データ分析はどのように行うのですか? 2つの主要分析モデルと6つのデータ表示チャート！

データ分析とは何ですか?

データ分析とは、収集された大量のデータを適切な統計分析を使用して分析し、詳細な調査を実施してデータを要約することで有用な情報を抽出し、結論を導き出すプロセスを指します。実用的には、データ分析は人々が判断を下し、適切な行動をとるのに役立ちます。

データ分析の目的は何ですか?

データ分析の目的は、一見無秩序に見える大量のデータに隠された情報を集中、抽出、精製し、研究対象の固有の法則を見つけることです。

実用的には、データ分析は人々が判断を下し、適切な行動をとるのに役立ちます。データ分析とは、組織が意図的にデータを収集して分析し、それを情報に変換するプロセスです。有効性を高めるには、市場調査からアフターサービス、最終廃棄に至るまで、製品のライフサイクル全体にわたってデータ分析プロセスを適切に適用する必要があります。

企業では、データ分析によって、企業の運営状況、製品の売上、ユーザー特性、製品の定着率などを把握することができます。

データ分析の手順は何ですか?

データ分析の手順

1. まず、分析のアイデアと目的を明確にします。

データ分析には何らかのビジネス目的が必要です。新製品の発売後にユーザーの使用状況を追跡したり、一定期間にわたってユーザーの維持率を観察したり、特定のクーポンを運用してそれが効果的かどうかを確認したりすることが目的である場合もあります。特定の目的をもって、どの角度から分析するかを決定します。次に、その目的を表す指標を見つけます。

たとえば、最新のクーポンのバッチが有効かどうかを確認したいとします。クーポンの受け取りとクーポンの使用という2つの側面から分析できます。クーポンの受け取りの指標は受け取り率に分類でき、使用は使用率、平均注文額などに分類できます。

2. データ収集:

このデータ分析の中核となる指標を決定した後、そのデータ指標に基づいてデータ収集を実行する必要があります。

企業によっては、データの準備が非常に徹底しており、データ ウェアハウスやデータ マートなどが早い段階で構築されています。企業によってはデータ分析が遅れているところもあるので、初期段階では自分たちで多くのデータ収集作業を行う必要があります。たとえば、自社またはサードパーティのデータ分析ツールを使用して、データを追跡し、ログを取得します。または、注文データ、基本的なユーザー情報など、データベース内の既存のデータを使用します。

3. データ処理：

データが抽出された後、ダーティデータを削除（クリーニング）し、データを変換する必要があります。最も基本的なデータの要約と集計を実行すると、比較的単純なフィールドと比較的豊富なデータを含む幅広いデータ テーブルを取得できます。

4. データ分析:

データ分析とは、適切な分析方法とツールを使用して処理されたデータを分析し、貴重な情報を抽出し、効果的な結論を導き出すプロセスです。

一般企業が観測する必要があるデータは、大まかに以下のカテゴリに分類できます。

• ビジネスデータ:支払額、有料ユーザー数、支払率、平均注文額
• 運用データ:新規ユーザー数、日次アクティブユーザー数、週次アクティブユーザー数、月間アクティブユーザー数 ( AARRR モデル)
• 商品データ:主要ページの PV と UV (ファネル モデル)
• ユーザーデータ:ユーザーライフサイクル、ユーザーリテンション、ユーザー平均注文額、ユーザータイプ ( RFM モデル...)
• 製品データ：製品売上、粗利益分析…

データの重要性が増すにつれ、データが業務にとって極めて重要であることを認識する企業が増えています。そのため、ほとんどの企業では、予備的なデータ処理と分析を実行し、それを経営陣が日常のデータニーズや企業の意思決定に使用できるよう週次レポートの形式でまとめる専用の BI 部門を設けています。

ここでは主に 2 つの簡単なデータ分析モデルを紹介します。

AARRRモデル:

獲得、活性化、維持、収益、紹介

AR RRモデル

1. 買収

ユーザーを獲得するにはどうすればいいですか?オンラインでは、ウェブサイト上のSEOやSEM 、アプリ上のマーケット投入やASOなどの方法を通じて取得できます。運営活動やセルフメディアなどのH5ページもあります。訪問販売やチラシ配布を通じてオフラインでユーザーを獲得します。

2. 活動を増やす

ユーザーが来た後は、価格の割引やコンテンツの編集などを通じて、ユーザーのアクティビティを増やしていきます。コンテンツを増やし、製品を増やし、有利な価格を提供しますが、成長の余地が残るようにコストを管理します。このようなユーザーはアクティブであることが最も価値があります。

製品戦略面では、操作モジュールの提供やコンテンツの深化に加え、アクティブユーザーを育成するために、製品メンバーシップインセンティブメカニズムと成長システムを実装します。商品割引やVIPのアイコンがあるだけでなく、長い業務プロセスにはプロセスに対するインセンティブ制度があり、商品戦略がより多様化しています。

3.定着率の向上

活動レベルが高まり、忠実なユーザーがいることで、ユーザー数は徐々に落ち着いていきます。運用面では、コミュニティのユーザーがコンテンツや相互メッセージを利用して共同で UCG を構築し、初期の PCG モデルから脱却しました。 Eコマースは製品の品​​質を通じて顧客維持率を向上させ、 O2Oは高品質のサービスを通じて顧客維持率を向上させます。これらはすべてビジネスレベルの保持率の向上です。

製品モデルの観点から見ると、メンバーシップ メカニズムのサインインと報酬メカニズムを通じて保持率が向上します。アプリプッシュと SMS アクティベーションの両方の方法は、ユーザーをアクティベートし、維持率を向上させるための製品の方法です。

日次維持率、週次維持率、月次維持率などの指標を通じてアプリのユーザー離脱を監視し、離脱する前にこれらのユーザーがアプリを使い続けるように促す適切な対策を講じます。

4. 収益を得る

収益を生み出すことが、実はアプリケーション運用の中核です。無料アプリであっても、独自の収益モデルを持つ必要があります。

主な収益源は、有料アプリ、アプリ内購入、広告の 3 つです。中国では有料アプリの受け入れが非常に低く、 Google Playストアでは中国で無料アプリのみを宣伝しています。中国では、ほとんどの開発者にとって広告が収入源となっている一方、ゲーム業界では現在、アプリ内決済がより広く利用されている。

前述のアクティビティと維持率の向上は、収益を生み出すために必要な基盤です。ユーザーベースが大きい場合にのみ収益を増やすことができます。

5. 自己増殖（参照）

これまでの運用モデルは第4レベルで終了していましたが、ソーシャルネットワークの台頭により、ソーシャルネットワークをベースとしたバイラル拡散という側面が運用に加わり、ユーザー獲得の新たな手段となりました。この方法は非常に低コストで、非常に効果的である可能性があります。唯一の前提条件は、製品自体が十分に優れており、評判が良いことです。

自己増殖から新規ユーザーの獲得まで、アプリケーション運用は螺旋状の上昇軌道を形成します。そして、これらの優れたアプリケーションはこのトラックを有効活用し、ユーザーベースを継続的に拡大しています。

ファネルモデル:

ユーザーアクセスパス

ファネルモデル

ファネル モデルは、トラフィック監視や製品ターゲット変換などの日常的なデータ操作で広く使用されています。ユーザー（またはトラフィック）が特定の機能ポイント（ビジネスニーズに応じて設定可能）から入り、製品自体が設定したプロセスを経て操作を完了する可能性があるため、ファネルと呼ばれます。

各コンバージョン レベルでプロセスに従うユーザーを監視して、各レベルでの最適化ポイントを見つけます。プロセスに従わないユーザーのコンバージョン パスをマッピングして、ユーザー エクスペリエンスを改善してパスを短縮する余地を見つけます。

ファネル モデルを使用する典型的な例は、電子商取引 Web サイトのコンバージョンです。ユーザーが製品を購入する場合、事前に設計された購入プロセスに従って必然的に注文を行い、最終的に支払いを完了します。

単一のファネル モデルは分析には意味がないことに注意してください。単一のファネル モデルから、Web サイトの主要プロセスの各ステップのコンバージョン率を評価することはできません。したがって、トレンド、比較、セグメンテーションの方法を使用して、プロセスの各ステップのコンバージョン率を分析する必要があります。

トレンド:タイムラインの変化を分析します。プロセスまたはそのステップの改善や最適化の効果を監視するのに適しています。

比較:類似の製品またはサービス間の購入または使用プロセスの変換率を比較することで、特定の製品またはアプリケーションの問題を発見できます。

セグメント:さまざまなソースまたは顧客タイプのコンバージョン率をセグメント化して、高品質のソースまたは顧客を見つけます。これは通常、Web サイトの広告やプロモーションの有効性と ROI を分析するために使用されます。

5. データの提示:

データの視覚化 - 基本的なチャート

データ視覚化とは、データの視覚的表現に関する科学的および技術的な研究です。その中で、このデータの視覚的表現は、対応する情報単位のさまざまな属性と変数を含む、特定の要約形式で抽出された情報として定義されます。

チャートは「データの視覚化」の一般的な手段であり、その中でも棒グラフ、折れ線グラフ、円グラフなどの基本的なチャートが最もよく使用されます。

データの視覚化 - チャート

基本的なチャートは単純すぎる、原始的すぎる、ハイエンドではない、壮大ではないと考え、より複雑なチャートを追求する人もいます。しかし、チャートはシンプルであればあるほど理解しやすくなります。データを素早く簡単に理解することこそが「データビジュアライゼーション」の最も重要な目的であり、最大の追求ではないでしょうか。

したがって、これらの基本的なチャートを過小評価しないでください。これらはユーザーが最もよく知っている機能であるため、該当する場合は常に優先して考慮する必要があります。

1. 棒グラフ

棒グラフは最も一般的なグラフであり、最も解釈しやすいグラフです。

棒グラフ

これは、2 次元のデータ セット (各データ ポイントは x と y の 2 つの値で構成) があり、比較する必要があるのは 1 つの次元のみである場合に便利です。年間売上高は 2 次元データであり、「年」と「売上高」がその 2 つの次元ですが、比較する必要があるのは「売上高」次元のみです。

棒グラフでは、棒の高さを使用してデータの違いを反映します。肉眼は高低差に非常に敏感で、高低差を非常に正確に識別できます。ヒストグラムの制限は、小規模から中規模のデータ セットにのみ適していることです。

一般的に、棒グラフの X 軸は時間軸であり、ユーザーは時間的な傾向があると信じる傾向があります。 X 軸が時間ディメンションでない場合は、色を使用して各列を区別し、ユーザーの時間の傾向への焦点を変更することをお勧めします。

棒グラフ

上の図は、ある年のイングランド フットボールリーグにおける各チームの勝利数を示しています。X 軸はさまざまなチームを表し、Y 軸は勝利数を表します。

2. 折れ線グラフデータ

折れ線グラフは、特に傾向が単一のデータ ポイントよりも重要である場合、大規模な 2 次元データセットに適しています。

折れ線グラフ

複数の 2 次元データ セットの比較にも適しています。

折れ線グラフ

上の図は、2 つの 2 次元データ セット (大気中の二酸化炭素濃度と平均地表温度) を折れ線グラフにしたものです。

3. 円グラフ

円グラフは、人間の目が面積の大きさに敏感ではないため、避けるべきタイプのグラフです。

円グラフ

棒グラフ

上の図では、左側の円グラフ内の 5 つの色ブロックの領域の順序がわかりにくくなっています。棒グラフに変更すると、はるかに簡単になります。

一般的には、円グラフではなく棒グラフを常に使用する必要があります。しかし、例外として、全人口に占める貧困層の割合など、全体に対する特定の部分の割合を反映する場合もあります。

円グラフ

4. 散布図

散布図は 3 次元データ セットに役立ちますが、比較する必要があるのは 2 つの次元だけです。

散布図

上の図は、さまざまな国の医療費と平均寿命を示しています。3 つの側面は、国、医療費、平均寿命です。比較する必要があるのは最後の 2 つの側面だけです。

3 番目の次元を識別するために、各ポイントにテキスト ラベルまたは異なる色を追加できます。

散布図

5. バブルチャート

バブル チャートは、各ポイントの領域のサイズを通じて 3 次元を反映する散布図のバリエーションです。

バブルチャート

上の写真はハリケーン カトリーナの進路を示しています。3 つの次元は経度、緯度、強度です。ドットの面積が大きいほど、強度は大きくなります。ユーザーは領域のサイズを判断するのが得意ではないため、バブル チャートは 3 次元を正確に識別する必要がない状況にのみ適しています。

バブルに異なる色（またはテキストラベル）を追加すると、バブルチャートを使用して 4 次元データを表現できます。たとえば、下の図では、各地点の風の強さを色で示しています。

バブルチャート

6. レーダーチャート

レーダー チャートは多次元データ (4 次元以上) に適しており、各次元は並べ替え可能である必要があります (国籍は並べ替えられません)。ただし、データポイントの数が最大 6 個という制限があり、それを超えると区別がつかないため、適用機会が限られます。

マイアミ ヒートの先発バスケットボール選手 5 人の統計は次のとおりです。名前に加えて、各データ ポイントには、ポイント、リバウンド、アシスト、スティール、ブロックの 5 つのディメンションがあります。

レーダーチャート

レーダーチャートに描くと次のようになります。

レーダーチャート

データポイントの領域が大きいほど、重要度が増します。明らかに、レブロン・ジェームズ（赤い部分）がヒートにとって最も重要な選手です。

ユーザーはレーダーチャートに慣れておらず、解釈が難しいことに注意することが重要です。解釈の負担を軽減するために、使用時に説明を追加するようにしてください。

VII. 結論

この記事の著者は@hoolyで、(Qinggua Media)が編集・出版したものです。転載の際は著者情報と出典を明記してください。

製品プロモーションサービス：APPプロモーションサービス、広告プラットフォーム、Longyou Games