オペレーションではどのようにデータ分析を実行しますか? 5つの基本ステップを共有しましょう！

多くの成長事例を見て、目の前の仕事とパフォーマンスの目標を検討した後でも、まだそれを達成する方法がわからないと感じますか?それは、多くのケースでは結論に至った分析プロセスは説明されておらず、問題の背景や目的、最適化後の効果のみが説明されているからです。実際の分析プロセスは、多くの場合、「発見」という言葉で簡単に説明されます。

もちろん、データ分析プロセスは主観的なプロセスであり、特にインターネット分野の急速な変化においては、統一されたプロセスに従って分析全体を完了することは不可能であると主張する人もいるでしょう。では、データ分析プロセスは、散在する技術のみがあり従うべきルールがないプロセスなのでしょうか、それとも明確な手順があり厳密に従うことができるプロセスなのでしょうか?後者だと思います。

一般的なデータ分析方法である、データ分析の 5 段階法を紹介します。

このフレームワークには次の機能があります。

1. 特定の業務に縛られるものではなく（個々のステップの詳細は業務と組み合わせる必要がある）、意思決定に必要な情報に基づいています。
2. オープンであり、個人的な経験と最先端のテクノロジーを統合できること。
3. ビッグデータ技術と組み合わせることで、手動リンクを排除し、自動化を実現できます。
4. ロジックは明確で、簡単に学習できます。

1. 5段階分析

このシンプルな 5 ステップのデータ分析方法は、基本的に、日常業務における一般的なデータ分析の問題の少なくとも 80% を処理できます。残りの 20% のシナリオは、この基本的な分析方法論に基づいて拡張できます。これについては、次のコンテンツで説明します。

1.1 5つの基本ステップ

まず、5 つの基本的な手順を確認しましょう。

1. まとめ
2. セグメンテーション
3. 評価する
4. 帰属
5. 意思決定

1.1.1 要約

このステップでは、DNU、DAU、GMV、ROI などの一般的な指標に焦点を当てます。データ分析について話すときはいつでも、データ分析には「明確な目標」がなければならないことを思い出すでしょう。したがって、その重要性について詳しく説明する必要はありません。

もちろん、目標はすべての指標の中で最も重要です。しかし、目標だけでは不十分であり、他の補助指標も必要です。たとえば、ROI は入力と出力を組み合わせて計算され、GMV はユーザー数にユーザーあたりの平均 GMV を掛けて計算することもできます。このようにして、目標の計算をより関連性の高い指標の組み合わせに分割します。さらに、これらの指標はより基本的なものであり、何らかの操作手段を通じてこれらの指標の変化する傾向に影響を与えることができます。

この部分は理解するのが難しくありません。ただし、指標間の計算関係を調べ、徐々に注目すべき指標をすべて見つけ出す必要があります。今日のインターネット製品の運用では、注目すべき指標が不足することはなく、目が回ってしまうほど多くあります。しかし、私たちが気にする必要があるのは、目標に関係のある指標だけです。

1.1.2 セグメンテーション

この手順は、インジケーターに 1 つ以上のディメンションを追加することと同じです。最も単純な次元は時間です。たとえば、日ごとの UV の変化傾向を確認したり、さまざまなページによってもたらされる GMV、さまざまなユーザー グループの GMV などを確認したりします。前のインジケーターを数値として理解すると、ディメンションを追加するとデータの列になり、2 つのディメンションを追加するとテーブルになります。

インジケーターの現在の状態と同様に、インジケーターを分割するために使用できる多くのディメンションを簡単に見つけることができます。たとえば、上で述べた日付や混雑状況、新規ユーザーを引き付けるためのソース チャネル、コンバージョン パスから発生するアクティブ トラフィックなどです。これらのディメンションを配置して組み合わせると、追跡できないほど多数の複雑な分割ディメンションが生成される可能性があります。

したがって、重要なのは次元の重要性を区別することです。

どうやって区別するのでしょうか?

これらの分割ディメンションは、実現可能かどうかに基づいて優先順位を付ける必要がります。たとえば、先ほど、アプリ内のさまざまなページを閲覧することでもたらされる GMV について説明しました。しかし、GMV の高いページに多くのトラフィックを割り当てるために必要な技術的手段や運用ツールがなく、GMV の低いページのトラフィックを削減できない場合、このページ分割方法では、操作後の最適化スペースはおろか、操作の余地も残されません。

このような場合は、ソース ページ ディメンションをキー ディメンションではなく、単に「あれば便利な」ディメンションとして考慮する必要があります。

もう 1 つの例は、ユーザーのセグメンテーションです。特に、成長を促進するために外部投資からより多くの高品質の新規ユーザーを引き付けたいと考えている場合に役立ちます。現時点では、まず既存の高品質ユーザーのユーザー プロファイルを作成し、高品質ユーザーを識別できるいくつかの機能を決定し、ローンチ時にこれらの機能を使用して高品質ユーザーを引き付けたいと考えています。

この理論は理にかなっています。しかし、残念ながら、外部の投資チャネルでは、人口を非常に正確にターゲティングすることはできず、人口統計や業界の好みなどの粗い区分しか提供できません。これには、現在、配信チャネルがユーザーのマーキングを非常に正確に行っていると考えていることも含まれます。

したがって、新規ユーザーを引き付けるという点では、ユーザーをセグメント化する能力には限界があることがわかります。完全に不可能というわけではありませんが、非常に限られています。ユーザーセグメンテーションのより大きな可能性は、アクティビティを促進すること、つまり、ユーザーグループを分割することにあります。

例えば、グロース案件では、同じページの同じ位置に異なるコピーや画像素材を配置し、バージョン間でA/Bテストを行うことが一般的です。すると、表示されるバージョンは自由に操作できるディメンションとなり、どのバージョンが優れているかがわかればすぐにアクションを起こすことができます。したがって、表示バージョン ディメンションは、インジケーターをセグメント化するのに非常に適しています。

インジケーター部分が監視のみの場合、[セグメンテーション]ステップである程度分析感覚を反映させることができます。このステップでは、分析の結論をできるだけ早く実装できるように、実際的で実行可能な分割ディメンションを見つける必要があります。しかし、このセクションでは、実行可能な分割問題が複数ある場合、それらの問題の間にはまだ違いがあるかどうかという疑問がまだ残っています。

たとえば、グラフィックやテキストを単純に置き換えることもできますが、大規模なバージョンを苦労して反復することもできます。分析プロセスでこの操作の複雑さをどのように反映し、測定するのでしょうか?ここで評価の問題に移ります。

1.1.3 評価

評価部分では、[概要]ステップでターゲットとして使用した指標を唯一の評価基準として使用する必要があります。目標が単純な GMV、またはさらに単純な PV と UV である場合は、[セグメンテーション] ステップの後で、基本的に結論を導き出すことができます。

しかし、実際にはそうではありません。私たちの目標は複合的な目標である可能性があります。つまり、GMV を増やすと同時にコストも管理する必要があり、PV を増やすと同時に GMV も獲得する必要があります。あるいは、ROI などの複合的な指標を直接目標としている場合もあります。

この時点で、ターゲット指標だけではなく、複合指標にも焦点を当てることができます。たとえば、私たちの目標はコストを抑制しながら GMV を増やすことです。問題をさらに単純化するために、コストを、GMV を生成するために古いユーザーを宣伝するコストと、GMV を生成するために新しいユーザーを獲得するコストとして定義します。通常、オペレーションにおいては、新規顧客の獲得や活性化を促す手段が異なり、それが【セグメンテーション】の部分、つまりオペレーション空間の大きさの原則に該当します。

その後、新規顧客の誘致とアクティベーションの促進という異なる側面に応じて、生成された GMV と投資コストの 2 つの指標を細分化できます。たとえば、新規ユーザーの獲得という点では、Baidu キーワードや広告提携に投資し、他のアプリと協力してトラフィックを交換しています。また、アクティベーションを促進するという点では、アプリ上の ABCD の 4 つのバナーに A/B テストを設定しています。

新規ユーザーに関しては、Baiduキーワード、広告提携、協力APPの3つの方法を個別に評価し、投資した1ドルあたりどれだけの新規GMVを獲得できるかを確認できます。したがって、新規顧客を引き付けるさまざまな方法の中から最適な方法を選択し、既存の方法内でコスト投資をより最適に調整することができます。既存ユーザーに関しては、4 つのバナー ABCD の A/B テストに投資した 1 ドルごとにどれだけの GMV を生成できるかを評価することもできます。

つまり、[評価]ステップでは、[概要]部分の指標を、最終目標と目標を達成するための手段の2つのカテゴリに分割する必要があります。たとえば、前の例では、投資コストは GMV の増加を達成するための手段です。したがって、コスト投資の 1 ドルごとに、生成された GMV に基づいて評価する必要があります。現時点では、古いユーザーを宣伝するなど、GMV 目標を達成するためのオプションは多数あります。

• コストを変更せずに、コンバージョンをもたらす可能性の高い画像とテキストを置き換えて、投資されたドルごとの GMV を増やします。
• 各ドルの GMV を変更せずにコストを増加させます (制限内で)。

これは、GMV がもたらす価値を一時的に無視するという前提に基づいています。この価値の一部を考慮に入れれば、投資コストの一部を相殺することができ、より多くの代替オプションが生まれます。

前の例では、分割ディメンション自体は比較的単純で、アプリ内のバナーと新規ユーザーを引き付ける外部の方法のみを考慮しているため、データ内のいくつかのマーカーを通じてセグメント化するのは比較的簡単です。しかし、実際の戦闘では、切り離せない状況がいくつかあります。たとえば、ユーザー インタラクションでは、GMV を生成するためのパスは複数のリンクを経由する必要があります。または、前の例の 4 つのバナー ABCD のように、ユーザーが 2 つまたは 3 つのバナーをクリックする場合も同様です。

それでどうやって分解するのでしょうか?この問題は次のステップ[帰属]です。

1.1.4 帰属

このステップは、実際には結論に達して決定を下すための「最後のステップ」であり、よく「なぜ」を分析するプロセスと呼ばれます。

これまでの手順では、直接比較できる定量的な指標がいくつか得られたことが事例を通じて明確にわかります。この場合、実は[帰属]のステップで特別なことをする必要はなく、数値を比較することで直接結論を導き出すことができます。しかし、明確に細分化できない複数のリンクやメソッドに遭遇した場合はどうすればよいでしょうか?日常のデータ分析では、よく使用されるアトリビューションのアイデアがいくつかあります。

たとえば、前の例では、ユーザーは ABCD の 4 つの位置を順番にクリックして GMV を生成しました。

• 最初のインタラクション アトリビューション モデル:これは、ユーザーが何かを初めて実行したときのことで、通常は最も早い時間、最も小さいシーケンス番号などとしてデータに反映されます。この場合、A に 100%、B、C、D に 0% が与えられます。最後のインタラクション アトリビューション モデル: これは、ユーザーが最後に何かを行ったときであり、最新の時間、最大のシーケンス番号などとしてデータに反映されます。次にDに100%、A、B、Cに0%を与えます。
• 線形帰属モデル:つまり平均スコアなので、ABCD にそれぞれ 25% を与えます。
• 加重帰属モデル:つまり、複数の寄与要因に一定の重みを割り当てます。たとえば、A と B はそれぞれ 30% で記録され、C と D はそれぞれ 20% で記録されます。重さという新たな次元があるからこそ、ある一定の設計が必要となり、分析プロセスとしても機能するのです。重みを設定する一般的な方法はいくつかあり、たとえば、最初と最後の 2 つの項目を最も重要とし、他の項目は重要度順に減少したり、時間順に減少したりするなどです。

もちろん、アトリビューション方法を選択する際には、具体的なビジネスの特性も考慮し、行動の順序や滞在時間などが分析目標に与える影響も考慮します。

1.1.5 意思決定

最後に、決定を下すことができますが、前のステップを通じて徐々に不確実性を排除した後、意思決定は実際には最も簡単なステップです。つまり、最もパフォーマンスの高いバージョン、最もパフォーマンスの高い場所、および新規顧客を引き付ける最良の方法を見つけることだけです。

新しいアイデアが浮かんだ場合は、それを A/B テストのバージョンとして追加し、この評価システムに追加して総合的に評価することもできます。

1.2 適用事例

この一連の方法論は、日常業務における特別な分析を目的としているだけでなく、いくつかの確立された方法論にも見られます。

確立された方法論の例をいくつか見てみましょう。

1.2.1 A/Bテスト

最初に見ていくケースは A/B テストです。 A/B テストのプロセスでは、まず実験の目的、つまり実験を通じてどの指標を改善し最適化したいかを決定する必要があります。その後、実験では異なるバージョンをセグメンテーションの次元として使用し、指標が達成されたかどうかを評価基準として使用しました。実験中に帰属を必要とする問題に遭遇した場合は、帰属方法も検討する必要があります。

もちろん、ビジネスの複雑さが増すにつれて、A/B テストの難しさは比較と結論を導き出すプロセスではなく、より短い時間で、より少ないユーザー トラフィックでより多くの実験を実施し、効果的な結論が得られるように実験を設計する方法にあります。これは、この分野のすべてのプラットフォームの出発点でもあります。Google の有名な論文「Overlapping Experiment Infrastructure」の中核的な内容です。

1.2.2 ユーザーセグメンテーション

ユーザーのセグメンテーションは一般的な運用方法ですが、セグメンテーションの精度をどのように判断し、将来的にその精度を維持するかはまさにデータ分析の問題です。機能ベースのユーザーセグメンテーションのプロセスでは、まずどのようなユーザーグループを取得したいのかを確認する必要があります。

すでにグループ化を行っていて、このグループの特性を調べたい場合は、TGI (ターゲット グループ インデックス) をターゲットとして使用し、TGI のサイズを使用して、さまざまな特性に対するグループの傾向を測定できます。

一方、面白い短い動画を好むユーザーを見つけたい場合、いいねという行為を「好き」の定義として使用すると、TGI を使用してセグメンテーションの精度を測定することもできます。このように、さまざまな方法でユーザーをグループ化できます。グループ化方法によって、TGI 値が異なります。必要なのは、TGI 値が最大となるグループ化方法です。

1.2.3 古典的な経営モデル: BCGマトリックス

古典的な BCG マトリックスでは、全体的な利益に暗黙の焦点が当てられ、その手段はリソースの最適な割り当て、つまり、企業レベルで全体的な利益を最大化するために、企業の限られたリソースをより有望なビジネスに投資することです。

この目標について詳細な調査を行うために、この指標は BCG マトリックスの 2 つの次元に分割されました。通常の描画方法では、横軸は相対的な市場シェアを表し、縦軸は市場の成長率を表します。市場シェアと市場成長率は利益を生み出す手段であり、利益は当然最終的な目標です。したがって、手段によってもたらされる利益は異なるため、異なるビジネスは4つの象限の中で独自の「運命」を持ちます。

2. 方法論の最適化

方法論の全体的な説明に基づくと、方法論を最適化できるポイントが 3 つあります。

（１）概要

要約部分の最適化は、最終的な目標指標を計算するために、より新しく、より適切な補助指標を見つけることです。例えば、財務分野では、収入と支出に基づく計算方法と比較して、デュポン分析法は、売上率、資本運用、負債水準の3つの側面に基づく内訳方法を提供するため、理解しやすく、対処しやすいです。

（２）セグメンテーション

先ほどセグメンテーションについて説明したときは、主に客観的な側面に焦点を当てていました。しかし、分析経験が蓄積され、アルゴリズムの能力が向上するにつれて、より主観的なセグメンテーションの次元が徐々に追加されるようになります。たとえば、好みに基づいたユーザー タグなどです。これらのディメンションは新しい視点を提供しますが、独自の「プレイ ルール」も持っています。

（３）帰属

帰属部分は、客観的に決定できない分割ロジックに対して、人為的に定義された分割ロジックを提供します。人的操作の追加や客観的な条件の絶え間ない変化により、最適化空間が徐々に出現し、ビジネスの発展や環境の変化に適応するために分割方法を継続的に最適化する必要があります。

出典: Yuhao