析が手軽にできます。

具体的には、こんな流れです。

1. サチコのデータを読み込み、ページ単位の順位・表示回数・CTRを取得。リライト候補を自動抽出する
2. GA4のデータを読み込み、ページ別のエンゲージメント指標（直帰率・滞在時間）とユーザー属性を取得する
3. カニバリを自動検出。同じクエリで複数ページが表示されているケースを洗い出す
4. AI Overviewの影響を判定。月別推移データから「順位改善なのにクリック減少」のパターンを検出する
5. 各記事のクエリを分析し、軸クエリ（メインテーマ）と補助クエリ（h2で答えるべきサブトピック）を特定する
6. 提案書をWordファイルで出力。クライアントにそのまま提出できる形式にする

人間がやるのは、出てきた分析結果をもとに「この記事はどう改善すべきか」を判断すること。データの取得と分類はAIに任せ、判断と提案に集中できるようになりました。

リライト候補を選ぶ4つの基準

では、サイト内のどの記事をリライトすべきか。やみくもに「古い記事から順番に」ではなく、データに基づいて優先順位をつけてみてください。

基準1：検索順位11〜30位の「もう少し」な記事

検索順位が11〜20位の記事は、あと少しの改善で1ページ目に入る可能性があります。

検索結果の1ページ目と2ページ目では、クリック率にどれくらいの差があるか。複数の調査データを見ると、1位のクリック率は約28〜40%、10位でも約2%はあります。ところが11位、つまり2ページ目に入った瞬間に各ポジション1%未満まで落ちます。2ページ目まで見に行くユーザーは全体の1%未満というデータもあります。1ページ目にいるかどうかで、文字通りゼロとイチの差が生まれます。だからこそ、11〜20位の記事に集中するのが最も効率的です。

21〜30位の記事はすぐに1ページ目入りは難しいですが、後述する「カニバリ」が原因で順位が落ちている場合、記事の統合で一気に上がることもあります。要観察リストとして把握しておく価値があります。

基準2：表示回数が多いのにクリックされない記事

サーチコンソールで「表示回数は多いけど、クリック率（CTR）が低い記事」を探します。

たとえば、表示回数が月10,000回あるのにクリックが数回、という記事があったとします。順位は2位なのにほぼクリックされていない。これは検索結果での見え方（タイトルやスニペット）が検索者の期待とズレている可能性があります。

基準3：検索順位が下がり続けている記事

月別の推移を見て、順位が徐々に下がっている記事は要注意です。情報が古くなっているか、競合に抜かれている可能性があります。

ただし、日付だけを新しくする更新はやめてください。Googleの公式ガイドライン（有用で信頼性の高い、ユーザーを第一に考えたコンテンツの作成）でも「実質的な変更なくページの日付を更新する」ことは非推奨とされています。中身を伴わない日付の更新は逆効果になりかねません。

基準4：GA4でエンゲージメントに問題がある記事

GA4で直帰率が異常に高い記事（たとえば90%以上）や、滞在時間が2〜3秒しかない記事は、何か構造的な問題を抱えています。

ページの表示エラー、リダイレクトの問題、あるいは検索意図と記事内容の根本的なミスマッチ。数値が極端な場合は、リライトの前にまず技術的な問題がないか確認しましょう。

同じキーワードで自社の記事同士が食い合っていないか（カニバリ）

リライト候補を調べていると、思わぬ問題が見つかることがあります。同じ検索キーワードで、自社サイトの複数の記事が表示されている状態。これを「カニバリ（カニバリゼーション）」と言います。

たとえば「製品名 後悔」というキーワードで検索したとき、自社サイトの3つの記事が検索結果の8位、9位、10位にそれぞれ出ている。実際は評価が分散しているだけです。これ、意外と多いんです。

カニバリの対処法

見つかったカニバリの対処は、状況によって変わります。

• 記事を1つに統合する：3つの記事の内容を1つにまとめ、残りの2記事は統合先に301リダイレクトをかける。Googleの評価が1つに集中し、順位が上がりやすくなる。これが一番効果が大きい方法です
• 記事ごとに担当するキーワードを分ける：内容が似ているが微妙にテーマが違う場合は、それぞれの記事が狙うキーワードを明確に分けてリライトする
• 片方をnoindex化する：どうしても統合が難しい場合は、優先度の低い記事を検索結果から外す

私たちがClaude Codeでクライアントのサチコデータを分析した際も、3つの記事が同じキーワードで食い合い、全て順位5〜20位台に分散していたケースがありました。統合によって上位に順位が改善した事例も過去にあります。

AI Overviewの影響を見落とさない

2025年以降、Googleの検索結果に大きな変化が起きています。AI Overviewです。検索結果の上部にAIが回答を表示する機能で、ユーザーがサイトをクリックしなくても答えが得られてしまいます。

あるサイトの記事で、こんなデータが出ました。

時期	検索順位	クリック数
半年前	7位	約30回/月
直近	2位	約5回/月

順位が7位から2位に上がったのに、クリックは30回から5回に減っている。

原因はAI Overviewです。この記事は「〇〇の適正値は？」という質問に数値で答える内容だったので、AIが検索結果の上部で「〇〇は△△です」と即答してしまい、ユーザーが記事をクリックする必要がなくなっていました。

AI Overview時代のリライト方針

「AIが即答できる一般的な情報」だけを書いている記事は、いくら順位が高くてもクリックされにくくなっています。

では、どうするか。

自社だからこそ書ける独自の情報を追加する。これに尽きます。

• 実際のお客様の声や導入事例
• 自社で計測した数値データ
• 現場での経験から得た知見
• 比較検討に役立つ具体的なシミュレーション

AIは一般的な知識をまとめることは得意ですが、「この会社が実際にやってみた結果どうだったか」は答えられません。これはGoogleが重視するE-E-A-T（経験・専門性・権威性・信頼性）の「Experience（経験）」そのものです。

Googleの公式ガイドライン（有用で信頼性の高い、ユーザーを第一に考えたコンテンツの作成）でも、コンテンツの自己評価として「独自の情報、報告、研究、分析を提供しているか」「そのトピックについて第一人者と呼べる人物やサイトからの情報か」といった問いが挙げられています。

「第一人者」と聞くと研究者やすごい人を想像しがちですが、自社の業務で日々触れている情報 ── お客様の反応、現場で気づいたこと、実際にやってみた結果 ── これも立派な独自情報です。むしろ、それが一番強い。

リライトの方向性を決める

リライト候補が決まったら、次は「何をどう変えるか」です。

層×課題で方向性が決まる

記事が集めている層と、データから見える課題の組み合わせで方向性が決まります。

集めている層	主な課題	リライトの方向性
潜在層	AI Overviewに取られてクリックされない	一般情報は冒頭で簡潔に済ませ、自社の独自情報を本題にする
準顕在層	カニバリで順位が分散している	記事を統合し、デメリット・口コミ・対処法を1記事で網羅する
顕在層	情報の整理・追加が必要（古い情報の更新、費用感の明示、問い合わせ導線の不足など）	検索者が行動に移せるよう、具体的な情報を整え、問い合わせ導線を明確にする

やらないこと

• meta descriptionの変更だけで終わらせる：Googleはページの本文からスニペット（検索結果の説明文）を自動生成します（検索結果のスニペットを管理する）。descriptionを変えても、Googleがそれを使うとは限りません。本文の内容自体を改善することが本筋です
• キーワードを詰め込む：Googleの公式ガイド（SEOスターターガイド）でも非推奨とされています。検索者の疑問に自然に答える文章を書けば、結果的にキーワードは含まれます
• 文字数を増やすことだけを目的にする：Googleが優先する文字数はありません。検索者の疑問に過不足なく答えることが大事です

記事ごとにキーワードの「役割分担」を決める

リライトを進める上で、もう1つ大事な作業があります。サイト内の各記事が、どの検索キーワードを担当するかを明確にすることです。

これをやらないと、リライト後にまたカニバリが発生してしまいます。

ページ	担当する検索キーワード
トップページ	会社名、サービス名
記事A（統合後）	「サービス名 口コミ」「サービス名 デメリット」
記事B	「〇〇 注意点」「〇〇 トラブル」
記事C（書き換え後）	「サービス名 費用」「サービス名 料金」
記事D	「〇〇 おススメ」「〇〇 比較」
FAQ	「サービス名 費用」（簡潔な回答）

※ サービス名はダミーです

記事CとFAQが同じ「費用」キーワードで重なっているように見えますが、FAQは簡潔な回答、記事Cは費用の内訳や見積もりの流れを詳しく解説するガイド、という役割分担をしています。この棲み分けが明確であれば、カニバリにはなりません。

まとめ

リライトは「古くなった記事をなんとなく書き直す作業」ではありません。

検索データから、記事にどんな人が来ているかを読み取る。その人たちの期待に応える内容に改善する。サイト内で記事同士が食い合っていないか確認し、役割分担を整える。

手順をまとめると、こうなります。

1. Claude Codeでサチコ・GA4のデータを読み込み、リライト候補を抽出する
2. 検索クエリからターゲット層（潜在層〜顕在層）を把握する
3. GA4のユーザー属性でCV達成層の特徴をつかむ
4. カニバリが起きていないか確認する
5. AI Overviewの影響を受けていないか月別推移で確認する
6. 各記事の担当キーワードを決め、自社の独自情報を追加してリライトする
7. 潜在層→準顕在層→顕在層→CVへの引き上げ導線を設計する

リクトでは、この一連の分析をClaude Codeで行い、リライト候補の選定から改善案の作成、提案書の出力までを一気通貫で実施しています。データの取得・分類・カニバリの発見といった工程をAIに任せることで、人間は「どう改善するか」の判断と、クライアントの事業理解に集中できるようになりました。

実はこの分析プロセス自体も、Claude Codeの「スキル」という機能で仕組み化しています。「リライト提案をして」と指示すれば、サチコとGA4のデータ取得からカニバリ分析、AI Overview判定、提案書の出力までが自動で走ります。そしてこのスキルも、使うたびに改善しています。今回の記事で書いたキーイベントの確認手順や、営業メール汚染のチェック、ターゲット層の引き上げ設計なども、実際にクライアントの分析をする中で気づいた視点を後からスキルに追加したものです。

AIのスキルは一度作って終わりではなく、実務で使いながら育てていくもの。クライアントごとに業種もサイト構成も違うので、新しいパターンに出会うたびにスキルが賢くなっていく。この「使いながら育てる」感覚が、Claude Codeを業務に取り入れる面白さだと感じています。

この分析をClaude Codeで実行するには

この記事で紹介した分析をClaude Codeで再現するには、サーチコンソールとGA4への接続が必要です。接続の手順やAPIでできることの詳細は「Claude CodeでSearch ConsoleをAPIでつなげて、GA4と組み合わせてサイト分析」で解説していますので、合わせてご覧ください。

どの記事から始めるか迷ったら、「順位11〜20位で、表示回数が多い記事」から取りかかるのがおススメです。1ページ目に入ったときのインパクトが一番大きいので。

まずは手動で始めたいという方は、サチコの「検索パフォーマンス」を開いて、順位11〜20位の記事を表示回数順に並べてみるところから。それだけでも「この記事に手をつけるべきだ」という判断ができるようになります。

自社での分析が難しい場合は、お気軽にご相談ください。