イベント運営のデータ分析はどのように行うのでしょうか？

今日は、問題の分析と解決に密接に関係するデータ管理機能とデータ分析の考え方を解説します。

まず、ここで言及されているデータは単なる「数値」ではなく「データ」であるということを明確にしておきましょう。「数値」と比較すると、「データ」にはより多くの情報、属性、測定次元が含まれます。以下のコンテンツを読む際は、このコンセンサスを念頭に置いてください。

データアナリスト、会計士、財務アナリストなどのデータ関連の仕事がなぜそれほど価値があるのでしょうか。データは曖昧な現実を客観的に表現したものであるため（理論数学がすべての理論科学と実践科学の基礎となっている理由）、現実を合理的な方法で記述し、客観的な存在を定量的に測定します。データの詳細な分析とマイニングにより、現実を最も正確に解釈し、現実を導く最も効果的な戦略を策定できるようになります。

もちろん、イベント運営にとって、データ部分の仕事はそれほど神秘的ではありませんが、本質は同じです。つまり、データ管理を通じて担当業務の最も近い実態をいかに把握するか、そしてデータ分析を通じてデータから有効な情報をどのように抽出するかということです。

簡単に言えば、上司から最近のキャンペーンの効果について尋ねられたときに、そのキャンペーンが良かったのか悪かったのかをさまざまな角度から説明でき、データの裏付けによって結論が反駁不可能になります。そして、これらのデータの裏付けは、厳密なデータ分析とマイニングのプロセスから得られます。

したがって、このデータの部分が次のことを理解するための入門書となることを願っています。

イベント運営には、担当業務に最も近い実態を把握するための効果的な基本データ管理機能が必要です。
同時に、効果的なデータ分析とマイニングを実行するには、いくつかの基本的なデータ分析ツールを習得する必要があります。

必要なイベント操作に必要なデータ管理と分析機能をこの知識部分の境界としました。データ管理と分析の分野も奥深く、無限です。現在まで、新しいデータ分析の理論と方法がまだ作成されています。この部分に興味がある場合は、自分で深く勉強することができます。

1. 基本的なデータ管理機能

データ管理業務の本質は、可能な限り現実を理解し、製品、計画、特別な活動がユーザーに本当に効果的に影響を与えたかどうか、実際のプロセスが実際の結果をもたらしたかどうか、実行された運用アクションの影響が可能な選択肢よりも優れているか悪いか、投資したコストがお金に見合っているかどうかを理解することです。

データ管理を通じて現実を理解するプロセスは、直感的な認識に挑戦するプロセスです。リーダーが絶え間なく賞賛するのが好きなプロジェクトは成功したプロジェクトでしょうか。成果がないように見えるプロジェクトは価値のないプロジェクトでしょうか。あなたが良いと思うコンテンツに、より多くのユーザーが同意するでしょうか。

恐ろしいのは、私の個人的な経験からすると、データ管理は現実を把握するためのツールとしてではなく、問題を隠蔽し、上司やパートナー、顧客、市場を欺くための偽の現実を作り出す手段として使われることが多いということです。

よくある方法は、まず目標達成に役立つ楽観的な結論（このプロジェクトは市場で非常に人気があるため、リソースを増やすことができます）を書き出し、次に逆方向にデータをマイニングし、この結論を裏付ける実際の、しかしそれほど厳密ではない数字（私たちが出した製品広告のユーザーのクリック率は非常に高い - 実際には、それは広告主が宝くじで iPhone の賞品を当てるという利益ポイントを持っているからに過ぎません）を残し、悲観的な結論につながる実際の数字（宝くじに騙されたユーザーは製品にまったく興味がありません）を隠し、徐々に間違った一方的なデータを信じるようになり、彼ら自身が催眠術にかかってしまうことがよくあります。

あなたはこのようなことを何度もやったことがあるはずです。しかし、市場、顧客、上司と対峙する競争の激しい環境では、プロジェクトを存続させ、より多くの時間とリソースを獲得するために、誇張して誤った結論をまとめる必要があることも理解しています。

しかし、このプロセスは、実際の現実の理解には影響しません。心の中で現実の状況を知ることによってのみ、データ管理による幻想を作り出すことで得られたリソースが、以前の失敗を補い、2 度目のチャンスをもたらすことができるかどうかを評価できます。

したがって、この部分を始める前に、心構えを整えてください。データ管理のこの部分では、データを美しく、一見合理的にパッケージ化して提示する方法は教えられません。この種の方法論を独学で学ぶためのコースは市場にたくさんあります。私が共有し、提唱したいデータ管理は、データ管理を通じて現実を把握するのに役立つ方法に関するものです。

データ管理における現実とは？

少なくとも次の 3 つの部分を含める必要があると思います。

現実を完全に客観的に記述する必要がある（漠然とした現実を定量的な結論に変換する - 製品を大量に販売する - 製品を 1,000 個販売する）
現実の説明には評価基準と結論が必要です（昨日の2倍売れたので、今日の売上は非常に良いです）
また、完全な論理的説明を形成するために、本当の理由をたどり、定量的な説明を提供する必要があります（今日は気温が急激に下がったため、多くの待機ユーザーが注文し、コンバージョン率が大幅に向上しました）

上記の 3 つの部分は、最も基本的なデータ管理フレームワークを構成し、完全な現実の把握を表します。それはまた、リーダーからの典型的な自己分析の質問 3 つに耐えられることも意味します。「うまくやっているか?」どれくらい良いですか？何が良いのでしょうか？ (実は、私は他のリーダーシップコースシリーズでも、リーダーたちにこの 3 つの質問をするように常に指導しています。皆さんが完璧に理解できることを願っています。)

理由の真相を突き止めるために、リーダーたちは次の 3 つの質問をするのが好きです。これらの質問は、3 つの質問の背後にある隠された意味を表し、完全な現実を表しています。

何をすべきか、どのようにすべきか、どのように改善すべきか?

それでは、3 つの部分が何をすべきか、どのようにそれを行うか、そしてこれらの部分の機能をどのように向上させるかについて詳しく見ていきましょう。

現実を記述するということは、現実の完全かつ客観的な姿を把握し、外見を通して本質を見ることを意味します。

多くの場合、結果はあたかも唯一の現実であるかのように扱われますが、実際にはそれは不完全であったり、誤解を招くものであったりします。結果と現実はまったく異なるものです。結果は、最も直感的で表面的な現実の一部にすぎません(ただし、白黒はっきりした問題では、結果が唯一の現実であることは否定できません)。結果だけを知っていると、結論を導き、次の行動を導くことが難しくなることがよくありますが、現実をマスターすれば、結論とその後の行動は非常に明確になります。

簡単な例を挙げると、この特別イベントの売上が振るわなかったのは単なる結果であり、ユーザーは実際には当社の製品を非常に気に入っているのですが、何らかの理由でこの特別イベントがユーザーに注文を促さなかったというのが現実です (実際の現実は理解しやすいようにより完全かつ簡略化されるので、細かいことを気にする人は立ち去ってください)。

ビジネスデータ管理フレームワークを構築する本質は、習得する必要のあるビジネスに関連するすべての現実を反映したデータフレームワークを構築し、それを論理的に分解して解釈し、効果的な結論を導き出すことです。整合性は、フレームワークを構築する最初のステップの目標です。このステップに整合性があって初めて、次のデータ管理ステップの基盤を築くことができます。

（1）まず自分自身に質問してください：このビジネスに影響を与える関連する実際の要因は何ですか？

問題なので、私たちが熟知している問題分析の分野に入りました。問題分析記事の方法論を参照すると、この問題は比較的混沌とした問題です。最終的な分析結果がどうなるか、分解に必要な要素が何であるかわからないので、頭を使わない6W2H法を使用して網羅的に列挙します（詳細については、skyhahalifeの以前の記事を参照してください）。

WHO: ユーザーの現状、基本的なユーザーポートレート、ユーザーレベルなどを説明するすべてのデータ項目を列挙します。
場所: シーンの現実、ファネルモデル、リソース配信効果などを説明するすべてのデータ項目を網羅します。
何をするか: 製品の実態、コンバージョン率、製品の販売データなどを説明するすべてのデータ項目を網羅します。

知識ポイント:

「上記の 3 つの分析フレームワークは、電子商取引で一般的に使用される「人、商品、市場」のフレームワークです。これらは 6W2H の進化形であり、戦略策定でよく使用されます。ただし、インターネット上の電子商取引の特殊な複雑さにより、このフレームワークはさまざまな C レベルのビジネス分析にも適用されることがよくあります。」

徹底的なプロセスは継続されます。データが完全な現実を理解するのに役立つと思われる限り、そのデータはフレームワークに含め、このプロジェクトに関連するすべてのデータがなくなるまで、他の「W」と「H」を使用して分析を続けます。

この部分の能力を向上させるための本質は、データを何度も分解して解釈するプロセスで継続的にビジネス知識を蓄積し、さまざまなビジネスシナリオでどの数字が重要で暗黙的であり、注意を払う必要があるかを知ることです。この能力をある程度蓄積した後は、上記の分解プロセスをスキップして、このフレームワークを頭の中で構築できます。

ただし、操作に習熟する前、または新しいビジネスシナリオに遭遇したときには、最初の数回で完全な現実を習得するプロセスを開始できるように、上記のプロセス全体を適用することをお勧めします。

すると、整理されていない大量のデータが手元にあることになります。それらはすでに現実の完全な記述ですが、まだ理解できず、有効な結論を導き出すこともできません。なぜなら、それらは単なる無秩序な数字であり、さらに論理的に分解して解釈する必要があるからです。これが、私たちがこれから行う 2 つのステップです。

（２）良い点と悪い点を比較検討する

今日の夕食は50元の辛い鍋を食べました。この数字に何か印象がありますか？ないと思います。しかし、同じ店で30元の辛い鍋料理を「カップルミール」と呼ぶと言ったら、明らかに「あなたは豚ですか？」という結論に達するでしょう。

このステップでは、現在持っている乱雑な数字を評価します。コンピューターや多くのストレート男性は、1 と 0 という 2 つの結果しか思い浮かびません。肯定的な結論と否定的な結論は明らかです。しかし、0 でも 1 でもない数値を評価する方法については絶対的なルールはありません。相対的な結論を導き出す唯一の方法は、比較することです。導き出された良いか悪いかの結論は、絶対的に良いか悪いかではなく、相対的に優れているか劣っているかというだけです。

上記の理論は、多くのストレート男性を困惑させる壮大な疑問を説明しています。彼女を満足させるためには、記念日にどれくらい高価な贈り物をあげるべきでしょうか?ほとんどの場合、答えは、彼女の親友が受け取ったものよりも高価なものにする必要がある、ということです。

したがって、この部分では各数値について結論を述べる必要があります。重要な点は、各数値について合理的かつ効果的な参照基準を見つけることです。

広告のクリック率はどれくらいか、業界の平均クリック単価はどれくらいか、以前の同様のビジネスでどれくらいの成果が得られたか、前回のプロジェクトでどれくらいの成果が得られたか。
ユーザーの ASP 値はいくらですか? 特定のシナリオにおける特定のグループの平均値はいくらですか?
製品の売上コンバージョン率はいくらか、競合製品の平均値はいくらか、以前のピークの 1 日の平均値はいくらか。

この領域での能力向上は明らかです。つまり、頻繁に接触するデータの次元と、その参照および測定基準に精通しているかどうかです。もちろん、このモジュールの機能を習得する前に、完全なデータフレームワーク内のすべてのデータの測定基準を包括的に整理して理解するように努めれば、基本的には順調に進むでしょう。

これで、評価が書かれた乱雑な数字が手元に集まり、ページのコンバージョン率が非常に悪いなどの明らかな結論を導き出すことができますが、これらの数字の間には論理的な関係がないため、現実全体を完全に説明することはできません。これが次に行う必要があることです。

（３）現実の完全な記述を形成するための論理の構築

結論が非常に明確であるように思われるため、多くのデータ分析作業は前のステップで停止されます (クリックスルー率が高いということはユーザーが気に入っていること、売上が好調であるということは製品が人気があること、ページ滞在時間が長いということはユーザーが閲覧する意思があることを意味します)。また、データ管理を期待を管理するツールとして使用する人にとって、この段階では実際に期待される結果を効果的に裏付ける多くの一方的な結論を導き出すことができます。いくつかの主観的または客観的な要因により、彼らは作業を中止し、これらの散在した結論を使用して独自のプロジェクトレポートを整理し始めます。

しかし、もっと注意深く調べてみると、こうした一点だけの数値的な結論は常に疑問視され、異議を唱えられる可能性があることがわかります。これは、リーダーから異議を唱えられたときに対応できないことが多い理由でもあります。データは論理を形成しないため、現実の完全な記述を形成しません。そのため、結論は不完全で、疑問の余地があるものになります。

完全かつ効果的なデータ管理フレームワークは、現実を厳密に論理的に記述したもので、厳密さと論理は必須の要素です。データは前述の理由により簡単に人を騙すことができるため、単一のデータポイントから論理的な推論なしにさまざまな結果が導き出され、人々は肯定的な結論を信じて他の可能性を無視する傾向があるため、誤解が生じます。

完全かつ厳密なロジックを構築することは、この問題を克服する効果的な方法であり、その方法は実際には複雑ではありません。

仮説的な結論:まず、手にある数字をすべて見て、頭の中で数字の関係を大まかに想像してください。大まかな推測ができるはずです。まずはそれを書き留めてください。推測が完全な論理的記述であることを確認してください（*知識ポイント：2 つの基本的な論理的記述：演繹と帰納：なぜなら-だから-なぜなら-だから、1、2、3、4 なので、X）。例: このマーケティングキャンペーンの販売結果が悪かったのは、間違った顧客を呼び込んだためにコンバージョン率が低かったためです。
検証:取得した数値を論理的な説明に入力し、このロジックが有効かどうかを検証します。たとえば、コンバージョン率は低いですか? 顧客プロファイルに一貫性がありませんか?
反証:最初の推測プロセスで構築された論理的説明が不完全になるのを避けるために、結論を反証する必要があります。手元にある数字から、この論理を無効にすることができる結論を探します。そうであれば、新しい仮説を立てるか、数字と論理の矛盾に基づいて新しい仮説検証反証を立てます。例: しかし、広告のクリック率は非常に高く、間違った顧客が誘導されたという結論を否定しているようです。新しい仮説: 広告のクリック率が高いのは、広告に関係のない誤解を招く情報 (無料の iPhone 抽選) が掲載されているためです。同様の誤解を招く情報によって、他の前例で同じ結論が導かれたかどうかを確認します。

上記のプロセスを経て、整理すべき重要な説明や必要な説明がなくなるまで、持っている数字を組み合わせて 1 つ以上の厳密な論理的な説明を作成し続けます。これは、プロジェクトのすべての現実を真に理解していることを意味します。これは、効果的なデータ管理作業の本質であり、その後の戦略的な最適化アクションを策定するための基本的な保証です。成功と失敗を客観的に受け止め、効果的な結論を導き出す能力こそが、企業とチームに本当に必要なことです。

この時点で、プロジェクトに関するどんな質問でも聞いてよいことをリーダーに自信を持って伝えることができます。

要約を書くのはさらに簡単です。いくつかの視覚化ツールを使用して、これらのロジックをシンプルかつ明確に提示するだけです。視覚化の方法に関する教材は市場にたくさん出回っています。ここでは移転の知識は教えませんので、自分で探してください。

もちろん、上記の 3 つの部分を完全に実装するのは非常に複雑で時間がかかり、すべてのプロジェクトを厳密に実装することは明らかに非現実的です。したがって、データ管理の実際の動作原理を理解することがより重要です。複雑なデータ管理タスクに直面した場合、この理論は、データ管理作業を間違いなく実行できるようにするための入門と方法を提供します。

各ステップでツールを使いこなせるようになり、ビジネス能力が徐々に向上するにつれて、データ管理能力によってプロジェクトの全事実を簡単かつ効率的かつ具体的に把握できるようになります。毎回、目的もなくデータを実行し、結論を導き出すためにレポートを書くことに多大な労力を費やす人々と比べると、あなたは次元削減攻撃者です。

2. データ分析ツールを使用してデータマイニングを完了し、結論を導き出す方法は?

解釈の第 2 部では、データ分析ツールを使用してデータマイニングを完了し、結論を導き出す方法について説明します。このプロセスは、単一ポイントの数値から値を抽出して意味を与える方法に関するデータ管理部分の手順に対応しています。

このセクションでは、あまり具体的なデータ分析ツールは紹介しません。市場には、学習できる既成の方法論もたくさんあります。かつて全国数学オリンピックで一等賞を獲得した人間として、10年間クラブに所属した後、回帰分析と確率計算が何であるかを本当に理解していません。

しかし、私が共有したいのは、データ分析ツールの背後にある、より重要なデータ分析のアイデアです。ある意味で、これらのアイデアは、データ分析ツールの本質を理解し、さまざまなシナリオで数値を分析する方法を理解し、方法論的な分析プロセスを過度に強調して誤った結論に至ることを避けるのに役立つ、真に強力なデータ分析ツールです。

これらのアイデアを習得すれば、ツールはすぐに使えるスキルとなり、必要なときにいつでも Baidu で検索できるようになります。

イベント運営にあたり習得すべき一般的なデータ分析の考え方（ツール）:

1. トレンド分析

企業が成長を続け、事業規模も依然として大きいのに、成長率が少しでも低下すると市場価値が大きく下がってしまうのはなぜでしょうか。資本市場における企業評価は、実際には企業の事業規模や今後数年の収益に基づいて行われるため、企業の現状よりも将来や発展の動向の方が重要です。

資本業界の企業規模評価モデルは、トレンド分析思考の核心を表しています。トレンド分析の自由度が高ければ高いほど、トレンドの本質がより明確に見えます。

どのように理解すればよいでしょうか。成長率はトレンド分析の第一の次元であり、企業の事業が依然として好調に発展していることを反映しています。しかし、トレンド分析の第二の次元である成長率の成長傾向（よく見られる成長率の低下の報告）は、企業の事業発展の傾向の方向を反映しており、成長がどんどん速くなっているか（持続的な成長の将来を示唆）、それともどんどん遅くなっているか（成長の停滞と低下の将来を示唆）を反映しています。

ここで、3 番目の次元である成長率の成長傾向について説明します。これは、企業の事業発展傾向のより本質的な方向性を反映しています (企業の成長率は低下していますが、前四半期よりも低下幅が小さく、企業と事業が新しい成長曲線を見つけ、古い成長曲線を引き継いでいることを意味している可能性があります)。

この原則を実際の仕事に当てはめると、トレンドの本質をより深く見るために、さまざまなトレンド分析のプロセスにおいて意識的に高次元に移行する必要があることを意味します。低いレベルにとどまると、将来の潜在的な傾向を無視してしまうことがよくあります。

2. 比較テストの種類

一般的に使用される分析方法は A/BTEST です。これは、基本的に一貫した条件と対照的な違いを持つ 2 つのコントロールグループを使用して、アクションの実際の効果を判断します。

この方法が A/BTEST と呼ばれるか C/Dtest と呼ばれるかは重要ではありません。重要なのは、その背後にある分析的思考です。運用アクションまたは干渉要因の真の影響を得るには、干渉要因を排除した比較テストを使用するのが最も厳密で効果的な方法です。

この方法は理系の学生には馴染みがあると思います。2 つの実験対象をできるだけ一貫した要因の下に置き、テスト要因のみを異なるようにして、2 つの実験対象の最終結果を観察します。そうして初めて、テスト要因と結果の間に絶対的に厳密な論理的推論関係が生まれます。

たとえば、ページ上のボタンの調整がページのクリックスルー率に影響するかどうかを検証する場合、ページの 2 つのバージョンを使用して同じ量のトラフィックをテストに投入しても、厳密な結論には至りません。これは、1 つのバージョンでは、画像付きのボタンをクリックする傾向が強い女性ユーザーが多くなる可能性があるためです。結論が有効になるように、投資したトラフィックのユーザーグループが基本的に同じであることを確認する必要があります。

この考えを念頭に置いて、女神があなたを拒絶した理由を見つけようとすることができます。彼女が醜いからでしょうか、それとも貧しいからでしょうか?

3. ユーザーパスとファネルモデル

アクティビティ操作でよく使用されるデータ分析のアイデアは、ユーザーの行動経路に戻ってデータロジックフレームワークを構築し、ユーザーの行動に影響を与える本当に重要な変換リンクをビジネスが明確に判断できるようにすることです。

ファネルモデルは誰でも作成できます。広告のクリックからページトラフィック、製品の詳細、注文の配置までの各リンクの絶対値を入力し、コンバージョン率を計算し、各ステップのコンバージョン率が良いか悪いかを結論付けて、質の低いリンクを最適化します。

もちろん、ほとんどの単純なビジネスモデルではこのようなファネルモデルを使用しても問題はなく、基本的に効果的な結論を導き出すこともできます。しかし、ほとんどの人がファネルモデルを使用するのは、卒業 6 か月前にメンターから与えられた基本的なファネルモデルに限られており、ファネルレベルの各データを毎回機械的に入力するだけです。

このような厳格な使用方法は、ビジネスモデルが変わった場合 (ソーシャル共有を設計する際にユーザーがページから入らなくなることが多い)、またはユーザーの行動が微妙に変化した場合 (ユーザーは不完全なページ情報を見てから検索に出て、最終的には注文する)、完全に効果がなくなることがよくあります。

したがって、ユーザーパス分析方法の核心的な考え方を習得することがより推奨されます。既製のファネルモデルを直接適用するのではなく、ストーリーを語るように、ユーザーが最初にビジネスに接触したときからユーザーのパスを描き、最終的なトランザクション変換段階に到達するまでのユーザーの可能な方向を明確に説明します。このようにユーザーパスを整理し、重要なポイントを見つけることによってのみ、真に効果的なファネルモデルを形成できます。

ソーシャル、垂直、分散型ビジネス（ソーシャル e コマース、流通など）がますます一般的になっている時代では、ユーザーの閲覧パスは、従来のホームページ - 特集ページ - 製品詳細モデル（従来の e コマースやポータルビジネスはすべてこれに似ています）よりもはるかに複雑です。ユーザーパス分析のコアアイデアを習得することによってのみ、ビジネスの変化に本当に対応できます。

4. ブラックボックス分析

ビジネスやモジュールの動作メカニズムが複雑すぎて、その動作ロジックを分析するのにコストがかかりすぎたり、不可能になったりする場合、ブラックボックス分析の考え方は簡単でシンプルな方法を提供します。つまり、不明瞭で複雑な動作メカニズムをブラックボックスとして扱い、ブラックボックスの入力と出力の結果のみを考慮し、入力と出力の関係を探します。

実際、人間が導き出した科学的結論のほとんどは、ブラックボックス分析によって導き出されたものです。たとえば、科学者たちは、ディスコのテーブルにフェラーリのキーを置くと、多くの若い女性が惹きつけられることを発見しました。

ブラックボックス分析の理論は理解するのが難しくありませんが、この考え方を適切なタイミングで適切に使用することが重要です。ブラックボックス分析は、原因の真相を突き止め、事実の全体像を把握しようとする前述のデータシステム管理とはある程度矛盾します。

しかし、私たちはプロジェクトの詳細にあまりにも長い間こだわりすぎて、常に定義できない原因を詳しく調べなければならないことがよくあります。線形変化のみを引き起こす要因によってプロジェクトチームが長時間にわたって分析にとらわれ、非効率になっていることが判明した場合は、重要でない部分や分析できない部分をブラックボックスにパッケージ化し、入力と出力の関係を使用して分析し、効果的な結論を導き出すのが適切です。

ブラックボックス分析のアイデアを適切に使用すると、効率を大幅に向上できます。

5. ビッグデータの考え方 - モデルに簡素化

この考え方は、データの量が十分に大きい場合、複雑な個人をビッグデータの個人に単純化することを学ばなければならないというものです。単純化のプロセスでは、重要な必要な要素を抽出し、無関係な要素や、個人差は大きいが全体的な違いは無視できる要素を削除します。

たとえば、多くの電子商取引企業はビッグデータを使用して各人に収入と都市レベルのラベルを付けます。これら 2 つの属性の交差点が基本的な消費者モデルを構成するためです。つまり、一級都市の裕福な人は流行を追いかけるのが好きで、一級都市の貧しい人はユニクロを買うのが好きで、低級都市の裕福な人は高級品を買うのが好きで、低級都市の貧しい人は純粋に安価な商品を買うのが好きです。一級都市にはダイソンを買う気のないケチな金持ちもいるかもしれないが、それは問題ではない。これがビッグデータ思考なのだ。

最もシンプルなユーザーモデルを構築することが、ビッグデータ思考の真髄です。

イベント運営者が直面するビジネス上の課題は、ターゲットユーザーを分析してビジネス戦略を策定することです。ビジネス目的に応じて構築すべきユーザーモデルが決まり、ユーザーモデルの構築によって特設ページのヒントのレイアウトや分類が決まります。

たとえば、月餅を販売する活動を担当しているとします。月餅を販売することがあなたのビジネスの目的です。この目的に関連付けられたユーザーモデルは、ユーザーが月餅を購入する理由と、ユーザーが購入できる月餅の値段などです。そこで、次のようなユーザーモデルを構築しました。金持ちは贈り物をし、貧乏人は贈り物をし、金持ちは自分で食事をし、貧乏人は自分で食事をします。

次に行う必要があるのは非常に簡単です。