データ操作・分析システムを迅速に構築するにはどうすればよいでしょうか?

データ分析システムをいかに迅速に構築するかという問題に関して、この記事では、統計分析の対象となる業務機能の明確化、測定指標の分割/分析仮説の提案、比較データの検索、データ取得チャネルの明確化という 4 つの構築原則を示します。

製品の設計と最適化はデータに基づいており、データを超えたものです。データは製品の有効性を反映する強力な補助手段です。したがって、製品を設計して機能を反復する前に、この「更新」のためのデータ統計分析システムを事前に計画し、オンラインになった後も観察を続け、データのフィードバックに基づいてさらに製品の最適化を導くのが最善です。しかし、複雑なデータ指標や機能プロセスに直面した場合、適切なデータ測定システムをいかに迅速かつ明確に構築するかが非常に重要な課題となります。

完全なシステムを構築する場合でも、単に機能/最適化のオンライン効果を測定する場合でも、一般的には次の 4 つの手順で進めることができます。

1. 分析対象となるビジネス機能を特定する
2. 指標を分割し、分析仮説を立てる
3. 比較データの検索
4. データ収集チャネルを特定する

1. 分析対象となるビジネス機能を特定する

データは製品の効果を表現する手段です。データシステムを構築する前に、まずビジネスの種類と検証の目的を明確にする必要があります。

A. ビジネスの差別化という点では、業界分野によって重点が大きく異なります。

（１）インターネット金融の分野では、残高がゼロでないユーザーの数、ユーザーが保有する資金の量、加入量、ユーザーの富裕度指数が重要です。

（２）電子商取引業界では、購入するユーザーの数、購入する金額、購入頻度、再購入サイクルなどが重要になります。

（３）ソーシャルプロダクトは、日々のアクティブ時間、コミュニティ活動（コメント、投稿）などのユーザーアクティビティに重点を置いています。

B. シナリオ差別化という点では、機能最適化と反復検証の効果でしょうか?差別化された競争の比較分析ですか?新規ユーザーを引き付け、ユーザーを維持し、ユーザーシナリオに基づいてアクティベーションを促進することですか?それとも、失った顧客を維持するためでしょうか?

製品データ システムは、一般的に、データ統計とデータ分析の 2 つのカテゴリに分けられます。

（１）データ統計は製品機能効果とより密接に関連しており、ユーザー数、DAU、MAU、ユーザー購入金額など、特定の製品指標を測定するために使用されます。

（２）データ分析は、製品パスプロセス分析、問題発見、反復ガイダンス、運用効果フィードバックなどのシナリオでより多く使用されます。

ビジネスや目標が異なれば、測定にどのデータ指標を選択すべきかが決まります。

2. 指標を分割し、分析仮説を立てる

ビジネスシナリオと統計・分析の目的を明確にした後、次のステップは適切な測定指標の分割を続けることですが、データ分析のニーズについては、その前に分析仮説を提案することも必要です。次の例は、次のことを示しています。

A. 製品機能のコンバージョン率を分析する

コンバージョン率は一般的に登録コンバージョン率、サブスクリプションコンバージョン率、シナリオユーザーコンバージョン率、エントリーコンバージョン率などに分けられ、「ユーザーが特定の商品のファンになる」というプロセスを指します。

さらに細かく分類すると、コンバージョン率チェーンの主要データは、露出 UV → クリック UV → コンバージョンしたユーザー数となり、「ユーザーが見る → ユーザーが興味を持ち試す → ユーザーがコンバージョンする」という行動に相当します。

コンバージョン率を分析の文脈に当てはめます。一般的に、次の 2 つの目標があります。

（１）特定の商品・業務プロセスのコンバージョン効果に注目し、新規ユーザーの接触から最終的なコンバージョン成功までのコンバージョン率を算出し、ファネルモデルを用いてコンバージョン率データを表現する。

（２）複数のチャネルや複数の入口からアクセスされる商品や、A/Bテスト中の商品機能については、複数のチャネルや複数の入口のコンバージョン率を比較し、各パスの有効性を比較する必要がある。

B. ユーザーアクティビティ分析を通じて製品の最適化の方向性を導く

アクティビティ指標は、ユーザーのログイン/訪問頻度、シーン設定頻度、サブスクリプション/購入頻度、インタラクション頻度などに分けられ、主にユーザーの製品に対するリテンションとアクティビティに注目します。たとえば、ユーザーは過去 30 日間に 10 回ログインし、過去 90 日間に 30 回のサブスクリプション行動を起こしました。

一部の製品/機能がリリースされた後、ユーザーは試用姿勢でコンバージョンしますが、数回使用した後に離脱してしまいます。次の段階の作業の焦点は、ユーザー維持率の向上にあることを明確にすることができます。逆に、ユーザー維持率が高い製品もありますが、詳しく見てみると、ほとんどのユーザーが非アクティブであることがわかります。つまり、次の段階の作業では、ユーザーをアクティブ化することに重点が置かれることになります。

C. ユーザーの健全性の監視

ある意味では、製品の健全性はその活動と重なり合っており、一部の広い概念には健康における活動が含まれる場合があります。

たとえば、ARPU 値、ユーザーのモビリティ、ユーザーのアップグレード速度、メンバーシップ システムによるアップグレードなどは、すべて製品の健全性を測る指標です。

会員制におけるユーザーのアップグレードとアップグレードの速度を例に挙げると、会員制を設計する際、データシステムの構築には、事前の計画と計算、プロセス中の検証と追跡、事後調整の 3 つの段階が必要です。会員規約は一度公開されると簡単に調整することが難しいため、事前の計画や計算には通常多くの時間と労力がかかります。したがって、第 3 段階での調整は可能な限り避ける必要があります。

メンバーシップ システムは、アップグレードと降格の曲線に適合する必要があります。一般的な効果としては、アップグレードは簡単なものから難しいものへと始まり、ダウングレードには一定のバッファー値があります。アップグレードが速すぎてダウングレードが遅すぎると、システム障害や維持できないコストなどのリスクが生じます。アップグレードが遅すぎてダウングレードが速すぎると、ユーザーは購入せず、定着率も上がりません。アップグレードとダウングレードの速度は、製品の健全性を反映します。

D. ユーザー離脱ノード分析

多くの製品が一定期間オンラインになった後、解約率がどんどん高くなっていることがわかります。このとき、リンク全体でユーザーの解約ノードに注目してください。ユーザーはどの段階で主に解約し始めるのか、ユーザーの解約が集中する時点はいつなのか、解約ノードから始めて製品を最適化し、適切に解約ユーザーを保持して漏れを塞ぐなどの操作を行うことができます。

例えば、相互金融プラットフォームの固定投資機能を使用する場合、観察と分析の後、最初の控除の前後にユーザーの解約率が最も高く、控除のピーク時に解約のピークが伴うことがわかります。考えられる理由は次のとおりです。

• 控除前：ユーザーは何か新しいことに挑戦するつもりでプランを設定し、控除（実際の資金の動き）が発生する前にタイムリーに固定投資を終了して「損失を止めよう」としたり、控除に対する安心感を欠いたりする可能性があります。
• 引き落とし後：資金の安全性と流動性に懸念があり、引き落とし日に銀行カードの資金が十分であるという保証はなく、資金不足により引き落としが失敗することがあります。

考えられる問題が見つかったら、それに応じたユーザー教育とガイダンスを実施して、解約率を下げることができます。水槽には複数の穴があります。そのうちの 1 つまたは複数の穴を塞ぐと、水の損失速度は自然に遅くなります。

E. 潜在的なユーザー像を想定して立ち上げ、検証する

製品がユーザーにリーチする際、コンバージョン率などのさまざまな指標を向上させるために、常に潜在的なターゲットユーザーが選択されます。しかし、「ターゲットユーザー」とは何者で、ユーザーの年齢はどれくらいなのでしょうか?ユーザーはどこにいますか?ユーザーはどのくらいの頻度でオンライン決済を行っていますか?複数の配信試行を通じて要約する必要があります。複数の変数を想定し、潜在的なターゲットユーザーのポートレートを調整することで、ユーザーパッケージを抽出して到達できます。複数の配信チャネル間のデータの違いを比較して、検証の目的を達成できます。

3. 比較データを探す

比較を行わずに効果指標を評価することは、不正行為に過ぎません。製品を発売する際、製品マネージャーは製品の長所と短所を確認し、評価と結論を出す前に結果を比較するための適切な参照を見つける必要があります。

たとえば、コミュニティ製品のリリース以来、合計 100 万人のユーザーがおり、1 日あたり平均 80,000 人のアクティブ ユーザーがいます。

このデータは良いものでしょうか、それとも悪いものでしょうか?比較と測定の基準を見つける必要があります。競合他社と比較して、当社のアクティブ ユーザーのレベルは高いと考えられますか?過去の1日平均アクティブユーザー数5万人と比較すると、明らかな改善が見られます。

したがって、製品のオンラインパフォーマンスデータを取得した後、ターゲットとして対応する製品を見つける必要があります。このターゲットは、競合他社、過去の経験データ、または業界のデフォルト標準である可能性があります。

4. データ収集チャネルを明確にする

データ測定システムを計画した後、次のステップは、製品がオンラインになる前にデータを収集し、製品がオンラインになった後にデータソースを取得することです。コンバージョンデータのクリックストリーム、ユーザー属性チャネル番号、フィードバックサンプリングアンケート、広範で普遍的なサードパーティなど、一連のヒントがあります。

A. コンバージョンデータクリックストリーム

ユーザーのログイン訪問、購入、その他の製品パスの変換データを見るとき、統計分析ディメンションとしてユーザー数が選択されることがよくあります。このとき、比較的単純なクリックストリーム埋め込みを使用すると、一般的にニーズを満たすことができます。主に製品プロセスの各ステップでユーザー数をカウントすることで、ファネルモデルを形成できます。

B. ユーザー属性チャネル番号

サブスクリプション金額、購入数量と金額、コメントインタラクションなどのユーザー属性があるシナリオでは、さらに深く掘り下げる必要があります。このとき、チャンネル番号などのマーカーでユーザーに「ラベル」を付けると、ユーザーのその後の行動の追跡と監視が容易になります。

C. フィードバックサンプリングのためのアンケート

場合によっては、ユーザーの行動の理由を探り、ユーザーの主観的な操作意図を理解し、ユーザーのフィードバックを得る必要があります。上記の純粋に客観的なデータから適切なガイダンスを導き出すことは困難です。この場合、アンケートを実施することを選択できます。十分なフィードバック質問のサンプルデータを取得できます。

D. 広く適用可能な第三者

Umeng、TalkingData、WeChat Index、Baidu Indexなどのサードパーティのデータプラットフォームがあり、大規模な業界や大規模な分野のデータを監視するのに適しています。たとえば、WeChat Index を通じて、特定の単語の最近のオンライン検索数、前月比の増減、比較語の追加などを知ることができます。

方法論を説明した後でも、まだ少し混乱しているように感じますか?例を挙げてみましょう:

ラッキンコーヒーのブランドポジショニングは「職場のコーヒー」と「社交のコーヒー」に重点を置いているため、顧客獲得の初期段階では、さまざまなビジネス地区にオフラインのパイロット店舗を設立し、さまざまな優遇特典を利用してアプリのダウンロードを促進し、ユーザーの共有を刺激して顧客を獲得しました。この段階でデータ分析を実行する場合は、分析の目的を明確に定義する必要があります。

1. さまざまなオフラインショッピング地区のパイロット効果
2. 職場のコーヒーに対するユーザーの要望と期待
3. アプリプロモーション効果/ソーシャルコーヒーマーケティング分裂効果

上記の 3 つの点に基づいて、対応する分析仮説をさらに提案し、測定指標を見つけて分割することができます。

1. IT ホワイトカラーのオフィス街にある店舗は、都心のビジネス街にある店舗よりも業績が良く、テイクアウト店の売上は店内飲食店舗の売上よりも高い。
2. 注文のピーク時間は正午の13:00～14:00と午後の15:00～17:00です。テイクアウト注文は30～40分以内に配達されるのがユーザーの心理的期待と一致しており、30分以内であれば期待を上回ることもあります。職場のホワイトカラーはアメリカンスタイルを好み、女性はレナアイスシリーズなどを好む傾向があります。
3. ソーシャルシェアリングプロモーションの目標は、既存ユーザーの平均シェアが週 3 回、新規ユーザーの平均コンバージョン率が週 3 回、平均購入が週 3 杯、再購入率が 60% 以上などです。

上記の分析の仮定を考慮して、データの比較をより客観的に行うために、上記の仮定をさらに抽象化して、次のようなデータ測定指標を作成できます。

1. 各パイロット店舗の販売実績を、1日あたりの平均販売杯数、コーヒーの種類別販売量（価格）、各商圏のテイクアウト店とイートイン店の販売量で計測し、投資の拡大・縮小の判断に役立てます。
2. コーヒー購入に関するユーザープロファイル属性データを収集し、性別、年齢、購入期間、カテゴリーの好み、配達注文に関する顧客フィードバックなどを照合して、ビジネスの主な顧客グループを選別し、ドリンクやサービスの詳細を改善します。
3. データ埋め込み方式を使用することで、顧客のアプリUV/PV、購入したコーヒーの杯数、クーポンリンクの共有回数、共有リンクをクリックして登録した新規ユーザーの数、登録後1週間以内に2回目の注文をしたユーザーの割合などを追跡できます。アプリの注文コンバージョン率、共有率、共有クリックスルー率、既存顧客から新規顧客へのコンバージョン数、再購入率などのデータを取得でき、正確かつ客観的に比較できます。

多くの人が Luckin Coffee を使って Starbucks と Lian Coffee を比較し、この 3 つを競合比較として使用しています。同様に、ラッキンコーヒーが提出したデータの品質を測定する方法は、スターバックスとリアンコーヒーの関連事業のデータ、例えばスターバックスの店舗の1日当たりの売上高と1日当たりの売上高、スターバックスの売上高とギフトカードの配布量などを比較し、2つのデータを比較して結論を​​導き出すことで実現できます。

データシステム構築の4ステップルールに従って、製品がオンラインになる前と後に製品データの統計分析を事前に行うことができるため、検証効果と機能の最適化を開始するのが難しくなくなります。

著者: 網をすり抜けた魚

出典: 網をすり抜けた魚