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? 3つのアイデアと8つの方法！

最近「Chief Growth Officer」を読んでいるのですが、内容の一部が非常にためになったので、新しいコレクションを作成し、ここに読書メモをいくつか載せました。 AARRR モデルのような一般的なものは含めません。主に、私が新鮮に感じる方法論や思考フレームワークをいくつか記録します。 1.データ分析のための3つのアイデア

本書で紹介されている例によれば、これら 3 つの方法は、複数のチャネルに商品を配置する際の決定など、マクロレベルの決定に適している可能性がある。ランディング ポイントのより正確な分析となると、ボタンを右上隅に配置するか下部に配置するかを決定するなど、方法を調整する必要があるかもしれない。

1. 基本的なデータ分析方法

ビジネス中心のデータ分析は、ビジネス シナリオから始まり、ビジネス上の意思決定で終わる必要があります。これも比較的一般的な方法です。次の 5 つの手順は、多くのシナリオでの推論に使用できます。

この本では、ビジネスへの影響の調査、分析計画の策定、クエリ データの分割、ビジネスに関する洞察の抽出、ビジネス上の意思決定という 5 つの基本的なステップについて説明しています。

この方法の良い例はまだ思いつきませんが、マルチチャネル配信の意思決定についての良い例が本にありますので、ぜひご覧になることをお勧めします。

2. 内部要因と外部要因の分解法

この方法のシナリオは、ノーススター指標に影響を与える要因を見つけること、つまり、2 つの次元（内部要因 + 外部要因、制御可能な要因 + 制御不可能な要因）から区別し、影響要因を 4 つのカテゴリに分類することです。

これは本質的に網羅的な列挙です。この方法の最大の欠点は、漏れが生じやすいことです。アナリストが 1 人であってもチームであっても、漏れは避けられません。もちろん、4 つの間隔から影響要因を区別することで、より直感的な分析が可能になり、制御可能な方法で適切な薬を処方できるという利点もあります。

3. DOSSのアイデア

詳細な質問

全体的な影響

単一回答

スケールソリューション

データ分析の8つの方法

過去 1 年間の DAU、新規追加、リテンション、チャネルなどの一般的なデータ、オープニング画面からコア機能までアプリのすべてのページの UV/PV、すべての CTA の UV/PV など、製品のすべてのデータが目の前にあるとします。つまり、アプリに関するすべてのデータが基本的に取得できます。今、データ システムを構築したいと考えています。方法は何ですか?

1. 数字と傾向

最も基本的な形式のデータ表示は、Excel を使用して実現できます。

キー値。トレンド チャート、ヒストグラム、折れ線グラフ、積み上げグラフ、円グラフ。

2. 次元分解

単一の値または傾向が比較的マクロ的な場合は、それを細分化する必要があります。

たとえば、毎日の追加は、App Store 、 360 Mobile Assistantなどのチャネルのディメンションから細分化できます。これに基づいて、さまざまなディメンションで追加を確認し、チャネルのプロモーションに関する決定を下すことができます。

日々の追加は、時間という側面からも分析できます。たとえば、新規追加のピーク時間帯が午後 1 時だとわかった場合、業務活動はこの時間帯に集中していると考えられます。

3. ユーザーセグメンテーション

「1 月に北京から App Store にアクセスした新規ユーザー」など、特定の行動やラベルに一致するユーザーをグループ化して分類します。

このグループのユーザーの趣味や消費レベル、高頻度行動などを詳細に分析し、「買い物カゴに商品を入れたが支払いはしなかったユーザー」にクーポンを発行するなど、ターゲットを絞ったユーザー操作やマーケティングプロモーションを実施することができます。

4.コンバージョンファネル

これは最もよく知られている方法でしょう。登録コンバージョンファネルであろうと、注文支払いファネルであろうと、基本的にすべてのユーザー行動はファネルで表現できます。

次の 3 つの問題に焦点を当てます。

- 最初から最後までの全体的なコンバージョン率はどれくらいですか?

- 各ステップのコンバージョン率はどれくらいですか?

- どのステップで離脱が最も多く、その理由は何か、離脱したユーザーにはどのような特徴があるか（ここではユーザーセグメンテーションを使用して詳細な分析を行うことができます）

5. 行動の軌跡

数ページのUV/PV値からは、全体的なコンバージョン率しか見えませんが、実際には偏差があるかもしれません。ユーザーの行動軌跡を見ることで、より実践的な視点で商品を理解することができます。

6. 保持分析

次の 2 種類の保持に焦点を当てます。

- 新規ユーザーの維持率: 翌日維持率、7 日間維持率、30 日間維持率、維持率の変化の傾向。

- 機能保持: 機能xxを使用するユーザーは翌日に再度操作を実行します

7. A/Bテスト

意義を説明する必要はありませんが、実際にA/Bテストを実施したことがある人は限られているはずです。

A/B テストには 2 つの重要な要素があります。

- テストに十分な時間を確保してください。

- 高いデータ量とデータ密度。製品のトラフィックが大きくない場合、テストの統計結果は実際には非常にランダムになります。

8. 数学モデリング

ビジネス目標がユーザーの行動やユーザーのポートレートなどの情報に関連している場合は、数学的モデリング、データマイニングなどの方法を使用してモデルを構築し、予測分析を行うことができます。

これは比較的高度な操作であり、会社が一定の規模を持ち、十分な予算投資を持っていることが必要です。

出典: Rockelbel