製品運用：成長モデルにおけるデータシステムの応用！

人が歩くときに前方の道を見る必要があるのと同様に、製品や業務も意思決定を行う前に「目」を開く必要があります。左目はデータ、右目は研究です。 （おい、なぜ左目の研究ではなく右目のデータなのか聞かないでください…）

オンラインデータフィードバックを通じて、問題を正確に特定し、パターンを見つけ、推測を検証し、主観的な論争を鎮め、製品の改善と運用の最適化の策定と実装のための明確な指示を提供することができます。

1. インターネット企業のデータ機能設定

インターネット企業は一般的にデータを非常に重視していますが、データ部門の機能設定はさまざまです。ほとんどの企業は独立した BI 部門 (Ctrip や JD.com など) を設置しますが、一部の企業 (Amazon など) ではデータ担当者をさまざまなチームに分散させることもあります。

データ関数に共通する主な役割は 3 つあります。

a. データ エンジニアは、基盤となるデータ アーキテクチャの構築、データ追跡仕様の定義、追跡コードの作成 (開発者が追跡コードを埋め込む場合もあります)、およびデータベース レポートの作成と管理を担当します。

b. BI は、ビジネス ニーズに応じてデータベース内の対応するデータ項目を取得し、SQL コードを記述し、さまざまなレポートを生成する役割を担います。 (注: 従来のデータベース管理者 (DBA) の機能は、データ エンジニア + BI – 参照ポイントに似ています)

c. BA は、BI によって生成されたレポートを分析し、ビジネス知識に基づいてデータを徹底的に解釈し、明確な指針となる重要性を持つ観察結果と提案を出力する責任を負います。 BA 担当者は通常、ビジネスに関する深い知識を持ち、データの背後にあるビジネス状況や変動の理由を正確に理解し、ビジネス「言語」で分析の結論を出力できる必要があります。

私の実際の経験では、2 つの組織構造にはそれぞれ明らかな長所と短所があり、長所と短所は完全に逆です。

データ担当者が 1 つの部門に集中している場合、データベース管理とレポートのカスタマイズは非常に専門的かつ効率的になります。しかし、ビジネス部門から遠く離れているため、ビジネスに対する理解が損なわれ、データの定義と解釈が比較的弱くなります。

データ機能が複数の事業ラインに分散されている場合は、その逆が当てはまります。また、重複したデータ抽出という深刻な問題もあり、人的資源の無駄になるだけでなく、口径定義の違いにより、部門ごとに同じデータが異なる結果になることもあります。たとえば、コンバージョン率 = 注文数 / 訪問者数です。訪問者数から「疑わしいロボット」部分を除外する部門もあれば、「2ホップ訪問者」として訪問者数を統一する部門もあり、コンバージョン率データに明らかな違いが生じます。

より良いアプローチとしては、データエンジニアと BI をデータ部門に集中させ、それぞれの事業ラインに BA 担当者を配置して両者をつなぐことが挙げられます。

2. データの使用

インターネット上でデータ観測が必要な領域は非常に広く、サブフィールドごとにコア KPI が異なります。コア目標分割の背後にある影響要因に基づいて、データのニーズをターゲットに提示し、データレポートを作成する必要があります。

データは通常、次のように使用されます。

1. 一般データレポート

定期データレポートは主に長期継続観測を必要とするコアデータに使用されます。例えば：

• トラフィック ファネルのモニタリングは、ホームページの直帰率、ビジネス詳細ページ到達率 (閲覧 - ビジネス詳細と検索 - ビジネス詳細の 2 つの主要なブランチに分かれています)、車追加率、決済率、決済完了率などのコア ファネル データに分けられます。
• 各チャネルからのユーザー数、新規顧客数、注文の割合、コンバージョン状況などのユーザーチャネルソース情報。
• 各カテゴリーのトラフィック、注文、SKU 販売量などのカテゴリーコンバージョン率の変動。
• 各チャネル/列の CTR、商品詳細ページのリーチ、コンバージョン、リピート訪問率などのトラフィック配分効率。

日常監視のコアデータ項目で閾値を超える変動や傾向の変動が発生すると、通常は特別な分析がトリガーされ、分析結果に基づいて適切な対策が講じられ、データが正常範囲に戻ります。

日常的なデータレポートについては、社内の BI システムを通じてオンラインレポートをカスタマイズし、監視頻度に応じて観察と分析を行うことをお勧めします。

1. 特別分析

テーマ別データ分析では通常、トピックの主な影響要因に応じてデータ項目を決定し、観察次元を分割し、多次元データを取得し、特定のテーマ別ターゲットを分析し、影響要因が配置されているデータ次元を見つけ、結論を導き、その後のアクションを導きます。例えば：

• ダブル 11 プロモーション後のデータ概要など、主要なイベントのステータスや影響を分析します。
• Webプラットフォームでのコンバージョン率が継続的に上昇している理由の分析など、コアデータには大きな変動があります。
• 特定の決済チャネルのユーザー数が引き続き減少するなどの傾向が現れる場合があります。
• 1995年以降に生まれた人の買い物ガイドや消費特性の分析など、具体的な研究テーマ。

1. ABテスト

製品マネージャーがよく混乱するのは、機能またはチャネルが開始された後に、ターゲット データに何らかの変更が発生することです。ただし、時間的要因（平日は週末よりもコンバージョン率が高いなど）による差異、競合他社の行動、季節的要因など、変化に影響を与える要因は多数あります。コアデータの変動は、これらの影響要因の複合的な影響の結果であることが多く、機能自体がどの程度の直接的な影響をもたらしたかを正確に定義することは困難です。

運用には似たような要望が多いです。例えばホームページのアイコンが赤くなったり、案内文を調整したりした時にデータが変動しますが、それがどの程度この特定の運用アクションによる影響なのかを判断するのは困難です。

上記の状況では、AB テストを行うのが最善の方法です。2 つのデータ セットを取得し、データ セット サンプルの選択においてさまざまな影響要因 (地域、ユーザー グループの特性など) を均等かつランダムに分散し、一方のデータ セットに特定の製品機能または操作アクションを実行します。同じ期間に、2 つのテスト セット上の対象データの違いを観察し、観察する機能/アクションの正確な効果を正確に判断します。

ここで注意すべき点が 2 つあります。

1. 統計結果の正確性を確保するためには、より大きなサンプル サイズと統計時間が必要です (結果数 = ユーザー数 * 統計時間、ユーザー数が十分に多い場合は統計期間を少し短くすることができますが、ユーザー数が少ない場合は、より長い統計期間が必要です)。

2. あるサンプルの中に平均に大きな影響を与えるサンプルがいくつかある場合（大量の注文など）、偶然による偏差を減らすためにそれらを除外する必要があります。

3. パーソナライゼーション

今はビッグデータの時代です。大きく異なるユーザー グループが、膨大な量の製品と選択肢に直面しています。「1 つのサイズですべてに対応」することによる悪いエクスペリエンスは、もは​​や当てはまりません。

各ユーザーは、製品カテゴリ、価格帯、ブランドの好みなど、段階的なニーズを反映して、独自の手がかりと足跡をシステムに残します。システムはデータを通じて現在のユーザーの現在のニーズを効果的に発見し、効果的な推奨を行うことができ、ユーザーもシステムが「私を理解している」と感じ、良いショッピング体験を得ることができます。

アマゾンの初期の「Everything Store」というコンセプトは、現代では徐々に「Everyone Store」へと変化しており、これはよく「千人の千の顔」と呼ばれています。

データは何千人もの人々の何千もの顔の基礎です。機械学習とアルゴリズム設計を通じて、システムは各モジュールでインテリジェントな推奨を行い、現在のユーザーに合ったシナリオを自動的に組み立てることができます。これは、データを使用する最も重要な方法の1つです。次回以降の記事では、実際の事例を交えてこの部分に焦点を当てていきます。

3. 日常的なデータレポートとデータ監視のカスタマイズ

BI リソースを最大限に活用し、独自の焦点を強調するために、従来のデータ レポートをカスタマイズする際には、あまり包括的になりすぎないようにしてください。十分に考慮する必要がある主なポイントは 2 つあります。ノース スター インジケーターとインジケーターの監視頻度です。

1. 北極星インジケーター

あらゆるビジネスを継続的に最適化、改善し、より良い結果を達成するには、コア指標を正しく確立し、実際のデータと予想される進捗状況のギャップを継続的に監視および分析し、それに応じた調整をトリガーして、ビジネスの発展と計画の一貫性を保つことが必要です。

この一連の考え方は、プロジェクト管理理論では PDCA、つまり計画、実行、確認、改善としてまとめられています。プロジェクト管理および継続的な品質改善では、デミング サイクルとも呼ばれます。このシステムは、ビジネス目標管理の中核となる方法です。興味のある学生は、プロジェクト管理理論を参照してください。この記事では詳細には触れません。

PDCA の概念から、目標の設定、実行の有効性の判断、是正措置の有効性のすべてにおいて、最終目標が達成されたかどうかを判断するための基礎として測定する適切なデータ指標が必要であることがわかります。目標と直接的な正の相関関係にあるこの測定可能な指標は、ノース スター指標と呼ばれます。

ノーススター指標システムは通常、複数のレベルに分かれており、各レベルでの指標の設定と選択は、前のレベルの指標の達成をよりよくサポートし、最終的に会社の上位レベルの戦略（会社レベルのノーススター指標）を達成することを目的としています。

ここに実際の例を示します。電子商取引会社の事業規模は、多くの場合、会社の年間売上高（GMV）によって測定されます。つまり、GMV は会社全体の北極星指標の 1 つです。売上高を分割して計算する方法は多数あります。ここでは一般的な簡略化された計算方法を示します。

GMV = AC * 頻度 * 変換 * AOS

• AC: アクティブ顧客数
• 頻度: 顧客の平均訪問頻度
• コンバージョン: コンバージョン率
• AOS: 平均単価

上記の 4 つのコア指標は第 2 レベルのコア指標であり、通常は各部門にそれぞれの責任が割り当てられます。

たとえば、マーケティング部門はトラフィック、ユーザー数、アクティビティを担当し、製品および運用部門はコンバージョン率指標を担当し、カテゴリラインは平均単価指標を担当します。これらの指標は、各部門の北極星指標になります。指標の中核となる影響要因が複数の部門に分散している場合は、同じ部門が主導権を握ることになります。

上記の二次指標を達成するために、さらなる分解を実行することができます。アクティブ顧客の数を例に挙げてみましょう。

AC = RC + NC – EC

• RC: 維持顧客数
• NC: 新規顧客数
• EC: 失った顧客数

これらの指標は、新規顧客の誘致と維持を担当する機能チームにさらに割り当てられ、これらのチームが主導するチームの北極星指標になります。

新規顧客の誘致を担当するチームは、新規顧客獲得指標を有料チャネル、無料チャネルなどのチャネルにさらに分割し、コア指標を定義して次のレベルの目標を設定できます。

同様に、有料チャネルを担当する次のレベルの機能チームまたは担当者は、広告ネットワーク、SEM、アプリストアなどの特定のチャネルにさらに分割され、各チャネルにさらに具体的な目標を設定できます。直接制御可能な最下層に到達するまで、層ごとに下がっていきます。

同様に、製品とオペレーションが担当するコンバージョン率指標も、コンバージョンファネルに沿ってホームページから製品詳細、検索から製品詳細、製品詳細追加率、ショッピングカート決済率、支払い成功率などに分割でき、段階的に分割することで各チームに細分化され、それぞれのノーススター指標になります。

各機能部門/チームでは、担当レベルの指標と次のレベルの指標を定期データレポートの監視内容とし、それに応じたレポート形式を策定し、BI 部門にデータ要件を提示する必要があります。

マクロ的な観点から見ると、第 3 レベルの指標の達成は第 2 レベルの指標の達成を保証し、第 2 レベルの指標の達成はトップレベルの指標の達成を保証し、それによってビジネス目標の保護を提供します。したがって、指標システムの合理的な分割と厳格な監視と修正は、会社の目標の実現に不可欠です。

1. 指標モニタリングの頻度

定期的なデータレポートのサイクルは通常、日次、週次、月次、四半期ごとです。リアルタイムのデータ監視は、通常、緊急時の対応（ダウンタイムや緊急インシデントの処理など）に必要ですが、半期レポートや年次レポートは、主にビジネス実績の統計です。サイクルが長すぎると、問題の発見や対応が遅くなり、通常、定期的なデータレポートの範囲外になります。

各ビジネス ユニットには異なる特性があり、ターゲットを絞ったデータ統計頻度の設定が必要です。以下は、製品レベルと操作レベルでのコンバージョン率の監視の例です。

リアルタイム監視

大型プロモーション期間中の活動の効果を観察すると、トラフィックが急速に変化し、ピークが次々と発生し、売れ筋商品が売り切れることもあります。このとき、データ観測は最小の粒度まで正確で、データ曲線をリアルタイムで監視する必要があります。データに反映された問題（売り切れ、ダウンタイム、技術的障害、主要リソース位置での販売不可商品、ページ表示エラー、価格設定エラーによる変動など）に迅速に対応し、プロモーション商品とリソース位置を最適化し、競馬メカニズムを使用して会場のトラフィック分布を調整して、大型プロモーションの効果を最大化します。

日報

日々のプロモーション活動では、コンバージョンファネル全体におけるプロモーションカテゴリーとプロモーション方法のパフォーマンスを毎日観察し、問題点を特定して、商品の変更、プロモーションルールの変更、アクティビティページ/アクティビティ列の更新、プロモーションタグの設定など、ターゲットを絞った最適化を迅速に実行し、最高のアクティビティ効果を実現できます。

週報

ホームページやチャネルの運用などの運用面では、各セクションのクリック率、滞在時間、ビジネス詳細到達率、車追加率、転換率、再訪問頻度などのディメンションを通じて、コラムユーザーの関心指数を週ごとまたは月ごとに観察できます。弱いリンクについては、データ（ユーザーフロー追跡、地域クリックヒート分析、バウンス分析など）を通じて詳細な分析を行い、定性的および定量的な詳細なインタビューとユーザー調査を適切に組み合わせて、チャネル入口インタラクション設計、ページ情報アーキテクチャ設計、チャネルサブコラムレイアウト、情報表示、マーケティングコピーなどを最適化し、最良の結果を実現します。

月次/四半期レポート

モバイル時代では、モバイルパケットの送信頻度は限られており（2週間から1か月に1パケットが送信されることがほとんど）、技術的な機能に大きく依存するコア指標は、月次または四半期単位でカウントされることが多くなります。

たとえば、コアコンバージョンファネルモジュールの機能反復と新製品モジュールの効率効果については、月または四半期を単位として使用し（テクノロジーリリースサイクルと新コラムユーザー教育サイクルに関連）、季節要因を組み合わせて、対応するデータの前年比および前月比の変動を垂直に比較し、最適化および改善できるリンクを見つけることができます。

運用アクションは、通常、データ応答が速く、運用を導くための日次および週次レポートに重点を置いています。一方、製品アクションは、通常、技術リリースの影響を受け、データ応答サイクルは中程度で、月次または四半期レポートに重点を置いていますが、いずれも問題を発見した後、迅速に対応することを目指しています。

一般的に、年次報告書は企業戦略や事業ラインの財務的検討に適しているかもしれません。業績や損益の概要を除けば、製品や業務の側面ではあまり使用されていません。

上記はコンバージョン率の例です。

ユーザーの操作と成長であれば、ユーザーのチャネルソースとアクティベーションの頻度、コミュニケーション効果（日や週などの短期サイクル）、アクティビティ、カテゴリの浸透度、取引状況、一人当たりの価値（月などの中期サイクル）、維持率、離脱率、ライフサイクル状況（四半期や半年/年などの長期サイクル）に基づいて、対応するデータレポートを開発して監視し、対応する調整アクションをトリガーすることもできます。

最後に、レポートを作成するときは、同じレポートにあまり多くのレベルのデータを入れないようにすることをお勧めします。そうしないと、データが膨大になり、テーブルが過度に複雑になり、焦点が失われます。通常、レポートには 2 つのレベルのインジケーターを含めるのが最適です。

たとえば、第 1 レベルの指標のレポートには、第 1 レベルと第 2 レベルの指標のデータのみが含まれます。第 1 レベルの指標の変動は、第 2 レベルの指標から観察して、変動の原因を見つけることができます。さらに詳しく調べる必要がある場合は、第 2 レベルおよび第 3 レベルのインジケーター データを含むセカンダリ インジケーター レポートをカスタマイズすることをお勧めします。等々。

4. 特別トピック分析

仕事では、ある段階でのユーザーのコンバージョン率が急激に変動したり、取引額が急増または急激に減少したり、特定の列の CTR が急激に低下したりするなど、予期しない異常事態に遭遇したり、特定の傾向の変化（消費者のショッピング嗜好の進化やブランド消費傾向の変化など）を観察したりすることがよくあります。この時点で、問題を解決するための次のステップを明確にするために、テーマ分析が実行されることがよくあります。

1. 特別分析のきっかけとなる理由

テーマ分析は主に以下の状況によって引き起こされます。

a. データレポートでは、コアデータ指標の一部に変動が見られることがよくあります。変動範囲が事前に定義された警告しきい値を超えると、変動の理由を理解して対応する対策を講じるために、分析をトリガーする必要があります（プラスの変動かマイナスの変動かに関係なく）。

分析をトリガーする価値のある変動の大きさは、指標自体の特性に対応するビジネス感度に依存します。しきい値を設定するための固定ルールはなく、影響に対する許容度に応じて設定できます。ここでよくある間違いは、通常の小さな変動に敏感になりすぎて、頻繁に分析が行われるものの、結局は価値ある発見が得られないことです。これは自然な変動であり、人的資源の無駄です。

正常な変動とは何かは、同じ指標の前年比や前月比の統計を長期間にわたって分析することで判断できます。

たとえば、上の図は 5 週間の期間における時間帯別のトラフィックの分布を示しています。よく見てください、何か異常はありませんか？

予想通り、0時には渋滞が予想されます！ 9:00、14:00、19:00 のトラフィックのピークは、朝の通勤時、午後に席に戻るとき、夕方の通勤時のモバイル ユーザーのアクセス パターンと一致しています。しかし、0 時にこのような大量のトラフィックが発生するのは非常に異常であり、特別な分析を行う必要があります。

b. データ レポートでは、データは同じ傾向の継続的な変化を反映しています (例: 7 回連続のプラスまたはマイナスの成長)。この時点では、事前に設定された異常警告しきい値に達していない場合でも、傾向の背後にある理由を理解するために分析を実行する必要があります。

なぜ 7 回なのかと尋ねる生徒もいるかもしれません。

実際、これは絶対的なものではありません。継続的な傾向が現れた場合、同じ方向を示すデータが増えるほど、その背後に偶然ではない何らかの要因がある可能性が高くなります。統計的な観点から見ると、連続する 7 つのポイントが同じ方向に発展する原因が偶然の要因である場合、その確率は 1/128、つまり約 8% にすぎません。したがって、7 ポイントのトレンドの変化の背後に偶然ではない要因があるという信頼度は十分に高いと言えます。特に重要な指標である場合、5 つの連続したポイントが同じ方向に発展する場合 (97% の確実性)、分析を実行する時期である可能性があります。さらに詳しく知りたい学生は、「7 つの原則」を検索して、PMP や統計に関連する理論的知識を調べることができます。

もちろん、すでにわかっている影響要因を排除する必要があります。たとえば、春節が近づくにつれて交通量が継続的に減少したり、季節の変わり目が近づくにつれて新シーズンの衣料品の売上が継続的に増加したりすることは、すべて正常な現象です。変動が大きすぎて前年比の状況から大幅に逸脱しない限り、このような傾向を分析するために人手を無駄にする価値はありません。

c. 特定のデータの背後にある理由に興味を持ち、データの背後にある情報を分析して理解する必要がある。これはデータ自体の変動とは関係なく、データの背後にある理由や要因をより深く理解することです。

たとえば、サードパーティのマーチャントがプラットフォーム上のトラフィックの 48% を占める理由を分析して、よりバランスの取れたトラフィック配分戦略を策定し、自社運営またはサードパーティのビジネスをサポートできます。また、有料チャネルのユーザーの割合が低い理由や顧客あたりのコストが高すぎる理由を分析して、より正確で費用対効果の高いトラフィックの購入と配置を行うことができます。

1. テーマ分析の一般的な方法

簡単にまとめると、テーマ分析の主なアプローチは、ボラティリティデータ指標の基礎構造を複数の次元で包括的に分割し、基礎データを観察して比較し、どのサブ次元で異常な変動が発生しているかを調べ、その次元を固定し、段階的に進み、最終的に答えが見つかるまで深く分解することです。

より低い次元に分割する過程では、複数の角度から検討し、比較を繰り返していく必要があります。たとえば、ある週のコンバージョン率に異常な変動が見つかった場合、次のディメンションに従って分割して観察できます。

ディメンション 1: 製品カテゴリ

各カテゴリに分割し、特定のカテゴリのコンバージョン率の急激な変動が全体のコンバージョン率の変動を引き起こすかどうかを観察します。

ケース1:

1週間で、サイト全体のコンバージョン率が2%近く急上昇したことがわかりました。二次レポートを通じて各カテゴリーのコンバージョン率を観察したところ、コンバージョン率の変動は主に美容カテゴリーで発生していることがわかりました。美容カテゴリーのさまざまなSKUの売上をさらに観察すると、洗顔器具、ウォーターフロッサー、特定のフェイシャルマスクの3つの製品が短期間で大きな売上を記録したことが明らかになりました。これら3つの商品の発売価格はJD.comやTmallよりも大幅に安く、マーケティング部門に確認された後、「What’s Worth Buying」ウェブサイトに掲載したところ、大量のユーザーが流入し、売上が急増しました。これら3つのヒット商品の販売は、サイト全体のコンバージョン率の変動を引き起こしました。

ケース2:

かつて、ある衣料品ラインの購買および販売部門が、特定の衣料品ブランドのプロモーション クーポンを設定する際に相互排他性を設定することを忘れたため、ユーザーがクーポンを繰り返し収集し、組み合わせて使用​​できる状態になっていました。この技術的な抜け穴はWuyunプラットフォーム上の誰かによって明らかにされ、多数のユーザーと転売業者が殺到して製品を無料で購入し、非常に短い期間で数千個が販売され、コンバージョン率が瞬く間に急上昇しました。手動で価格を設定したりプロモーションを実施したりする際にエラーを完全に回避することは難しいため、さまざまな電子商取引プラットフォームでこのような問題が時々発生します。

次元 2: ユーザー グループ

さまざまなユーザー グループに分割して、コンバージョン率の変動が特定のユーザー グループの購買行動の変化によって引き起こされているかどうかを観察します。ユーザー自身は、さまざまな次元に従って分割できることに注意してください。

• 性別
• 地域: 州、地域
• 消費者価格帯: 高価格帯、中価格帯、低価格帯
• 消費スタイルタイプ: ファッション好き、母親と赤ちゃん、デジタル中毒者、読書愛好家、主婦など...

ケース3:

1週間のデータ観察中に、サイト全体のコンバージョン率が急上昇していることがわかりました。地域とカテゴリの分析により、華東地域の気温が高く、華東地域でエアコンや扇風機などの商品の売上が急増し、サイト全体のコンバージョン率を押し上げたことが分かりました。北京の深刻なスモッグにより、同地域では空気清浄機やマスクなどの商品の売り上げも急増した。

次元 3: チャネル ソース

さまざまなユーザーソースチャネルに分割し、各チャネルに対応する販売状況を観察します。

たとえば、コンバージョン率が大幅に上昇することがあります。分析により、これはマーケティング部門が特定のショッピング ガイド Web サイトの主要リソース位置に人気商品を投入し、このチャネルから大量のトラフィックと売上を生み出し、全体的なコンバージョン率を押し上げたためであることがわかっています。もちろん、一部のチャネルでの偽の注文の現象により、全体的なコンバージョン率が変動することがよくあります。

ディメンション 4: コンバージョン ファネル

ホームページから製品の詳細、製品の詳細からショッピング カート、ショッピング カートからチェックアウト、チェックアウトから支払いなど、コンバージョン ファネル内のセグメント化されたリンクのコンバージョン率の変化を観察します。

ケース4:

ある週、コンバージョン率が警告値を下回り、ファネル分析により支払いプロセスの成功率が大幅に低下したことが明らかになりました。決済チャネルを分析したところ、ある銀行チャネルの決済成功率がゼロにまで低下していることが判明しました。銀行と連絡を取った結果、銀行が決済インターフェースをアップグレードしたことが確認されましたが、アップグレードしたバージョンに問題があり、この決済チャネルを通じた決済が失敗し、全体的なコンバージョン率が変動しました。

ケース5:

かつて、技術チームが新しいバージョンをリリースした後、コンバージョン率が低下していることに気付きました。ファネル分析により、新規ユーザーの登録成功率が大幅に低下していることがわかりました。登録プロセスをさらに分析したところ、製品機能に必須の実名認証ステップが追加され、さまざまな考慮事項により一部のユーザーがこのステップで登録を断念していることが判明しました。プロダクトマネージャーと協議した結果、実名認証をスキップ可能なものに変更し、次段階で認証を誘導する形となりました。この変更により登録成功率が回復し、問題は解決しました。

次元5: デバイスプラットフォーム

iOS、Android、PC、Web、さまざまなアプリバージョンなど、さまざまなプラットフォームのコンバージョン率を観察します。たとえば、新しくリリースされた Android パッケージに技術的な障害があり、その結果、ユーザーのログインが大規模に失敗することがあり、それが全体的なコンバージョン率に影響を及ぼしていることが時々ありました。

次元6: 販売チャネル

多くのプラットフォームが次のレベルの流通チャネルに接続し、各チャネルでの売上の変化によって全体的なコンバージョン率も変動します。場合によっては、あるチャネルが非常に効果的な広告を実施すると、そのチャネルでの売上が大幅に促進され、全体的なコンバージョン率に影響を与えることがあります。

ディメンション 7: トラフィックまたは販売期間の分布

さまざまなユーザーソースチャネルに分割し、各チャネルに対応する販売状況を観察します。

たとえば、コンバージョン率が大幅に上昇することがあります。分析によると、これはマーケティング部門が「購入する価値のあるもの」という主要リソースの位置に売れ筋商品を投入し、このチャネルから大量のトラフィックと売上を生み出し、全体的なコンバージョン率を押し上げたためであることがわかっています。もちろん、一部のチャネルでの偽の注文の現象により、全体的なコンバージョン率が変動することがよくあります。

ケース6:

コンバージョン率の低下について警告が出され、データ分析の結果、ユーザー、チャネル、カテゴリなどの観点から売上が均等に分散されていることが判明したことがあります。最終的に、プロダクトマネージャーとBAが共同で調査した結果、0:00から7:00の間に大量のトラフィックが発生し、その時間がちょうど到来した時間帯にトラフィックが集中していることが分かりました。このことから、これらのトラフィックは実際の顧客によるものではなく、その時間にトリガーされた何らかのプログラムスクリプトによって発生したものであると基本的に推測できます。最後に、技術チームに分析を依頼し、特定の検索エンジンクローラーがプラットフォームの製品と価格情報を集中的にクロールし始めたことを確認しました。

ディメンション 8: ユーザー アカウントまたは販売者

場合によっては、販売者または特定のユーザーが異常に大きな注文を受け取り、全体的なコンバージョン率、平均注文価格などに大きな変動が生じることがあります (この現象は多くの場合、偽の注文によって引き起こされます)。このような問題は、販売を販売者またはユーザー アカウント別に分類することで発見できます。

データチームと私が実際に行った分析では、上記の 8 つの側面で問題が見つかることが多いです。より多くの次元の可能性を排除するものではなく、誰もが自分のビジネス特性に基づいて類推を行うことができます。

上記は、変換率を分解する方法のほんの一例です。通常、任意のインジケーターは、問題が最終的に見つかるまで分解でき、上記の8つの次元はほとんどのオンライン状況分析に適用できます。

特定のアプローチは次のとおりです。各次元に応じてインジケーターを次のレベルに分割した後、次のレベルの各ディメンションのインジケーターが変動を均等に反映しているかどうかを観察します。もしそうなら、私たちは基本的に、それがこの次元の要因によって引き起こされる可能性を除外することができます。同じレベルの各次元を1つずつ分解して観察することで、通常、特定の次元の下でサブインディケーターが劇的に変動し、下位レベルのインジケーターを再び層ごとに崩壊させ、最終的に結論を見つけます。

関連記事:

1. 製品の操作: プライベート ドメイン トラフィックを正確に制御するための 2 つの主要な開始方法!

2. 製品運用: 製品はどのようにしてユーザーの定着率を高めることができるか?

3. 実用的なヒント + ケーススタディ | 習慣を通じてユーザーの粘着性を高めるには?

4. ユーザー行動分析を実施し、ユーザーの定着率を向上させるにはどうすればよいでしょうか?

5. ユーザーの定着率を高めるためのユーザーインセンティブシステムを確立するにはどうすればよいでしょうか?

6. 製品はどのようにしてユーザーの定着率を高めることができますか? 3つのヒント

著者: 徐小鵬

出典: 製品と操作の出会い