この記事は【ランメトリックス完全ガイド】の中の1記事です。セットアップから活用・AI連携まで、全体を知りたい方はこちら。
突然ですが、こんな悩みありませんか？
- 「3万円の最新カーボンシューズを買ったのに、タイムが全然縮まらない」
- 「自分のランニングフォームが良いのか悪いのか、誰も教えてくれないから分からない」
- 「サブ4、サブ3.5に向けて、具体的にどんな練習をすればいいか迷走している」
もしあなたが今、こんな悩みを抱えているなら、少しだけ立ち止まって聞いていただきたいのです。
正直に言います。私も以前はそうでした。
「道具（シューズ）を変えれば速くなる」と信じて疑わなかった時期があります。
ですが、今の私は断言できます。
ランスパ今すぐ投資すべきは足元のシューズではありません。腰につけるセンサーです。
私はCASIOとASICSが共同開発したモーションセンサー「Runmetrix（ランメトリックス）」を使い続け、自分のフォームを徹底的に数値化しました。その結果、湘南国際マラソンのタイムは劇的に改善しました。
| 時期 | タイム |
|---|---|
| 2024年12月 | 4時間05分24秒 |
| 2025年12月 | 3時間54分14秒 |
たった1年で11分10秒の短縮です。
らびぃ11分も！！
のろりん僕も早くなりたい
なぜシューズを買い換える以上にRunmetrixが効果的なのか。実際のデータをお見せしながら解説します。
ランスパサクッと読めるので最後までご覧ください。
ポチップRunmetrixとは
Runmetrix（ランメトリックス）は、腰に小さな端末を装着して走るだけで、ピッチ、ストライド、上下動、骨盤の回転など、自分では絶対に見えない「フォームの指標」をアプリで可視化してくれるデバイスです。
GPSウォッチで分かるのは「ペース」と「距離」という「結果」だけです。
対してRunmetrixは、その結果を生み出している「原因（フォーム）」を教えてくれる唯一のツールなんです。
※詳細な機能や使い方は、以前のレビュー記事を参照してください。
「3万円のシューズ」より先に、Runmetrixを買うべき決定的な理由
ランナーなら誰しも、最新の厚底カーボンシューズには心が踊りますよね。履くだけで速くなれる魔法の靴に見えるからです。
ただ、Runmetrix歴3年で今年使い倒した今、あえて言わせてください。「その投資、順序が逆なんです」と。
ランスパ理由は３つあります
1. シューズは「消耗品」、フォームは「資産」
どれだけ高機能なシューズも、600km〜800kmも走れば反発力を失います。買い替えが必要な、ただの「消耗品」です。
しかし、Runmetrixが教えてくれる「正しいフォーム」は違います。
私がこの1年で手に入れた「ピッチ184spmのリズム」や「上下動8.0cmの省エネ走法」は、シューズを脱いでも私の身体に残っています。
ランスパ一度身につけた技術は、一生使える「資産」になるのです。
3万円を払って「半年で消える反発力」を買うのか、それとも「一生モノの技術」を手に入れるのか。投資対効果で考えれば、答えは明白ですよね。
らびぃ一生モノがいいに決まってるじゃん
2. 「悪いフォーム」×「高機能シューズ」は怪我の元
これが一番怖いことです。
1年前の私のような「ドタバタ走り」のランナーが、もし高性能なカーボンシューズを履いていたらどうなっていたでしょうか？
強烈な反発を制御しきれず、間違いなく膝や足首を壊っていたと思います。
のろりん心当たりがある…
Runmetrixは、速くなる以前に「怪我をせず走り続けるための身体の使い方」を可視化してくれます。
自分のフォームがいかに未完成かを知らずにドーピングのような靴を履くのは、無免許でF1カーに乗るようなものです。
3. フォームが変われば、安い靴でも「速い」
今回のデータ比較が証明している通り、私のタイムは劇的に縮まりました。
ですが、それは魔法の靴のおかげではありません。接地時間を短くし、ピッチを上げたことで、「自分のエンジン（身体）」そのものが高性能になったからです。
エンジンが大きくなれば、タイヤ（靴）が多少安くても速く走れます。
本当にアップデートすべきは、足元のギアではありません。あなた自身の走りそのものなんです。
らびぃ確かにそうかも！
Runmetrixをおすすめする3つの理由
概念的な話だけでなく、実用面でのメリットも挙げておきます。私が1年間使い続けてわかった真価は以下の3点です。
1. ランニングフォームが「数値」で丸裸になる
走る男性今日は調子が良かった
困った女性なんか身体が重かった。
そんな曖昧な感覚で走るのはもう終わりにしましょう。Runmetrixは全ての感覚を冷徹なまでに数値に変えてくれます。
- 「負担の少ない接地」は何点か？
- 「骨盤」は左右対称に動いているか？
これらはアプリですぐに確認できますが、さらに踏み込んだ分析が可能です。
ASICSのWebサービス「Running Data Manager」を使えば、計測データをCSV形式でダウンロードできます。
このCSVデータこそが宝の山です。これを後述する「生成AI」に読み込ませることで、プロコーチ並みの詳細なフィードバックを得ることができます。
2. 練習の「質」が劇的に変わる
自分の弱点が数値でわかっても、「じゃあどうすればいいの？」と悩むかもしれません。そこで生成AI（ChatGPTやGeminiなど）の出番です。
CSVデータをAIに読み込ませ、「この弱点を直すためのトレーニングメニューを教えて」と聞くだけでいいのです。
私の場合は「上下動が大きい」というデータに基づき、AIから「デッドバグ（体幹トレ）」や「着地音を小さくする意識」を提案されました。
ランスパこれを愚直に実践しただけで、走りは劇的に変わりました。
3. 過去との比較ができる（これが最強）
データが蓄積されると、過去の自分と現在の自分を客観的に比較できます。
これが私の1年前（2024年）と現在（2025年）の9月〜12月シーズンの比較データです。
| 比較項目 | 2024年 (1年前) | 2025年 (現在) | 変化・成長度 |
|---|---|---|---|
| 主力ターゲット | 完走・サブ4狙い | サブ3.5狙い | 目標レベルが2段階アップ |
| 最長走行距離 | 42.30km | 42.64km | フル距離への耐性が定着 |
| ハーフ走ペース | 5分30秒 /km | 4分33秒 /km | 驚きの改善！ |
| 平均ピッチ | 174 spm | 184 spm | ブレーキの少ない高回転型へ |
| 上下動 | 9.0cm | 8.0cm | 無駄な動きが減少 |
見ての通り、別人です。
ピッチが上がり、上下動が減ったことで、同じ距離を走っても疲れなくなりました。これが私が手に入れたタイム短縮の「正体」です。
生成AIで分析をしよう
データがあっても活用できなければ意味がありません。私がやっている「AI分析フロー」を簡単に共有します。難しくありません。誰でもできます。
1日単位で分析する場合
その日の走りがどうだったかを知りたい時に行います。
【プロンプト例】
添付したランニングデータを分析してください。
特に「骨盤の動き」と「接地衝撃」に着目し、良い点と改善点を指摘してください。
その日のあなた専用のメニューが出来上がります。
らびぃ僕にできるかなぁ…
ランスパやってみると意外と簡単だよ
データを集計する場合
1ヶ月や1年単位で、傾向を知りたい時に行います。
作業は先ほどと同じ。CSVを1個づつ出力し、一つのデータにするだけです。
ただ、アシックスさんに改善要望ですが、「複数のCSV出力は本当に面倒くさい…。」です。
期間を選択して一括出力ができないので、めちゃくちゃ不便です。
のろりんなんでこんなに面倒くさいの…
個別で出力したCSVを一つのシートにまとめます。
おすすめはGoogleのスプレッドシート。なぜならGeminiと相性がいいから。分析も簡単になります。
「先月と今月で、フォームはどう変化したか比較して」
など、比較をしたい項目を入力してください。
個別との違いはデータを「蓄積させるかどうか」だけです。
蓄積すればするほど、AIのアドバイスは精度を増します。
※複数のデータを統合するならPythonが便利
正直に言うと、ASICSのRunning Data Managerは「1日単位でしかCSVが出力されない」という致命的な不便さがあります。1年分なら100ファイル以上になります。
ランスパすごく面倒くさかった
手作業で結合するのは苦行なので、私はPythonを使って一瞬で結合しています。
少し専門的になるので割愛しますが、本気で分析するならPython環境を作ることを強くおすすめします。
RunmetrixのLapを統合するコードを貼っておきます。興味がある人は使ってみてね。
# ========== 完全解決版！Runmetrix CSV結合スクリプト ==========!pip install -q pandas openpyxl chardet
import pandas as pd
from google.colab import files
import chardet
import re
from datetime import datetime
print(“🎉 準備完了！CSVファイルをアップロードしてください”)
# ファイルをアップロード
uploaded = files.upload()
csv_files =
[file for file in uploaded.keys() if file.endswith(‘.csv’)]
print(f”\n✅ {len(csv_files)}個のCSVファイルを受け取りました\n”)
# 日付を抽出する関数
def extract_date_from_filename(filename):
“””ファイル名から日付を抽出”””
pattern = r'(\d{4})(\d{2})(\d{2})’
match = re.search(pattern, filename)
if match:
year, month, day = match.groups()
return f”{year}-{month}-{day}”
return datetime.now().strftime(‘%Y-%m-%d’)
# データを格納するリスト
all_data = []
# 各ファイルを処理
for file in csv_files:
try:
# エンコーディング自動検出
with open(file, ‘rb’) as f:
result = chardet.detect(f.read())
encoding = result[‘encoding’]
print(f”📄 {file}”)
print(f” エンコーディング: {encoding}”)
# CSVを読み込み
df = None
encodings_to_try = [encoding, ‘shift_jis’, ‘cp932’, ‘utf-8’, ‘utf-8-sig’]
for enc in encodings_to_try:
try:
df = pd.read_csv(file, encoding=enc)
print(f” ✅ {enc}で読み込み成功”)
break
except:
continue
if df is None:
print(f” ❌ 読み込み失敗\n”)
continue
# ファイル名から日付を抽出
date_from_filename = extract_date_from_filename(file)
print(f” 📅 ファイル名から抽出: {date_from_filename}”)
# ★重要★ 既に「計測日」列があるかチェック
if ‘計測日’ in df.columns:
print(f” ℹ️ CSVに「計測日」列が既に存在します”)
# 既存の計測日をファイル名から抽出した日付で上書き
df[‘計測日’] = date_from_filename
else:
# 「計測日」列がない場合は、B列（インデックス1）に挿入
df.insert(1, ‘計測日’, date_from_filename)
print(f” ℹ️ 「計測日」列をB列に追加しました”)
# 「元ファイル」列を追加（既にある場合は上書き）
if ‘元ファイル’ in df.columns:
df[‘元ファイル’] = file
else:
df[‘元ファイル’] = file
# ★重要★ 「計測日」列をB列（2番目）に移動
cols = df.columns.tolist()
if ‘計測日’ in cols:
# 計測日を削除
cols.remove(‘計測日’)
# 2番目の位置（インデックス1）に挿入
cols.insert(1, ‘計測日’)
df = df[cols]
all_data.append(df)
print(f” ✅ 処理完了（{len(df)}行）\n”)
except Exception as e:
print(f” ⚠️ エラー：{e}\n”)
continue
# データを結合
if all_data:
combined_df = pd.concat(all_data, ignore_index=True)
print(“=”*60)
print(“🎉 結合完了！”)
print(“=”*60)
print(f”📊 総行数：{len(combined_df)}行”)
print(f”📁 処理ファイル数：{len(all_data)}個”)
print(f”📋 カラム数：{len(combined_df.columns)}個”)
# 列の構成を表示
print(“\n📋 列の構成:”)
for i, col in enumerate(combined_df.columns[:10], 1):
col_letter = chr(64 + i)
if i == 2:
print(f” {col_letter}列: {col} ← 📅 日付”)
else:
print(f” {col_letter}列: {col}”)
if len(combined_df.columns) > 10:
print(f” …（全{len(combined_df.columns)}列）”)
# B列の日付を確認
print(“\n📅 B列（計測日）の内容:”)
unique_dates = sorted(combined_df[‘計測日’].unique())
print(f” 期間: {unique_dates[0]} 〜 {unique_dates[-1]}”)
print(f” 日数: {len(unique_dates)}日”)
# 日付ごとの行数を表示（最初の5日分）
for date in unique_dates[:5]:
count = len(combined_df[combined_df[‘計測日’] == date])
print(f” {date}: {count}行”)
if len(unique_dates) > 5:
print(f” …（全{len(unique_dates)}日）”)
# データの最初の3行を表示
print(“\n📌 データプレビュー:”)
preview_cols = combined_df.columns[:6].tolist()
print(combined_df[preview_cols].head(3).to_string(index=False))
# 日付でソート
combined_df = combined_df.sort_values(‘計測日’).reset_index(drop=True)
print(“\n📊 日付順にソート完了”)
# 保存
combined_df.to_csv(‘combined_runmetrix.csv’, index=False, encoding=’utf-8-sig’)
combined_df.to_excel(‘combined_runmetrix.xlsx’, index=False)
print(“\n💾 保存完了！”)
print(“📄 combined_runmetrix.csv”)
print(“📊 combined_runmetrix.xlsx”)
# 統計情報
if ‘ラップ距離’ in combined_df.columns:
total_distance = combined_df[‘ラップ距離’].sum()
print(f”\n📈 総走行距離: {total_distance:.2f} km”)
print(f”📊 1日平均: {total_distance/len(unique_dates):.2f} km”)
# ダウンロード
print(“\n📥 ファイルをダウンロード中…”)
files.download(‘combined_runmetrix.csv’)
files.download(‘combined_runmetrix.xlsx’)
print(“\n✅ すべて完了！お疲れさまでした 🏃♂️”)
else:
print(“❌ 処理できるCSVファイルがありません”)
ポチップRunmetrix導入前の「よくある疑問」に答えます
私が購入前に気になっていたこと、そして実際に使ってみてどうだったかをQ&A形式でまとめておきます。
- 腰にセンサーをつけて走ると邪魔じゃない？
最初の500mで忘れるレベルです。重さは約44g。
クリップでパンツの背面に挟むだけですが、ホールド力はかなり強いです。
キロ3分台のインターバル走でも、42kmのロング走でも、ズレたり揺れたりして気になったことは一度もありません。
- 毎回スマホを持って走る必要がある？
不要です。センサー単体で計測できます。
走り出す前にセンサーのボタンを押し、走り終わったらもう一度押すだけ。
帰宅後にスマホと同期すればデータが転送されます。スマホを持たずに身軽に走りたい派の人も安心してください。
- バッテリー持ちは？
フルマラソンでも余裕で持ちます。
スペック上は連続20時間。私は週に2回走りますが、充電は週に1回です。
ランスパ購入して3年近いけど、フルマラソンで使用してバッテリーは余裕でした。
Garminユーザーこそ、Runmetrixを使うべき
この記事を読んでいる人の中には、私のようにGarmin（ガーミン）を使っている人も多いでしょう。
「時計があるのに、わざわざセンサーも？」と思うかもしれません。
のろりんなんで必要なの？
らびぃGarmin Connectでいろんなデータが取れるけど必要？
ですが、GarminユーザーこそRunmetrixを追加すべきです。
なぜならGarminは「ペース配分」や「心拍管理」には最強ですが、「骨盤がどう動いているか」「着地衝撃がどれくらいか」という詳細なフォーム解析までは教えてくれません。
- Garmin： ペース、心拍、距離を管理する「司令塔」
- Runmetrix： 走り方の質を管理する「専属コーチ」
私は左腕にGarmin、腰にRunmetrixという「二刀流」で走っています。走行中はGarminでペースを確認し、帰宅後はRunmetrixでフォームの答え合わせをする。
ランスパこの役割分担が、タイム短縮への近道なんです。
身につけるべきは、一生モノの「資産」
繰り返しになりますが、高級なシューズは600kmも走れば反発力を失う「消耗品」です。
しかし、RunmetrixとAI分析で手に入れた「正しいフォーム」は、シューズを脱いでも消えない一生モノの「資産」になります。
らびぃ本当にそうだね
私はこの1年、シューズへの投資を抑え、自分の走りを見直すことに時間を使いました。その結果が、湘南国際マラソンでの11分短縮であり、サブ3.5を狙える現在地です。
もしあなたが今、タイムが伸び悩んでいて「次のレース用シューズ」を検索しているなら、一度手を止めて考えてみてください。
のろりん僕も考えてみる
本当にアップデートすべきは靴でしょうか？ それとも、あなた自身の走りでしょうか？
私は胸を張ってRunmetrixをおすすめします。
ランスパぜひ前向きに検討してくださいね
ポチップというわけで、最後まで読んでいただきありがとうございました。データ分析やランニングのガジェットを紹介しているので、ぜひ他記事も読んでくださいね。
ではランニングギア研究所のライスパでした。またね。
