製品運用: データ分析を使用して製品ユーザーの成長を促進するにはどうすればよいでしょうか?

少し前に、「データ分析は急速なユーザー増加を促進できるか？」という投稿を見ました。

まず「はい」と答え、次に具体的な方法を教えてください。

データは機密情報のため、私が扱った製品のデータを使って説明することはできませんが、私が愛用している製品である Kugou を取り上げ、この記事を締めくくります。正確な商品データを入手するのは不可能なので、私自身の商品理解＋第三者データを元に分析します。データ分析を通じて成長を牽引する共通手法を共有するのが目的です。非科学的な点があればご指摘ください。

以下、お楽しみください: データ分析の一般的な方法は、[3つのステップ]と[2つのモデル]です

1. 3つのステップ

3 つのステップは、コア目標を決定し、構成式をリスト化し、要素を確認することです。

インターネット企業における一般的なアプリケーションは次のとおりです。

コア目標（つまり、ノーススター指標） = A*B*C

Kugou を例に挙げましょう。Kugou のスローガンは「実は歌が上手いんだ」です。

製品の究極の価値は、誰もが歌い、他の人に聞かせることであるため、そのノーススター指標は [1 日あたりのオリジナル曲の再生回数] である必要があります。このデータを改善する過程で生成される伴奏のダウンロード数・再生数、友達メッセージ数などはすべて派生データです。

したがって、式は次のようになります。

オリジナル曲の1日再生回数 = オリジナル曲の1日再生回数 × 1曲あたりの平均再生回数

これがコアデータ式です。次に、式に影響を与える要素を決定する必要があります。式は次のように分解できます。

オリジナル曲の毎日の再生回数 = (毎日のアクティブユーザー数 * 1人あたりの平均制作曲数) * (単一曲の露出回数 * 露出 - クリックスルー率)

この式は無限に分解できます。製品の規模や機能の複雑さに応じて、運用チームの人的資源を可能な限り細分化できます。ここでは列挙し続けませんが、最終的な式に従って分析します。

コア目標に影響を与える要素は、DAU、1人あたりの楽曲制作数、シングル露出、楽曲露出クリック率であることがわかります。

掛け算で各要素を改善すれば全体の結果も改善されるというのは常識です。運用チームは以下の4つの要素に基づいてターゲットを絞った成長計画を立てることができます。

1. DAU

さまざまな式を使用した製品の定義に応じて、製品を多くの要素に分解できます。

Kugou のアクティブユーザーとは、同じ日にアプリにログインした登録ユーザーと定義します。これは、登録ユーザー数 * 起動頻度に分類できます。

登録ユーザー数は、異業種連携、友達招待分裂、アプリストア、情報流通など、さまざまな方法で増やすことができます。これらは日常的な操作であり、この記事では詳細には説明しません（重要なポイント：ブラックマーケットユーザーには特に注意してください）。

長期的には、効果的な機能シナリオ（出勤記録、歌唱指導など）や合理的なチャネルプッシュ（メッセージプッシュリマインダーなど）などを設定することで、開封頻度を向上させることができます。短期的には、イベントマーケティングやコミュニティコミュニケーションの方法を使用してユーザーの注目と議論を集め、一時的にオープン頻度を高めることができます。

2. 一人当たりの楽曲制作数

まず、ユーザーをセグメンテーションする必要があります。つまり、コンテンツを作成した高品質なユーザーの平均レベルはどの程度でしょうか。平均的なユーザー（コンテンツを制作したことがない人）のレベルはどのくらいですか?

Kugou ユーザーの中には歌わない人もいて、コンテンツを制作した人は 30% 程度しかいないはずです。では、コンテンツを制作したユーザーのデータだけをカウントすればよいのでしょうか?

もちろん違います。

まず、このような統計はデータの公式に影響を与えます。質の高いユーザーの平均レベルを使用して、すべてのユーザーの統計を拡大することはできません。これにより、ユーザーの現状について盲目的に楽観的になり、誤った判断を下すことになります。

では、なぜレイヤー化する必要があるのでしょうか?全体の平均を計算した方が良いのではないでしょうか?

カラオケユーザー向けのファンネルを簡単に作成しました。（本当にそれだけ簡単なんです…）

iResearchのデータによると、WeSingの月間アクティブユーザー数は1億6000万人です。アクティブユーザーを私のロジックに従って定義すると（以下のデータはすべて個人的な推測です）：4：3：2：1の比率で4つのレベルに分け、1人あたりの平均出力は1日あたり0.16曲です。

戦略的な観点から、0.16 という数値を 0.2 または 0.3 に増やす必要があります。

実行方法は 2 つあります。

1) 各レイヤーのユーザーが次のレイヤーに移動できるようにします。

——つまり、沈黙しているユーザーには曲を聴き始めてもらう、曲を聴くだけのユーザーには1曲目を歌い始めてもらう、そしてたまに歌うユーザーにはアクティブになってもらう、というわけです。基本的なロジックは、4321 の構造を変更することです。

2) 各レベルの平均出力量を増加させます。

たとえば、0 を 0.1 に、0.3 を 0.5 にします。

上記のデータ分析とターゲットの内訳に基づいて、運用はより明確で洗練された戦略を立てることができます。

たとえば、音楽を聴くだけで歌わないユーザーの数を、1 人あたり 0 曲の制作から 1 人あたり 0.1 曲の制作に増やすことが目標です。

参加のハードルを下げることで（例えば、簡単なマイク獲得イベントを行い、数行歌うだけで、4 分間の曲を全部歌う必要はなく、ユーザーに最初に初めて話させるなど）、対応する「Your First Song」イベントを計画し、インセンティブ（感情的なインセンティブ（マイクを獲得するためにチームを結成するなど）や、興味のインセンティブ（金貨を発行するなど））を提供することができます。

3. 単一露出回数

オリジナル曲は通常、次の 3 つの方法で公開されます。

ソーシャル関係チェーン - フォロー/友達など
機械アルゴリズムによる推奨 - 近く/おすすめ、好みを推測など。
固定露出位置 - ディスカバリー - 各種チャート、曲リクエスト - 各種チャート/カテゴリ、広告位置など。

操作はさまざまな形式に基づいて、さまざまなデータ目標を設定し、対応する操作アクティビティを計画して、さまざまなセクションでの曲の露出を増やすことができます。

たとえば、ソーシャルリレーションシップチェーンでは、重要なデータターゲットはフォロワー/友達の数です。理論的には、友達の数が多いほど、曲が露出される可能性と頻度が高くなります。

もちろん、これにはユーザーのアクティビティの定義と階層化が含まれます。ある人の友達が 50 人から 100 人に増えたとしても、曲の露出回数が 2 倍になるわけではありません。しかし、一般的には、ソーシャル関係が拡大した後、リリースされたオリジナル曲は、フォロー/友達セクションで露出される可能性が確実に高くなります。

そのため、運営の目的も、どう達成すればいいかわからない目標である【楽曲露出を増やす】から、より具体的で実行可能な目標である【友達平均数を増やす】へと変化しました。

次のステップは、グループマイクの奪い合い、リモートインタラクション、見知らぬ人との社会的側面での感情的なインタラクションマッチングなど、具体的な活動を計画することです。操作メカニズムでは、[お互いを友達として追加する]という主要なアクションを強化することに注意を払ってください。ここでは詳細には触れません。

端的に言えば、ここでのデータ分析の重要な役割の 1 つは、データ分析を通じて、運用面でより具体的かつ実行可能な方向性を見つけることです。

4. 露出クリック率

露出クリック率を高めるには、次の 2 つの方法があります。

1) 露出の効率を最大化するために、曲との相性が良く、曲に興味を持っている人を見つけます。

たとえば、一般ユーザーによる「Qilixiang」のカバーをジェイ・チョウのファンに推奨することは、メイデイのファンにプッシュするよりも間違いなく効率的です。運用スタッフが行う必要があるのは、ユーザーのタグ付け、グループ化、アルゴリズムの推奨だけです。これについては詳しく説明しません。

2) ユーザーのクリックしてプレイしたいという欲求を高める。簡単に言えば、曲の魅力を高めるということです。

これには、プッシュカバー (ヘッダー画像のサイズ、形状、ビジュアルなど)、タイトル、コピーライティング (例: 友人の 70% が聞いたことがある/スコアが 85% を超える人など) などのコンテンツの最適化が含まれます。

高品質なコンテンツは、露出クリックコンバージョン率を効果的に向上させることができるため、運営者が行うべきことは、多くのABテストを実施して、どの形式のコンテンツがユーザーを最も惹きつけてクリックさせるかを判断することだけです。データを見るだけで十分です。

まとめると、データ分析の[3つのステップ]の主な目的は、合理的な分解を通じて運用チームが成長の方向性を見つけ、運用のエントリーポイントを見つけられるようにすることです。

2. 2つのモデル

2つのモデルは、ファネルモデルと座標モデルです。

1. ファネルモデル

最も代表的なのはAARRRモデルです。分からない場合はBaiduで検索してください。詳細は省きます。

ユーザー獲得のプロセス全体に加えて、ファネルモデルは単一のケースを分析するためにも使用できます。上から下までのファネルは基本的に、ユーザージャーニーマップ (平易な言葉で言えば、製品におけるユーザーの完全なインタラクション) を表します。主に、問題を特定するためのバウンス/離脱分析に使用されます。ユーザーはどこで失われているのでしょうか?

Kugou を例に挙げてみましょう。私たちの目標は、これまで歌ったことのないより多くの人々に、初めての歌を歌ってもらうことです。

この目標に基づいて、オペレーションは H5 アクティビティを設定しました - 歌手のコンテンツをテストします (コピーを修正する必要がある場合があります...)

一般的なゲームプレイは次のようになります: お気に入りの曲を選択すると、システムが歌詞を表示し、元のバージョンを再生し、長押しして録音し、結果を取得して、ステータスに共有します。

アクティビティページに 100 万を超える UV があるが、最終的に 500 のデータのみがダイナミックに共有されるとだけ伝えた場合、問題がどこにあるかわかりますか?

この時点で、各 H5 ページのトラフィックファネル分析に基づいて、問題点を発見し、改善することができます。

例えば：

1) イベントページには 100 万の UV がありましたが、曲の選択を完了したのは 10,000 人だけで、わずか 1% でした。なぜでしょうか?

これは非常に不合理であり、予想をはるかに下回るデータです。これを踏まえて推測すると、曲のライブラリが十分に充実していないのか、それともユーザーが自分で選ぶのが面倒なのか、ということになります。

そこで、ページ埋め込みデータを再度分析してみます。例えば、50%のユーザーが楽曲検索機能をクリックしたものの、次のステップに進んでいません。これは、音楽ライブラリの豊富さや検索マッチングに問題があることを意味している可能性があります。たとえば、ほとんどのユーザーはページ内をクリックするのですが、検索ボックスをクリックすることはありません。彼は怠け者で、システムの推奨事項を探しているだけかもしれません。

推測に基づいて、さらにテストやユーザー調査を実施し、アイデアが正しいかどうかを確認し、問題がどこにあるのかを見つけることができます。

もちろん、オンラインにする前にコンテンツのテストを最適化する必要があります。

次に、実際の環境でより頻繁に発生する別の状況を見てみましょう。

2) 録画を完了して結果ページを取得したユーザーは 100,000 人いましたが、結果ページをダイナミックフィードに共有することを選択したユーザーは 500 人だけでした。なぜでしょうか?

ファネルモデルを通じて、主な損失は「結果ページの共有」リンクで発生したことが明らかになりました。これまでと同じです。まずデータに基づいて推測し、次にアイデアを検証するための解決策を考えます。

まず、10万人のユーザーが結果ページを制作しているので、これまでのリンクに大きな問題はないはずです。では、共有ページを制作してもユーザーが「動態的に共有したがらない」理由は何なのでしょうか？

可能性 1: 結果ページが見苦しすぎるため、ユーザーが拒否する。

美しさと醜さは絶対的なものではありません。アクティビティがオンラインになる前にテストは行われたかもしれませんが、最終的に選択されたページはほとんどのユーザーに認識され、共有されません (男の子と女の子のように、一級都市と二級都市、および下位市場では好みが異なります)。それではどうすればよいでしょうか。

解決策: すべての人を満足させることは困難です。オンラインテストを行って、ほとんどのユーザーが好むスタイルを見つけるか、共有ページのレイアウトをいくつか作成して、ユーザーが自由に選択できるようにします。

可能性2: 明確な共有ガイドがない

ユーザーは結果ページを読み、「OK」と言って閉じて立ち去ります。イベント主催者からの明確な指示はありません。たとえば、共有すると XXX がもらえます (利益誘導)、友人に見られるように共有するとダイナミクスが向上します (社会的通貨/個人イメージの形成)。ほとんどのユーザーは怠け者なので、より明確なガイダンスが必要です。ユーザーが自由に何をするか決められるようにしてください。結局、ユーザーは何もしないことに決める可能性が高くなります。

他にも多くの可能性がありますが、すべてを網羅的に列挙することはしません。重要な点は、ファネルモデルによって問題を効果的に見つけることができるということです。

2. 座標モデル

最も古典的なのは、行動データに基づいてユーザー価値を階層化し、洗練されたオペレーションを実現するために使用されるRFMモデルです。これは、個々の活動ではなく、製品の全体的な運用成長に多く使用されます。

一般的な RFM モデルは次のとおりです。

基本的に、モデルは次の 3 つのデータに基づいて構築され、ユーザー範囲を異なる値で分割します。

R = 新しさ
F = 周波数
M = 金銭的

RFMはeコマースプラットフォームでは一般的です。[Kugou]を例に挙げてみましょう。まず、いくつかのデータディメンションを選択します。私は以下を選択します。

R = 最新のインタラクション (上記の分析に基づいて、ログインではなくインタラクションを選択しました。インタラクションの定義は、曲を再生することなどです)
F = 相互作用の頻度
T = 単回使用の期間（簡潔さと理解のため、行動の規模も意味します）

次は統計データ、モデリング分析ですが、具体的な商品データはありません（前述のディメンションもサードパーティのデータから入手するのは困難です）。さて、今のところはこれで終わりです。

おそらくこれは次のことを意味します:

アプリ上で最近やりとりしたユーザー（定義は 48 時間以内）、頻繁にやりとりするユーザー（月に 10 回以上ログインするユーザーなど）、1 回の使用時間が長いユーザー（1 回のオンライン時間が 30 分程度）を重要な価値ある顧客と定義します。誰を失っても、彼らを失うことはできません。
最近インタラクションはありましたが、全体的にインタラクション頻度は高くなく、使用時間は非常に長いです。これは、最近アプリを開いて、1回の使用時間は非常に長いですが、インタラクション頻度は高くないことを意味します。これは、ユーザーが製品に非常に興味を持っており、大きな可能性を秘めていることを証明しています。ユーザーこそが開発の焦点であり、ユーザーとの交流頻度を高めるために、より多くの活動を計画する必要があります。
最近交流がなかったり、交流頻度が低いが、過去に一度の使用時間が長いユーザーは、過去にKugouを愛用していたが、今は離れようとしている可能性があり、取り戻す必要があるターゲットです。

RFT データモデルは、Kugou ユーザーの価値を効果的に階層化し、異なる価値レベルのユーザーに対して洗練された操作を実行できます。操作のためのリソースとエネルギーは限られているため、当然、より重要なことを行う必要があります。

ユーザー価値による階層化の他に、ライフサイクルによる階層化もあります。これについては説明すると長くなるので、この記事では例は挙げません。次回時間があるときに書きたいと思います。

つまり、データ分析は主に次の 2 つの側面でユーザーの成長を促進します。