業務に必須のデータ分析手法15選！ ！

データ分析というと、多くの人が密集した数字の表、高度なデータ モデリング手法、または見事なデータ レポートを思い浮かべます。実は、「分析」自体は、株の動向から買うか売るかを決めたり、日々の時間や過去の経験から運転ルートを選んだり、航空券やホテルを予約する際に複数の会社の価格を比較した上で最終的な選択をしたりと、誰もが持っているスキルです。

これらの小さな決定は、実際には私たちの頭の中にあるデータ ポイントに基づいて行われ、これは単純な分析のプロセスです。ビジネス上の意思決定者は、体系的かつ科学的でビジネスに準拠したデータ分析の知識を習得する必要があります。

1. データ分析における戦略的思考

製品、マーケティング、運用、管理のいずれの分野に携わっていても、データの本質的な価値は何なのかを深く考える必要があります。あなたとあなたのチームはこのデータから何を学ぶことができますか?

1.1 データ分析の目的

企業にとって、データ分析はプロセスの最適化、コストの削減、売上の増加に役立ちます。このタイプのデータ分析は、ビジネス データ分析と呼ばれることがよくあります。ビジネス データ分析の目標は、ビッグ データを活用して、すべての専門家に迅速で高品質かつ効率的な意思決定を行い、スケーラブルなソリューションを提供することです。ビジネス データ分析の本質は、ビジネス価値を創造し、ビジネスの成長を促進することです。

1.2 データ分析の役割

私たちがよく話題にする企業の成長モデルは、多くの場合、特定のビジネス プラットフォームを中心に展開されます。その中で、データとデータ分析は欠かせないリンクです。

企業やプラットフォームを通じて対象ユーザーグループに商品やサービスが提供され、商品やサービスの利用中にユーザーによって生成されたインタラクションやトランザクションがデータとして収集されることがあります。これらのデータ洞察に基づいて、分析手段を通じて顧客のニーズをリバースエンジニアリングし、これらのニーズを満たすより付加価値の高い製品やサービスを作成し、ユーザーの使用に再投資することで、完全なビジネスのクローズドループを形成できます。このような完全なビジネス ロジックは、ビジネスの成長を真に促進することができます。

1.3 データ分析の進化

当社では、データ分析の段階を事業収益率に基づいて位置付けることが多いため、4 つの段階に分けます。

ステージ 1: データに何が起こっているかを観察します。

まず、何が起こったかを示す基本的なデータ表示です。たとえば、ある会社が先週、新しい検索エンジンA の広告を開始し、1 週間後に新しいチャネルA のパフォーマンスと既存のチャネル B のパフォーマンスを比較し、A と B がそれぞれどのくらいのトラフィックをもたらすか、そしてコンバージョン効果はどの程度かを調べたいとします。 たとえば、新しく発売された製品を気に入ったユーザーの数や、新規登録フローで登録した人の数などです。これらすべてには結果を示すデータが必要であり、データ自体によって提供される「何が起こったか」に基づいています。

ステージ 2: なぜそれが起こったのか理解していますか?

チャネル A がチャネル B よりも多くのトラフィックをもたらす理由がわかったら、ビジネスに基づいてこの現象の理由をさらに特定する必要があります。この時点で、特定のキーワードによってもたらされたトラフィックや、チャネルがより多くのモバイル ユーザーを獲得したかどうかなど、データ情報を通じてさらに詳細なセグメンテーションを行うことができます。このような詳細なデータ分析と判断は、ビジネス分析の第 2 の高度なレベルとなり、より多くのビジネス価値を提供することもできます。

フェーズ 3: 将来何が起こるかを予測しますか?

チャネル A と B によってもたらされるトラフィックの量がわかれば、過去の知識に基づいて将来何が起こるかを予測できます。チャネル C と D を起動すると、チャネル C がチャネル D よりも優れていると推測されます。新しい登録フローと新しい最適化を起動すると、どのノードに問題が発生する可能性が高いかがわかります。また、データ マイニングを使用して、チャネル C と D の違いを自動的に予測および判断することもできます。これは、将来の結果を予測する、データ分析の 3 番目の高度なレベルです。

フェーズ4: ビジネス上の決定

すべての仕事の中で最も意義のある部分は、データを使用して何をすべきかを決定するビジネス上の意思決定です。ビジネスデータ分析の目的はビジネス成果です。データ分析の出力を直接意思決定に転換できる場合、またはデータを使用して直接意思決定を行うことができる場合、データ分析の価値が直接反映されます。

1.4 データ分析のためのEOIフレームワーク

EOI フレームワークは、LinkedIn やGoogleを含む多くの企業が分析プロジェクトの目標を定義するための基本的な方法です。また、マネージャーがビジネス データ分析プロジェクトについて考えるための基本的かつ必要な手段でもあります。

その中で、まずは会社の事業プロジェクトを、コアタスク、戦略タスク、リスクタスクの3つに分類します。 Google を例に挙げてみましょう。Google の中心的な使命は、検索、 SEM 、広告です。これは実績のあるビジネス モデルであり、そこから多大な利益を上げ続けています。 Googleの戦略的使命（2010年頃）はAndroidプラットフォームでした。Appleや他のメーカーに占領されないように、そこに時間と労力を費やす必要がありましたが、ビジネスモデルは形にならなかったかもしれません。 Google Glass、自動運転車などのイノベーションには、リスクを伴うタスクが非常に重要です。

これら 3 種類のタスクに対するデータ分析プロジェクトの目標も異なります。コア タスクの場合、データ分析はイネーブラー (E) であり、企業が利益を上げ、利益効率を向上させるのに役立ちます。戦略タスクの場合、それは最適化 (O) であり、戦略タスクが方向性と利益ポイントを見つけるのを支援する方法です。リスク タスクの場合、それはジョイントベンチャー(I) であり、革新的なプロジェクトの重要性を検証するために懸命に取り組んでいます。管理者は、会社のビジネスと開発の傾向を明確に理解し、データ分析リソースを合理的に割り当て、データ分析の目標を設定する必要があります。

2. データ分析の3つの主要な考え方

膨大な量のデータに直面しても、多くの人はどのように準備し、どのように作業を進め、どのように結論を導き出せばよいのかがわかりません。ここでは、データ分析の典型的なアイデアを 3 つ紹介します。データ分析の実際の応用に役立つことを願っています。

2.1 データ分析の基本手順

上記では、データ分析とビジネス結果のつながりの重要性について述べました。すべてのビジネス 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。データ分析では、最初に何をする必要があり、後で何をする必要がありますか?これに基づいて、ビジネス データ分析プロセスの 5 つの基本的なステップを提案します。

最初のステップは、ビジネス上の意味を探り、データ分析の背景と前提、それに関連付けるビジネス シナリオの結果を理解することです。

2 番目のステップは、シナリオを分割する方法や推論を行う方法を含む分析計画を作成することです。

3 番目のステップは、分析計画から必要なデータを分離し、実際に分析自体を実行することです。

4 番目のステップは、データ結果からビジネス上の洞察を決定して抽出することです。

5 番目のステップは、データの結果に基づいて洞察を得て、最終的にビジネス上の意思決定を行うことです。

例えば：

国内のインターネット金融管理ウェブサイトのマーケティング部門は、ウェブトラフィックを集めるために、Baiduとhao123に継続的に広告を掲載しています。最近、社内の同僚から、トラフィックを増やすために Shenma Mobile の検索チャネルに広告を掲載することを提案されました。さらに、詳細な広告のために Kingsoft Network Alliance に参加するかどうかも評価する必要があります。

このマルチチャネル配信シナリオで詳細な意思決定を行うにはどうすればよいでしょうか? 上記のビジネス データ分析プロセスの 5 つの基本的なステップに従って、この問題を分析してみましょう。

ステップ 1: ビジネスへの影響を明らかにします。

まず、マーケティング部門が最適化したいものを理解し、それを測定するための北極星指標として使用する必要があります。チャネルの有効性評価において重要なのは、ビジネス変換です。P2Pウェブサイトの場合、「訪問ユーザー数」よりも、「投資と財務管理」を開始するかどうかの方がはるかに重要です。そのため、神馬モバイル検索でもKingsoftチャネルでも、データ手段を通じてコン​​バージョン効果を測定する方法に重点が置かれており、コンバージョン効果に基づいてさまざまなチャネルの運用戦略をさらに最適化することもできます。

2 番目のステップは、分析計画を作成することです。

「投資と財務管理」をコアコンバージョンポイントとして、トラフィックテストに一定の予算を割り当て、登録数と最終的なコンバージョン効果を観察・比較します。これらの人々が金融商品を繰り返し購入する回数を書き留め、引き続き注目することで、チャネルの品質をさらに判断します。

3 番目のステップは、クエリ データを分割することです。

分析計画ではチャネル トラフィックを比較する必要があるため、詳細な分析と実装を行うには、各チャネルからのトラフィック、ランディング ページの滞在時間、ランディング ページの直帰率、Web サイト訪問の深さ、注文、その他の種類のデータを追跡する必要があります。

4 番目のステップは、ビジネスに関する洞察を抽出することです。

データ結果に基づいて、キャンペーン開​​始後の Shenma Mobile Search と Kingsoft Network Alliance の効果を比較しました。トラフィックとコンバージョンという 2 つのコア KPI に基づいて結果を観察し、ビジネスへの影響を推測しました。 Shenma のモバイル検索結果が良くない場合は、製品がモバイル顧客ベースに適しているかどうかを検討したり、ランディング ページのパフォーマンスを注意深く観察して最適化できるコンテンツがあるかどうかを確認したりすることで、ビジネス インサイトを見つけることができます。

ステップ 5: ビジネス上の意思決定を下す。

データの洞察に基づいてチャネルの意思決定をガイドします。たとえば、Shenma チャネルでの広告を停止し、Kingsoft Network Alliance によるフォローアップを継続して評価したり、モバイル ランディング ページを最適化したり、ユーザー操作戦略を変更したりします。

上記は、ビジネス データ分析を分解し、推論を完了するための基本的な手順です。次のコンテンツでは、この分析的なアイデアについて説明します。

2.2 内部要因と外部要因の分解法

データ分析の過程では、ノーススター指標に影響を与える要因が多数存在しますが、これらの要因をどのように見つければよいのでしょうか。ここで私は内部要因と外部要因の分解法を皆様にお勧めします。内外要因分解法とは、問題を内部要因、外部要因、制御可能要因、制御不可能要因の 4 つの部分に分割し、各問題を段階的に解決していく方法です。

例えば：

求職者側と企業側に分かれたソーシャルリクルートメントサイト。その収益モデルは一般的に企業に課金することであり、課金方法の 1 つは求人広告スペースを購入することです。ビジネス関係者は、過去 6 か月間で「求人広告」の数が徐々に減少していることに気付きました。特定のデータ指標の低下といった問題をどのように分析すればよいのでしょうか?
内部要因と外部要因の分解法によれば、考えられる影響要因を 4 つの角度から順に分析できます。

内部で制御可能な要因:最近の製品発売の更新、市場チャネルの変更、製品の粘着性、新規および既存のユーザーの維持の問題、およびコア目標の変換。

外部の制御可能な要因:市場競合他社の最近の行動、ユーザーの使用習慣の変化、時間の経過に伴う採用ニーズの変化。

内部の制御不能な要因:製品戦略 (モバイル/PC)、会社全体の戦略、会社の顧客グループの位置付け (たとえば、医療業界のみの採用)。

外部の制御不能な要因:インターネット採用業界の動向、全体的な経済状況、季節の変化。

内部要因と外部要因の分解方法を使用すると、データ指標をより包括的に分析し、影響要因の見逃しを回避し、適切な解決策を処方することができます。

2.3 DOSSのアイデア

DOSS アプローチは、特定の問題をその全体的な影響に分解し、単一のソリューションからスケーラブルなソリューションを見つけることです。 DOSS は、効果的な成長ソリューションを迅速に拡張するための効果的な方法です。

例えば：

オンライン教育プラットフォームは、無料のコースビデオを提供し、有料メンバーシップを販売して、有料メンバーにさらに高度なコースコンテンツを提供します。無料の C++ コースを視聴し続けているユーザー グループに、有料のコンピューター テクノロジー コースのセットをプッシュする場合、データ分析をどのようにサポートすればよいでしょうか?

DOSS 思考の 4 つのステップを次のように分類します。

具体的な問題:顧客グループがコースを購入する可能性が高いかどうかを予測します。

全体的な影響:まず、このグループの人々による無料コースの使用状況に基づいてデータ分析とデータマイニング予測を実施し、次に、コンピューター コースに加えて他の種類のコースに焦点を当てて、たとえば全体的な影響にまで拡張します。

単一の答え:このユーザー グループ用のモデルを構築し、モデルが最終的なコンバージョンに与える影響を監視します。

スケーリング ソリューション:次に、特定の行動の軌跡と特性に一致する行動をモデル化するスケーリングされたソリューションを開始し、コース推奨モデルを製品化します。

3. データ分析の8つの方法

上記では、明確なデータ分析アイデア フレームワークの構築に役立つ 3 つの標準的な分析アイデアを紹介しました。では、具体的なビジネス シナリオの問題に対しては、どうすればよいでしょうか?

ここでは、 eコマースのウェブサイトを例に、データ分析製品を使用してウェブサイトからデータをすばやく収集し、それを明確かつ視覚的に表示し、一般的な8つのデータ分析方法を紹介します。

3.1 数値と傾向

数値と傾向を見ることは、データ情報を表示する最も基本的な方法です。データ分析では、直感的な数字やトレンドチャートを通じて市場の動向、注文量、パフォーマンス状況などを素早く把握できるため、データ情報を直感的に吸収し、より正確でリアルタイムな意思決定を行うことができます。

電子商取引のウェブサイトにとって、トラフィックは非常に重要な指標です。上図では、ウェブサイトの訪問者数（UV）やページビュー（PV）などの指標を統合データダッシュボードに集約し、リアルタイムに更新しています。このようなデータ ダッシュボードを使用すると、主要な数値と傾向が明確にわかります。

3.2 次元分解

単一の数値や傾向がマクロすぎる場合は、より詳細なデータの洞察を得るために、さまざまな次元でデータを細分化する必要があります。ディメンションを選択するときは、分析結果への影響について慎重に検討する必要があります。

たとえば、異常なウェブサイトのトラフィックを検出した場合、地域、アクセス元、デバイス、ブラウザなどのディメンションに分割することで問題を見つけることができます。図に示すように、当日のウェブサイト訪問者数は先週よりも大幅に増加しました。その理由は何でしょうか?トラフィックをアクセス元別に分割すると、直接アクセス元からのトラフィックが大幅に増加していることが簡単にわかり、問題がさらに深刻化します。

3.3 ユーザーのセグメンテーション

特定の行動や背景情報を持つユーザーを分類することを、ユーザー セグメンテーションと呼びます。特定の情報を抽出して、ユーザー グループのプロファイルを作成することもできます。 たとえば、ショッピング Web サイトにアクセスし、配送先住所が北京にあるユーザーは、「北京」ユーザー グループとして分類できます。 「北京」ユーザー グループについては、製品購入の頻度、カテゴリ、時間をさらに観察して、このユーザー グループのポートレートを作成できます。

データ分析では、特定の行動や背景を持つユーザーに対してターゲットを絞ったユーザー操作や製品の最適化を行うことが多く、その効果はより顕著になります。上図では、GrowingIO のユーザーグループ化機能を使用して、プロモーションで支払いに失敗したユーザーを選択し、対応するクーポンをプッシュしています。このような的確なマーケティングプロモーションにより、ユーザーの購入意欲と売上高が大幅に増加します。

3.4 コンバージョンファネル

ほとんどのビジネス収益化プロセスはファネルとして要約できます。ファネル分析は、登録コンバージョンファネルであれ、 eコマース注文ファネルであれ、最も一般的なデータ分析方法の 1 つです。ファネル分析を使用すると、ユーザーのコンバージョン パスを最初から最後まで復元し、各コンバージョン ノードの効率を分析できます。

その中で、私たちは次の 3 つの重要なポイントに注目することがよくあります。

まず、最初から最後までの全体的な変換効率はどれくらいでしょうか?

次に、各ステップのコンバージョン率はどれくらいでしょうか?

3番目に、どのステップで最も損失が発生し、その理由は何ですか?離脱したユーザーの特徴は何ですか?

上図の登録プロセスは 3 つのステップに分かれており、全体のコンバージョン率は 45.5% です。つまり、登録ページにアクセスするユーザーは 1,000 人いて、そのうち 455 人が登録を完了しています。しかし、2ステップ目のコンバージョン率が56.8％と、1ステップ目（89.3％）や3ステップ目（89.7％）のコンバージョン率に比べて大幅に低いことは容易に分かります。2ステップ目の登録プロセスに問題があると推測できます。 2 番目のステップに最も改善の余地があることは明らかであり、投資収益率は決して低くありません。登録コンバージョン率を上げたい場合は、2 番目のステップの解決を優先する必要があります。

3.5 行動の軌跡

行動の軌跡に注意を払うことは、ユーザーの行動を真に理解することです。データ指標自体は、実際の状況を抽象化したものにすぎません。たとえば、Web サイトの分析で、訪問ユーザー数 (UV) やページ ビュー (PV) などの指標だけを見ると、ユーザーが製品をどのように使用しているかを完全に理解することは不可能です。

ビッグデータを通じてユーザーの行動軌跡を復元することで、成長チームはユーザーの実際の体験に焦点を当て、具体的な問題を発見し、ユーザーの習慣に基づいて製品を設計し、コンテンツを配信できるようになります。

上の図は、eコマース ウェブサイト上のユーザーの詳細な行動軌跡を示しています。公式サイトからランディング ページ、製品詳細ページ、そして最後に公式サイトのホームページに戻ります。ウェブサイトの購入コンバージョン率が低く、過去のビジネスデータからは具体的な理由がわかりません。上記のユーザー行動トラックを分析することで、商品や運用上の問題（商品がマッチしていないなど）を発見し、意思決定の根拠を得ることができます。

3.6保持分析

人口ボーナスが徐々に薄れつつある時代では、既存ユーザーを維持するコストは新規ユーザーを獲得するコストよりもはるかに低くなります。すべての製品とサービスは、ユーザー維持に重点を置き、すべての顧客が確実に実現されるようにする必要があります。データ分析を通じてリテンションを把握できるだけでなく、ユーザーの行動や行動グループと再訪問の関係を分析することで、リテンションを向上させる方法を見つけることもできます。

LinkedIn の成長チームは、データを通じて、新規ユーザーが 5 件を超える連絡先を追加すると (上図の赤い線)、連絡先を追加しないユーザー (上図の緑と紫の線) よりも LinkedIn での保持率が大幅に高くなることを発見しました。 このように、連絡先の追加は、LinkedIn が新規ユーザーを維持するための中核的な手段の 1 つになります。

マーケティングチームは、全体的なユーザー維持率に注目するだけでなく、さまざまなチャネルを通じて獲得したユーザーの維持率や、さまざまなタイプのコンテンツに惹かれた登録ユーザーの再訪問率に注目することができます。製品チームは、各新機能がユーザーの再訪問に与える影響などに注目することができます。これらはすべて、一般的な維持分析のシナリオです。

3.7 A/Bテスト

A/B テストは、さまざまな製品設計/アルゴリズムが結果に与える影響を比較するために使用されます。 A/B テストは、製品リリース プロセス中にさまざまな製品や機能の設計の有効性をテストするためによく使用されます。マーケティングおよび運用部門は、A/B テストを使用して、さまざまなチャネル、コンテンツ、および広告の創造性の有効性を評価できます。

たとえば、2 つの異なる形式の製品インタラクションを設計し、実験グループ (グループ A) とコントロール グループ (グループ B) の訪問時間とページ ビューを比較して、どちらの形式のインタラクションが優れているかを評価しました。

A/B テストを実施するには、2 つの要素が必要です。1 つ目は、テストに十分な時間、2 つ目は、大量のデータとデータ密度です。商品のトラフィックが十分に大きくない場合、A/B テストを実行しても統計的な結果を得ることが難しいためです。 LinkedIn のような大企業では、毎日何千もの A/B テストを同時に実施できます。したがって、企業のデータが大きい場合、A/B テストを使用すると、より正確になり、統計結果をより早く生成できる場合が多くあります。

3.8 数学モデル

ビジネス目標が複数の行動、ポートレート、その他の情報に関連している場合、通常は数学的モデリングとデータ マイニングを使用してモデルを構築し、ビジネスの結果を予測します。

SaaS 企業として、顧客離脱を予測して判断する必要がある場合、ユーザーの行動データ、企業情報、ユーザーのポートレートなどのデータに基づいて離脱モデルを構築できます。統計的手法を使用していくつかの組み合わせと重みの計算を実行することで、どの動作がユーザー離脱の可能性を高めるかがわかります。

測定できなければ成長できないとよく言われます。データ分析は企業のビジネス価値を高める上で重要な役割を果たします。もちろん、理論を習得するだけでは十分ではなく、実践こそが真の知識を得る唯一の方法です。日々の業務や分析関連のプロジェクトでデータ分析手法を試してみると良いでしょう。半分の労力で2倍の成果が得られ、より多くのビジネス価値を生み出すことができると信じています。

この記事の著者@陈明は(Qinggua Media)によって編集および出版されています。転載する場合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