データ操作：顧客ポートレートデータ分析！

データを活用して既存ユーザーのプロファイルを明確にし、さまざまな業界のユーザーの中心的な関心事を見つけ出し、ユーザーの再購入を増やすために洗練された運用を行うにはどうすればよいでしょうか。どうすればデータを明確に整理し、実際にビジネスを導くことができる指標をまとめることができるでしょうか?

ビジネス データは複雑で数も膨大です。膨大なデータから重要な指標を定義し、ユーザーの成長とコンバージョンを導くにはどうすればよいでしょうか。

データを通じてユーザーエクスペリエンス製品のコアパスを知るにはどうすればよいでしょうか?ユーザーエクスペリエンスを向上させるために製品のオンボーディングガイドを設計するにはどうすればよいでしょうか?より多くのユーザーに製品の核心を体験してもらい、 「コンバージョンの可能性が高い」ユーザーになってもらうには？

ユーザーを運用する際に、データを活用して既存ユーザーのプロファイルを明確にし、さまざまな業界のユーザーの核心的な関心事を見つけ出し、ユーザーの再購入を増やすための洗練された運用を行うにはどうすればよいでしょうか。

これらは、膨大な量のデータに直面したときに多くのオペレーターが知りたいことかもしれません。私たちは皆、データには強力な力があり、クリーンなデータは明確な前進の道を示してくれることを知っています。諺にもあるように、データを見ることができないオペレーターは良いプロダクトマネージャーではありません。データとユーザーインタビューを通じて定性・定量的に分析し、それに応じた戦略を立てて成長を導くユーザー成長プロダクトオペレーターとして、今日はデータを通じて運用能力を向上させ、運用戦略を策定するのに役立ついくつかのハードコア能力についてお話しします。

データ分析のプロセスには、データの追跡、データの取得、データの分析、実行可能な運用戦略の作成など、いくつかの段階があり、各段階は困難です。

データを抽出する操作の実際のシナリオとしては、次のようなものが考えられます。

運用: 「最近リリースされた新機能がユーザーにどのように使用されているかを確認したいと考えています。

どのように使われますか？データを教えていただけますか？ ”

開発：「どのデータを見るべきか？」

オペレーション: 「誰がその機能を閲覧したか、誰が購入したか、購入したユーザーの特性は何か、そしてどの特性がターゲット ユーザーに再度プロモーションに使用できるかを確認したいだけです。」

開発：「どのような分野が必要なのか？」

オペレーション: 「どの分野ですか? この顧客が使用した機能、使用方法、熱心なユーザーか失ったユーザーか、どの業界に属しているかをエクスポートできますか?」

開発: 「どんな機能を使っても構いませんが、使用方法を定義しておいてください。使用回数ですか、使用することで得られるお金ですか、それとも使用期間ですか?」

オペレーション：「すべて順調です。」

開発者: 「これを何に使うのか、はっきり考えられますか? 何と呼んでも構いません。私がオペレーターで、あなたもオペレーターです。」

これは非常に一般的な状況であり、運用の観点はビジネスの観点ですが、開発の観点はデータの観点であるため、理解できます。このフィールドには、おっしゃるとおり、ユーザーがアクティブであるかどうかは含まれません。このとき、このユーザーがどのような業界に属していて、どのような機能を使用していて、どのようなビジネスモデルを持ち、どのようなステータスにあるかを明確に示すデータセットが必要だと必ず思います。 ！

ここで疑問が浮かび上がります。データを明確に整理し、実際にビジネスを導くことができる指標をまとめるにはどうすればよいでしょうか?

データを通じてユーザーポートレートを定義するにはどうすればよいでしょうか?

1. ユーザーライフサイクル指標、製品使用行動指標、ユーザー購入行動指標、ユーザー能力行動指標、ユーザー自然人属性指標など、必要な指標タイプを明確に定義します。
2. できるだけ明確にデータを伝え、できるだけ詳細なデータを取得します。データを抽出するときは、多次元データを使用しないことが最善であることに注意してください。多次元データはありません。
3. データを処理し、主要な行動に影響を与える可能性のある指標を無視しないようにします。モデルや Excel などの高度な (見せかけの) 手段を使用して、マクロ データ (業界全体または地域全体のユーザー データ) と傍観者データ (各ユーザーの記録のような詳細なデータ) を分析します。
4. 分析結果に基づいて適用可能な指標体系のセットを取得し、各ユーザーに指標を自動的に適用します。
5. ユーザーポートレートは最初に完成しており、後で最適化することができます。

指標の定義：シナリオベースの定義により、抽出する必要がある指標の特定が容易になります。

データや開発とコミュニケーションをとってデータを抽出しようとする前に、まずはどのようなポートレート結果を得たいのかを考える必要があります。ここでは、例えば次のような仮定を大胆に使うことができます。

「Baidu Search の北京の K12 機関ユーザーであるユーザー A にお会いできることを期待しています。彼は 3 年間製品の更新について当社に連絡してきましたが、彼の操作能力は比較的弱いです。彼は常に同じいくつかの機能を使用しており、当社の新しい機能は一切使用していません。彼は主にライブ ブロードキャストと試験機能を使用しています。彼の機関のユーザー数は約 10 万人で安定しており、そのうち 3 人がまだメンテナンス中です。学生の休暇中や試験期間中に頻繁に使用されています。」

これは非常に明確です。一般的には、データを 2 つのタイプに分割し、2 つのタイプのデータに基づいて関連する指標を改良します。

ここでの各データは、さらに詳細なデータ指標に細分化することができます。例えば、ユーザーの基本データはこのように絞り込むことができ、他の指標の種類もこのように絞り込むことができます。商品の属性や理解したい内容に応じて指標を選択できます。

データ抽出 - 多次元データの次元削減

指標の定義を明確にすると、一部の指標には複数の次元が含まれる可能性があり、それらを比較および分析する方法がないことがわかります。

たとえば、ユーザーが特定の種類の製品を作成することに成功しました。各製品の販売数と販売量は異なります。製品機能の使用状況を包括的に処理するにはどうすればよいでしょうか。ここでは、比較評価における多次元比較の状況を減らすために、加重平均によって実行できる次元削減、またはモードまたは中央値を表現として採用することによって、データを処理する必要があります。

データ分析 - 「最も重要な指標」が何であるかを発見する

ユーザー レコードには、関連するデータ フィールドが多数あります。有料ユーザーと無料ユーザーの主な違いは何ですか?ユーザーにお金を払わせるための鍵は何でしょうか?ユーザーは何を気にしますか?

この場合、どの独立変数が従属変数 (ユーザー支払い) に関連しているかを明確に把握するための分析が必要になることがあります。ここで、私はアルゴリズム、CHAID 決定木をお勧めします。このタイプの決定木は、最終結果に影響を与えるコア変数を見つけるために特に使用されます。言い換えると、非常に多くの機能、非常に多くのユーザー行動、非常に多くの属性がある場合、どのタイプのユーザーがどのような属性を持ち、どのタイプのユーザーがどのような行動をとるとコンバージョンする可能性が高いかがわかります。

決定木アルゴリズムはどのように計算されますか?

ユーザーがどのように支払いを行えるかを理解する必要があると仮定すると、支払うかどうかが検討すべき従属変数となり、また、可変状況に基づいて決定木が予測する必要のある値となります。

データ セット全体を 20% と 80% の割合でトレーニング セットと検証セットに分割します。つまり、1 つの部分はモデルをトレーニングしてデータから特性要因を見つけられるようにし、もう 1 つの部分は検証と予測に使用して、モデルと選択した特性変数が有効かどうか、適合度がどの程度であるかを判断します。

独立変数から 2 つの与えられた値を抽出し、従属変数でカイ 2 乗検定を実行します。カイ 2 乗検定で 2 つの関係が有意でないことが示された場合は、2 つの正の与えられた値を組み合わせることができます。独立変数のすべての値が有意になるまで、独立変数の値の数を減らし続けます。

たとえば、データには 130 個の独立変数があり、それらの多くがユーザーの支払いに関係しているかどうか、ユーザーの週ごとのアクティブ時間の数がユーザーの支払いに関係しているかどうか、ユーザーが特定の機能を試したことがユーザーの支払いに関係しているかどうかはわかりません。この場合、決定木のカイ二乗検定を使用して、独立変数と従属変数が距離によって関連しているかどうかを判断できます。

比較によって最も重要な独立変数を見つけ、独立変数の最終値に従ってサンプルを分割します。つまり、複数の異なるツリーを形成します（通常、CHAID は 2 つのツリー ノードを生成します）。

最後に、ユーザーが支払うかどうかに関連するすべての決定ポイントが表示されます。たとえば、3 つ以上のライブ ブロードキャスト機能を作成すると、支払いの確率は 80% にまで高まります。決定ツリーは、無関係または有意に相関していない独立変数を排除するのに役立ち、ユーザーのコンバージョンと支払いにつながるものを示します。 、

関連記事:

1. データ運用: 運用部門はデータ思考をどのように訓練できるでしょうか?

2. データ運用：運用に必須のデータ分析手法8選！

3. データ運用：データ分析を活用してユーザー数の増加を実現するには？

4. データ操作：データインジケーターシステムを構築するには？

5. データ操作: データをより効率的かつ価値ある形で分析するにはどうすればよいでしょうか?

6. データ操作: ビッグデータによってユーザーの支払い意欲を高めるにはどうすればよいでしょうか?

著者: LunaDeng
出典: LunaDeng