80/20ルールは「成果の約8割は、原因の約2割から生まれる」という経験則で、パレートの法則とも呼ばれます。Webサイトでは、一部のページにアクセスが集まる、一部の検索クエリがクリックの大半を占める、一部の顧客が売上の大半を占める、という形で現れます。
ただし、実際のデータで比率がぴったり80対20になることはまれです。ja.wikipediaの1時間分の閲覧データで測ると、上位20%のページが占めた閲覧は69.1%でした。しかも集計対象に何を入れるかで、この数字は64.9%にも95.3%にも動き、同じ日でも1時間分と24時間分では66.6%と85.3%に分かれます。この記事では、80/20ルールをWebマーケティングで使うときの測り方と打ち手の分け方、使うべきでない場面を、公開データの実測と一次情報をもとに整理します。法則そのものの成り立ちや262の法則との違いはパレートの法則とは?身近な例と80:20が成り立つ条件で詳しく扱っています。
まとめ:80/20ルールをWebで使うときの要点
- 80/20ルールは「少数の原因が結果の大半を生む」という偏りの経験則で、80と20は目安です。Webの公開データでも上位20%のシェアは6〜7割台から9割超まで幅があります。
- 比率は集計対象で大きく変わります。「閲覧されたページ」の実測と、別時点の記事数までゼロの行を追加した仮想集計とでは、ja.wikipediaの上位20%のシェアは69.1%から95.3%に変わりました。集計期間を同じ日の1時間から24時間に延ばしても66.6%から85.3%に上がります。比率を報告するときは集計対象と期間を必ず書きます。
- 自社サイトでは、Search Consoleのクエリ・ページ別クリック数と、GA4のページ別表示回数・キーイベント数を書き出し、累積比率を計算すれば上位の範囲がわかります。合計の80%・95%を境にA・B・Cの3区分に分けると、打ち手を区分ごとに決められます。Search Consoleの画面からの書き出しは1,000行で打ち切られるので、行数の多いサイトはAPIで取得範囲を広げます。
- 上位ページは「守る」、表示は多いが成果の少ないページは「導線を直す」、下位で内容と役割が重なるページは「統合する」と、区分ごとに打ち手を変えます。下位ページにも閲覧があるため、一括削除の前に自社データで下位の閲覧シェアと各ページの役割を確認します。
- 新しい施策のように当たりの2割が事前にわからない場面、ロングテールの合計で稼ぐサイト、短期間のデータ、コンバージョン率のような比率の指標には、80/20ルールをそのまま当てはめないほうが安全です。
80/20ルールの意味と「80」「20」の読み方
80/20ルールは、品質管理の分野でジョセフ・ジュランが「重要な少数と些細な多数」として広め、経済学者ヴィルフレド・パレートの所得分布の研究にちなんで名付けられた経験則です。ビジネス書ではリチャード・コッチの『人生を変える80対20の法則』(増補リニューアル版はCCCメディアハウス)が知られており、コッチは同書の二〇周年記念版への序文で、これまで70対30から90対10の幅に収まっていた偏りが、最近は90対10、さらには99対1へ移りつつあると述べています(ニューズウィーク日本版 2018年10月24日掲載の抜粋)。
読み方で迷いやすいのは次の4点です。
- 80と20は別の集団の割合:20は「原因側(ページ・顧客・商品)」の割合、80は「結果側(閲覧・売上)」の割合です。分母が別なので、足して100になる必要はありません。上位10%で70%を占める場合も同じ種類の偏りです。
- 80:20、8:2、2:8は同じ考え方の表記ゆれ:どちらを先に書くかの違いで、意味は変わりません。
- パレート最適とは別物:経済学のパレート最適(誰かを不利にせずには誰も改善できない状態)は、偏りの経験則とは関係のない概念です。
- 計算式や8020運動とも別物:「80/20」「80÷20」で計算結果を探している場合、80÷20は4、80×20は1,600です。歯科の「8020(ハチマルニイマル)運動」は「80歳になっても自分の歯を20本以上保とう」という運動で、1989年に厚生省(当時)と日本歯科医師会が提唱しました(e-ヘルスネット「8020運動とは」)。どちらも80/20ルールとは関係がありません。
Webサイトで偏りが現れる5つのデータ
Webマーケティングで80/20ルールを使うときは、まず「何を原因側に、何を結果側に置くか」を決めます。よく使う組み合わせは次の5つです。
| データ | 原因側(上位20%を探す) | 結果側(80%を占めるか見る) | 主な取得元 |
|---|---|---|---|
| ページ別アクセス | ページ | 表示回数 | GA4 |
| 検索流入 | 検索クエリ・ページ | クリック数 | Search Console |
| 成果 | ページ・流入元 | キーイベント数 | GA4 |
| 顧客と売上 | 顧客 | 売上・粗利 | EC・CRMの注文データ |
| 投稿・参加 | 利用者 | 投稿・レビュー数 | コミュニティの投稿ログ |
Webのデータにも、80対20より強い偏りを示す調査例があります。ただし、次の2つは対象も指標も異なるため、Web全体に共通する比率としては扱えません。Ahrefsが自社インデックスの約140億ページを対象にした2023年の調査では、96.55%のページがGoogleからの推定流入ゼロ、1.94%が月1〜10訪問でした(Ahrefsの調査記事)。投稿の偏りについては、Nielsen Norman Groupが2006年に示した90-9-1ルールがあり、オンラインコミュニティ利用者の90%は投稿せずに読むだけ、9%がときどき投稿し、1%が投稿の大部分を占めるとしています(Participation Inequality)。
顧客と売上の偏りは、ヘビー・ミドル・ライトに分ける量層分析とは?ヘビー・ミドル・ライトの区切り方と、層が入れ替わる実態で、公開の購買データを使った実測とあわせて扱っています。
公開データで測った集中度:ja.wikipediaの上位20%は69%
「Webのアクセスは本当に80対20なのか」を確かめるため、誰でも取得できるWikimediaのページビュー公開データで実測しました。Wikimediaは、このデータについて検出できる限りのスパイダーとボットを除外していると説明しています(Wikitech: Pageviews)。
ja.wikipedia閲覧データの集計条件と集中度
対象はdumps.wikimedia.orgの時間別ファイル pageviews-20260915-030000.gz と pageviews-20260916-030000.gz です。公式の説明ではファイル名の時刻(UTC)は集計期間の終わりを指すため、対象は各日02:00〜03:00 UTC(日本時間11時台)の1時間分です。ja.wikipediaのデスクトップサイトとモバイルサイトの閲覧をタイトルごとに合算し、MediaWiki APIで取得した名前空間一覧(ノート・利用者・Template・Categoryなど)に当たるページとメインページを除外しました。残りは標準名前空間のページで、リダイレクト名で閲覧されたものも含みます。
| 項目 | 9月15日 | 9月16日 |
|---|---|---|
| 閲覧されたページ数 | 369,568 | 346,425 |
| 閲覧合計 | 1,384,658 | 1,269,738 |
| 上位1%のシェア | 28.1% | 23.5% |
| 上位10%のシェア | 56.7% | 54.1% |
| 上位20%のシェア | 69.1% | 67.2% |
| 閲覧の80%に必要なページの割合 | 36.0% | 37.8% |
上位20%のシェアは2日とも6割台後半で、80%に届くには上位36〜38%のページが必要でした。80対20という数字は、この規模のサイトでもそのままは当てはまりません。一方、1時間に1回しか閲覧されなかったページが全体の5割強(53.1%と51.2%)あり、閲覧の偏り自体ははっきり出ています。
集計対象の違いによる上位20%シェアの変化
同じ9月15日のデータでも、集計対象を変えると上位20%のシェアは次のように変わります。2回以上閲覧されたページに限る行では、ページ数だけでなく、シェアの分母になる閲覧合計からも1回閲覧のページを除いています。
| 集計対象 | ページ数 | 上位20%のシェア |
|---|---|---|
| 1時間に1回以上閲覧されたページ | 369,568 | 69.1% |
| 1時間に2回以上閲覧されたページ | 173,198 | 64.9% |
| 記事数までゼロの行を追加した仮想集計 | 1,521,596 | 95.3% |
仮想集計の行は、MediaWiki APIの統計が示す記事数(2026年10月6日17:27 UTCの取得値)をページ数とし、閲覧のなかった記事を0として加えた参考値です。閲覧ゼロの記事が下位に大量に入るため、上位20%のシェアは95.3%まで上がります。閲覧側にはリダイレクト名も含まれるので、記事一覧と1対1で照合した値ではありません。自社サイトでも同じことが起きます。GA4のページ別レポートはサイト全体のURL一覧ではなく、計測されたデータに基づくため、GA4の行数を分母にした比率と、サイトマップの全URLを分母にした比率は一致しません。「上位2割で8割」と報告するときは、どちらを集計対象にしたかを書かないと、別の人が同じデータで別の結論を出します。
集計期間と閲覧方法で変わる上位20%のシェア
集計期間の長さでも比率は動きます。pageview_completeの日次ファイル pageviews-20261105-user.bz2(Wikimediaが利用者による閲覧に分類した2026年11月5日UTC分)から、同じ日の02:00〜03:00 UTCの1時間分と24時間分を、上と同じ除外条件で集計しました。日次ファイルは閲覧方法(desktop・mobile-web・mobile-app)ごとに行が分かれているため、閲覧方法別の値も出しています。閲覧方法は利用者が見たサイトやアプリの区分で、desktopが必ずしもパソコン、mobile-webが必ずしもスマートフォンやタブレットを意味するわけではありません(Wikimedia Research: Device types)。GA4のデバイスカテゴリとも別の分類です。
| 集計 | 閲覧されたページ数 | 閲覧合計 | 上位20%のシェア | 80%に必要な割合 |
|---|---|---|---|---|
| 1時間(02:00〜03:00 UTC) | 319,125 | 1,104,978 | 66.6% | 38.9% |
| 24時間 | 1,138,824 | 24,149,713 | 85.3% | 14.0% |
| 24時間・desktop | 883,338 | 7,758,874 | 77.4% | 23.1% |
| 24時間・mobile-web | 911,658 | 16,084,234 | 85.3% | 13.8% |
| 24時間・mobile-app | 132,288 | 306,605 | 56.2% | 53.6% |
同じ日のデータでも、1時間で66.6%だった上位20%のシェアは、24時間では85.3%まで上がりました。同じ期間に、閲覧1回だけのページの割合は53.0%から25.7%に下がり、閲覧されたページ数は319,125から1,138,824に増えています。1時間の上位1%(同順位を含めて30閲覧以上の3,342ページ)のうち96.2%は、24時間の上位1%(286閲覧以上の11,405ページ)にも入っていました。24時間側の集合が約3.4倍大きいため、これは顔ぶれの一致率ではなく、1時間の上位がその日の上位に含まれる割合です。閲覧方法別では、閲覧1回だけのページが59.9%を占めるmobile-appが56.2%、mobile-webが85.3%と、30ポイント近く離れています。GA4で期間やデバイスカテゴリを切り替えて集中度を比べるときも、期間の長さをそろえ、各区分の行数と合計値も並べて書きます。
ja.wikipediaの上位ページの翌日残留率
9月15日の上位1%(同順位を含めて31閲覧以上の3,811ページ)のうち、翌日の同じ時間帯にも上位1%(33閲覧以上の3,465ページ)に入ったのは58.3%でした。上位1%の閲覧シェアは28.1%から23.5%に変わり、前日の上位ページのうち約4割は翌日の上位から外れています。上位20%の境界は3〜4閲覧で、同じ閲覧数のページが数万本並ぶため、閲覧1回の差で上位にも下位にも入ります。閲覧数の少ないデータで引いた「20%の線」は、それ自体が揺れやすいものです。短い期間のデータで選んだ「上位20%」に予算や改修を固定すると、翌月には別のページを支えていることになりかねません。
自社サイトで上位20%を特定する手順
手順は「書き出す」「並べ替える」「累積比率を計算する」の3段階です。アクセス解析全体の進め方はアクセス解析のやり方|GA4で見るべき指標と改善につなげる手順を解説にまとめています。
Search Consoleのクエリ別・ページ別クリック数の取得
検索パフォーマンスのレポートで期間を決め、クエリタブまたはページタブを書き出します。画面からのエクスポートは代表的な1,000行で打ち切られます(Search Console ヘルプ)。1,000行を超えるデータでは、取得した行だけで計算した集中度が全体の集中度と一致するとは限らないため、Search Analytics APIで取得範囲を広げます。APIは1リクエスト最大25,000行(既定1,000行)で、それを超える分はstartRowで続きを取ります。ただしAPIでも、1プロパティ・1検索タイプあたり1日最大5万行までで、クリック数の多い順に選ばれます(Search Console API の解説)。また、2〜3か月の間に数十人程度を超えるユーザーが検索していないクエリは匿名化クエリとして表から除かれるため、クエリ別の集中度は「表に出たクエリの中での偏り」として報告します(Google検索セントラル ブログ)。
GA4のページ別表示回数・キーイベント数の取得
GA4では「エンゲージメント」の「ページとスクリーン」レポートで、ページごとの表示回数とキーイベント(旧コンバージョン)を確認できます。ディメンションは「ページパスとスクリーン クラス」を選びます。「ページタイトルとスクリーン クラス」のままだと、同じタイトルを持つ別URLが1行にまとまります。期間は曜日の偏りを抑えるため28日を一つの目安にし、件数の少ないサイトや季節性のある商材では延ばします。前の期間と集中度を比べるときは、期間の長さをそろえます。レポート右上の「このレポートを共有」から「ファイルをダウンロード」を選ぶとCSVで書き出せますが、ファイルに含まれるのは最大10万行です(アナリティクス ヘルプ)。表示回数とキーイベント数の両方を残します。ただし、ページ別のキーイベント数はそのページで発生したイベントの集計で、別の完了ページで発生した成果への貢献は直接示しません。
累積比率とA・B・C区分を計算するコード
書き出したCSVを、次のPythonスクリプト(標準ライブラリのみ)に渡すと、上位5%・10%・20%のシェアを出し、各行をA(合計の80%に届くまで)・B(95%に届くまで)・C(残り)に区分します。3つ目の引数に出力先を指定すると、元の列に累積比率と区分を足したCSVを書き出します。GA4のCSVの先頭にある「#」で始まる説明行、空行、総計行は読み飛ばす作りです。1ページ(または1クエリ)につき1行になっていることを確認し、列名は見出しに合わせて指定します。値は0以上の数値である必要があり、負の値(返品で粗利がマイナスになった商品など)、空欄、数値でない値があると計算せずに止まります。上位の行数はPythonのroundで最も近い整数に丸め、最低でも1行です。同順位でも指定行数や区分の境で区切るため、同順位をすべて含めた上位集合とは異なります。80%・95%の境は在庫管理のABC分析でも使われる区切り方の一例で、自社の打ち手の数に合わせて変えてかまいません。
import csv
import math
import sys
# 使い方: python3 concentration.py pages.csv 表示回数 [区分つき出力.csv]
# GA4のCSVにある「#」で始まる説明行・空行・総計行は読み飛ばす
path, col = sys.argv[1], sys.argv[2]
out = sys.argv[3] if len(sys.argv) > 3 else None
with open(path, encoding='utf-8-sig', newline='') as f:
lines = [l for l in f if l.strip() and not l.startswith('#')]
rows = [r for r in csv.DictReader(lines)
if list(r.values())[0] not in ('総計', '合計', 'Grand total')]
fields = list(rows[0].keys()) + ['累積比率', '区分'] if rows else []
for r in rows:
try:
r['値'] = float((r[col] or '').replace(',', ''))
except ValueError:
r['値'] = math.nan
if not math.isfinite(r['値']) or r['値'] < 0:
raise SystemExit(f'0以上の数値でない値があります: {r[col]!r}')
rows.sort(key=lambda r: r['値'], reverse=True)
total = sum(r['値'] for r in rows)
if not rows or total == 0:
raise SystemExit('データが空、または合計が0のため計算できません')
for frac in (0.05, 0.10, 0.20):
k = max(1, round(len(rows) * frac))
share = sum(r['値'] for r in rows[:k]) / total
print(f'上位{frac:.0%}({k}行): {share:.1%}')
# 区分: A=合計の80%に届くまで / B=95%に届くまで / C=残り
acc = 0
for r in rows:
before = acc / total
acc += r['値']
r['累積比率'] = f'{acc / total:.4f}'
r['区分'] = 'A' if before < 0.80 else 'B' if before < 0.95 else 'C'
for g in 'ABC':
sub = [r for r in rows if r['区分'] == g]
part = sum(r['値'] for r in sub) / total
print(f'区分{g}: {len(sub)}行(全体の{len(sub) / len(rows):.1%})'
f' 合計の{part:.1%}')
if out:
with open(out, 'w', encoding='utf-8-sig', newline='') as f:
w = csv.DictWriter(f, fieldnames=fields, extrasaction='ignore')
w.writeheader()
w.writerows(rows)
順位nのページの表示回数をround(10000÷n)とした500ページの試験データで実行すると、上位20%のシェアは76.4%で、区分Aは129行(全体の25.8%)で合計の80.1%、区分Bは227行で14.9%、区分Cは144行で5.0%でした。合計が0のデータ(キーイベントが1件もない期間など)では計算せずに止まります。Excelで同じことをするなら、数値列を降順に並べ、累積和を合計で割った列を作り、1つ上の行の値が0.8未満ならA、0.95未満ならB、それ以外をCとします。グラフで見せたいときは、棒と累積比率の折れ線を重ねたパレート図とは?エクセルでの作り方と読み方、ABC分析との関係を解説の形にします。
上位20%と下位80%への打ち手の分け方
A・B・Cに分けたら、表示回数と成果の2軸で区分します。ただし、別の完了ページで成果が発生する場合は、そのページ自身のキーイベント数だけで成果の大小を判断せず、完了ページへの遷移や購入・問い合わせまでの経路を確認してから打ち手を決めます。
| 区分 | 見分け方 | 打ち手 |
|---|---|---|
| 上位で成果も多い | 表示・キーイベントとも上位 | 守る(既存の検索意図を壊さない) |
| 上位だが成果が少ない | 表示は上位、キーイベントは下位 | 導線・CTA・フォームを直す |
| 表示は多いがクリックが少ない | Search Consoleで表示多・CTR低 | タイトルと説明文を直す |
| 下位で内容が重なる | 同じ意図で内容が重複し独自の役割がない | 統合を検討し旧URLをリダイレクト |
| 下位で固有の意図を持つ | 少数でも固有のクエリで表示 | 残す(ロングテールとして扱う) |
工数は、閲覧が多く、導線上の課題が確認でき、見込める成果の増分に対して改修の負担が小さいページから配分します。閲覧があるページでも、効果を判断できるまでの期間は成果の発生件数と改善幅で変わります。改善の進め方はLPOとは?LP改善で最初に触る要素と検証の順序・効かない場面の見極めが参考になります。区分ごとの集計から改善の優先順位づけまでを外部に任せる場合は、Webコンサルティング・アクセス解析で対応しています。
下位80%の一括削除は避けます。ja.wikipediaの実測では、上位20%以外のページが1時間分で閲覧の30.9%、24時間分でも14.7%を占めていました。サイトによってこの割合は違うため、削除の前に自社データで下位の閲覧シェアと各ページの役割を確認します。統合を検討するのは、内容と役割が重なっているページです。同じクエリで自社の複数ページが表示されているかの調べ方はキーワードカニバリゼーションとは?発見手順と統合・分離の判断基準を解説で扱っています。独自の役割がある下位ページも、情報の古さや導線の問題が確認できれば改善対象にします。
ファーストビューとスクロールに80/20を当てはめるときの注意
「閲覧時間の8割はファーストビューに集中する」という説明は、古い調査の数字です。Nielsen Norman Groupの2010年の調査では、閲覧時間の80.3%がファーストビュー内でしたが、これは1,024×768の画面で21人が541ページを見たデータです(NN/g 2010年調査)。同社が2018年に1,920×1,080の画面で120人・13万件超の視線データを分析した調査では、ファーストビュー内は約57%、最初の2画面分で74%でした(NN/g 2018年調査)。
どちらの調査でもファーストビューを境に注目が急に落ちる形は同じですが、比率は8割から6割弱に下がりました。重要な情報をファーストビューに置き、続きの判断材料へ誘導する設計が考えられます。ただし、2018年のデスクトップ調査の比率を、現在の全端末に共通する基準としては扱えません。ファーストビューの要素の決め方はヒーローエリア(ヒーローセクション)とは?役割・ファーストビューとの違い・デザインと実装、そのページがセッションの最後になった割合(離脱率)の調べ方は離脱率とは?計算式・直帰率との違いとGA4での出し方、平均値の見方で扱っています。
80/20ルールを使うべきでない場面
80/20ルールは「すでに起きた偏りを見つける」ときに役立ちますが、次の4つの場面では判断を誤らせます。
- 当たりの2割が事前にわからない新施策:Microsoftのオンライン実験を分析したKohaviらの2009年の論文では、主要指標の改善を狙って設計した実験のうち、実際に改善したのは約3分の1でした(Online Experimentation at Microsoft)。どの施策が2割に入るかは試すまでわからないため、最初から絞り込むより、小さく試して結果で選ぶほうが確実です。検証の設計はABテストとは?必要サンプル数の計算コードと検証期間・判定を誤らせる条件を参照してください。
- ロングテールの合計で稼ぐサイト:品揃えの多いECや、多数の記事で検索流入を集めるメディアでは、下位の合計が収益の柱になります。偏りを前提にした絞り込みとの違いはロングテール戦略とは?パレートの法則との違いと成立条件をデータで解説で整理しています。
- 期間が短いデータ:上の実測では、ja.wikipediaの上位1%の顔ぶれが1日で約4割入れ替わりました。季節性のある商材では、少なくとも前年同月と比べてから上位を決めます。
- コンバージョン率のような比率の指標:80/20ルールは、足し合わせられる量(表示回数・売上・件数)の偏りを見る道具です。率は足し合わせられないため、「CVRの8割が2割のページから」という読み方は成り立ちません。率で並べたいときは、分子(キーイベント数)で偏りを見てから率を確認します。
よくある質問
80/20ルールとパレートの法則は同じものですか?
同じ経験則を指します。80/20ルール、80対20の法則、2:8の法則はいずれもパレートの法則の別名です。法則の由来や262の法則との違いはパレートの法則とは?身近な例と80:20が成り立つ条件で詳しく解説しています。
80と20を足して100になるのは偶然ですか?
偶然です。20は原因側(ページや顧客)の割合、80は結果側(閲覧や売上)の割合で、分母が別です。上位10%で70%を占める、上位36%で80%を占める、といった組み合わせも同じ種類の偏りです。
Webサイトのページは上位何%を優先して改善すべきですか?
固定の割合はありません。表示回数の累積比率を計算し、合計の80%に届くページ数を確認してから決めます。ja.wikipediaでは1時間分で上位36〜38%、24時間分では上位14.0%が必要で、集計期間でも変わります。そのうえで、表示が多く、成果までの導線に課題があり、見込める改善効果に対して改修負担が小さいページから手を付けます。
アクセスの少ない下位80%のページは削除すべきですか?
一括削除はすすめません。ja.wikipediaの実測では、上位20%以外の合計が1時間分で閲覧の約3割、24時間分でも約15%を占めました。自社サイトの下位ページについては、固有の検索クエリで表示されているかもSearch Consoleで確認します。同じ検索意図のページが重なっている場合は、内容と役割を確認し、統合先で必要な情報を残せるものだけを統合してリダイレクトします。
「ファーストビューで8割が決まる」は正しいですか?
近い数字としては、Nielsen Norman Groupの2010年調査で閲覧時間の80.3%がファーストビュー内だった例があります。測ったのは閲覧時間の配分で、成果の8割がファーストビューで決まることを示した調査ではありません。2018年の同社調査ではファーストビュー内の閲覧時間は約57%でした。両調査ともファーストビューに注目が集まりましたが、8割という数字を現在のサイトや端末へ一律に当てはめることはできません。