データ操作の6つのステップ、方法論から事例まで、すぐに始められます。

運用データを分析することで、ユーザー向けに差別化された運用をさらに実行できるようになります。

1. データ操作

1. 目的

運用データを分析することで、ユーザー向けに差別化された運用をさらに実行できるようになります。

2. コア

問題にどのような側面が含まれているかを分析し、大きな割合を占めるポイントや力を入れられるポイントを最適化します。

2.データ分析プロセス

1. 作業項目を分割する

オペレーションは些細な事柄が多く関わる仕事です。オペレーション担当者は、半分の労力で 2 倍の成果を上げるために、自分の作業を細分化し、さまざまな作業項目の特性に応じて特定の運用データをターゲットを絞って分析できる必要があります。

では、作業項目をどのように分割するのでしょうか?これは、通常ユーザー分類に関連する、対象とするユーザーグループに応じて細分化することができ、作業を、一般ユーザー全体、アクティブユーザー、有料ユーザーなどを対象とするものなどへと分割することができます。作業をプロジェクトに分割することもできます。また、さまざまなステージの目標を時系列で決定し、独自の目標に応じて作業項目を分割することもできます。

2. 指標システムを確立する

作業項目を分割すると、各作業項目には異なる指標が存在します。作業項目の特性に応じて運用データの指標をさらに分割して精緻化し、各指標の分析を通じて運用上の問題を判断し、運用計画を継続的に最適化する必要があります。

分割ディメンションは、データ包含構造または各作業項目に含まれるサブ項目に基づくことができます。

ユーザーオペレーションを例にとると、ユーザーオペレーションには、新規ユーザーの誘致、アクティベーションの促進、ユーザーの維持、有料ユーザーへの転換などが含まれます。新規ユーザーの獲得に関しては、登録ユーザーの規模と成長率、チャネル品質（登録チャネルは何か、チャネルの登録コンバージョン率は何か）、登録プロセス品質（登録を完了したユーザーの数、登録プロセスにおけるユーザーの離脱ポイントの統計）、登録ユーザーの行動追跡（登録完了後のユーザーの行動の統計）が重要な指標となります。

3. 分析目的を絞り込む

分析目標を絞り込むということは、運用目標に基づいて最適化できるデータポイントを決定することを意味します。このステップは、その後のデータの抽出、処理、分析の基礎となります。

簡単な例を挙げると、イベントを終えたばかりで、次回同じまたは類似のイベントを開催するときにどの部分を最適化できるかを知りたい場合、最終的な参加効果だけでなく、イベントプロモーションのチャネルは何か、各チャネルの参加パスは何か、パスの各ステップに何人が参加しているか、コンバージョン率はどれくらいか、などにも注意を払う必要があります。分析の目的が明確になったら、抽出するデータポイントを決定できます。

4. データの抽出と処理

データの抽出には、データ追跡の問題が伴います。製品設計の初期段階で、運用担当者は主要な運用ポイントを計画し、追跡ポイントをリストして開発者に提出する必要があります。そうすることで、後の操作時に特定のデータを表示したいのにデータ記録情報がないという状況を回避することができます。

さらに、抽出されたデータは分析段階に入る前に一連の処理を経る必要があります。

では、一般的なデータ処理には何が含まれるのでしょうか?

まず、取得したデータをクリーンアップする必要があります。これは、データ内の重複、欠落項目、矛盾項目、異常なピークや谷を処理するプロセスです。重複したアイテムを削除する方法は多数ありますが、ここでは詳しく説明しません。欠損データを処理する最も一般的な方法は、平均値でデータを埋めることです。平均値は、すべてのデータの算術平均、または一定期間の平均値になります。矛盾項目とは、データに誤りがある場合を指します。例えば、データはすべて 1 桁の数字であるはずなのに、抽出したデータに 1 桁以上の数字が出現したり、名前欄にメールアドレスが出現したりといったことです。このとき、データ抽出時のエラーなのか、データ入力時のエラーなのかを確認する必要があります。抽出時のエラーであり、結果分析に大きな影響を与えるエラーである場合は、速やかに担当者にフィードバックする必要があります。

収集されたデータのピークと谷には特に注意してください。これらは多くの場合、問題分析の鍵となります。一般的に、データのピークや谷が発生する理由としては、追加のプロモーション機会、システム障害、統計上のバグなどが挙げられます。

第二に、データをさらに処理する必要があります。抽出されたデータは直接分析するには適さない可能性があるため、このときは VLOOKUP 関数やピボットテーブルなどの関数やツールがよく使用されます。

上記の洗浄および処理手順の後、予備分析に使用できるデータが得られます。詳細な分析を行うには、これらのデータをさらに処理する必要があります。

5. データ分析の概要

（１）データ分析方法

一般的なデータ分析方法には、比較分析、構造分析、平均分析、重量分析、デュポン分析などがあります。

1) 比較分析

さまざまな次元に沿って比較を行い、データの変化を調査し、そこに含まれるパターンや洞察を発見することを指します。

比較の次元には、期待される目標との比較、異なる期間での比較、同業他社との比較、操作前の結果との比較、異なるユーザー間の比較、異なる操作間の比較などがあります。

次に、異なる期間のデータを比較してユーザープロファイルを作成し、そのユーザープロファイルに基づいて運用戦略を調整する方法について例を使用して説明します。

上記の折れ線グラフは、特定の製品の毎日のアクティブユーザー数の変化パターンを反映しています。 2016年4月上旬から7月上旬までは、基本的に1週間周期で推移しています。データが大きいポイントは主に週末に集中しており、この商品の主なユーザーは学生であると推測できます。さらに、1 日のアクティブデータは 6 月にわずかに減少しましたが、7 月中旬以降は増加しており、その変化は基本的に学生の期末試験や休暇の時期と一致しており、ユーザーの状況をさらに裏付けています。

2) 構造解析法

分析対象集団の各部分と全体との比較分析は、構造相対指数（＝（部分／全体）×100％）で表現されることが多い。値が大きいほど、全体における部分の重みが大きく、重要性が増し、全体への影響が大きくなる。

3) 平均分析法

これは、特定の条件下での指標の一般的なレベルを反映し、主にビジネスの健全性を測定するために使用されます。

たとえば、ある製品には A、B、C という 3 つの販売チャネルがあります。これら 3 つの販売チャネルのうちどれが収益に最も貢献しているかを知りたい場合は、これら 3 つのチャネルの平均売上高を計算できます。このとき、平均分析法における「平均」には前提条件があり、平均を計算するために使用したデータが有効であるかどうかに基づかなければならないことに注意する必要があります。たとえば、ある日突然チャネル A の売上データが 0 に落ちた場合、これは非常に異常です。このとき、どこに問題があるのかを突き止める必要があります。その日にチャネル A で突然の障害が発生したためであれば、このデータを除外して平均値を計算する必要があります。

つまり、平均値が高いほど、ビジネスが健全であることを意味するのでしょうか?

不確か。たとえば、A 社はダウンジャケットを販売し、B 社はショートスカートを販売しています。夏季には、A 社の平均販売量は B 社よりも低くなりますが、これは A 社の業績が B 社よりも悪いことを意味するものではありません。

平均分析法は、両者の事業や状況が比較的類似している場合、つまりよく言われるように比較可能な場合にのみ意味を持ちます。

4) 重量分析法

複数の指標を、全体の状況を反映できる1つの指標に変換して分析・評価します。具体的な方法は、各指標の重みを決定し、処理された指標を合計して総合評価指数を算出します。並列関係にあるサブクラスを分析するためによく使用されます。

図に示すように、製品には A、B、C の 3 つのプロモーションチャネルがあります。これら3つのチャネルは、さらに、母子向け商品の購入推奨によるコンバージョン、関連するオフライン活動への参加によるコンバージョン、パブリックプラットフォームからのコンバージョンに分類されます。チャネルA、B、Cの品質を測定する場合は、セグメント化された各チャネルに一定の重みを設定し、「チャネル品質」という指標に対応する数式を定義し（例：チャネル品質 = 母子用品購入後の推奨コンバージョン数 * 60% + オフライン活動によるコンバージョン数 * 30% +公式アカウントによるコンバージョン数 * 10%）、加重合計を取ることで3つのチャネルの品質を比較します。

重みを設定する基準は何ですか? 1 つは各セグメント指標の重要性に基づいており、もう 1 つは過去の営業実績に基づいています。先ほどの商品を例に挙げてみましょう。この商品が母子用品に関するものであると仮定すると、これまでの運用経験から、母子用品を購入した後におすすめで誘導されたユーザーは、将来的にアクティブユーザーに転換される確率が高いと考えられます。そのため、このチャネルのウェイトは高く設定することができます。公式アカウント経由で誘導されたユーザーの離脱率は非常に高いため、ウェイトは比較的低く設定することができます。

5) デュポンの分析

デュポン分析は、アメリカのデュポン社によって考案され、初めて採用された総合的な分析方法です。さまざまな指標間の内部接続を活用することで、運用状況や利益を総合的に分析・評価することができます。

図に示すように、製品アップデート後に最近の収益が減少したと仮定して、上司からその理由と調整できる点を分析するように依頼され、収益を分割することができます - 収益 = 有料ユーザー数 * AR PU (ユーザーあたりの平均収益)。次に、有料ユーザー数を分割します。有料ユーザー数 = アクティブユーザー数 * 支払い普及率。有料普及率はほとんど変化していない一方で、アクティブユーザー数は減少しており、アクティブユーザー数の内訳がさらに細分化されていることが分かります。アクティブユーザー数 = 新規ユーザーのうちのアクティブユーザー数 + 既存ユーザーのうちのアクティブユーザー数。既存ユーザーのうちのアクティブユーザー数が増加し、新規ユーザーのうちのアクティブユーザー数が減少する場合は、さらに分割できます。次に、新規ユーザー = プロモーション対象人数 * コンバージョン率を分析します。コンバージョン率が基本的に変わらない場合は、プロモーションチャネルをセグメント化します。データによると、チャネル 1 は減少し、チャネル 2 は増加しています。指標をセグメント化できなくなるまで、さらにセグメント化を続けます。セグメント化された指標を分析して、最終的な収益に大きな影響を与えるものはどれか、変化の理由は何か、人的調整計画によって改善できるかどうかなどを確認します。

（２）データ変動の原因

データ変更の一般的な理由: 時間、プロモーションとリーチ、運用アクティビティ、関連する特性、ユーザー属性と構成、障害、業界動向。

最初の 3 つについては詳しく説明しません。ここでは最後のいくつかの要素について説明します。いわゆる相関特性は、実際にはデュポン分析法によって分割された要素であり、ユーザー属性と構成要素は、異なるユーザーの場合、同じ製品またはアクティビティの日々のアクティビティ、支払い、およびその他のデータが変化するという事実を指します。業界動向が運用データに与える影響：昨年非常に人気があったO2O を例に挙げてみましょう。昨年、O2O という概念が特に人気だったとき、この市場には多額の資金が投入されました。さまざまな補助金に刺激されて、ユーザー数は急増しました。現在、市場はより成熟しており、ユーザー数の増加は比較的緩やかになっています。

（３）まとめ

大量のデータを分析した後、最終的な結論を上司に報告する必要があります。では、要約には何が含まれるのでしょうか?一般的に言えば、どこで問題が発生し、どこで最適化と改善を実行できるかを説明する必要があります。

結論を示す際には、チャートや PPT がよく使用されます。PPT はこの記事の焦点ではないため、ここでは詳細には触れません。では、チャートに関して注意すべき点は何でしょうか?

まず、適切なグラフを選択する必要があります。たとえば、プロジェクト全体におけるさまざまなプロジェクトの割合を確認する場合は、円グラフを使用できます。データの変化の傾向を確認する場合は、プロジェクト数が少ない場合は棒グラフまたは縦棒グラフを使用できます。データ項目が多数ある場合は、折れ線グラフを使用できます。

次に、グラフは完全である必要があり、タイトル、軸と単位、凡例 (、脚注、データソース) などが含まれている必要があります。

さらに、各写真は 1 つの視点を反映しており、タイトルはデータによって反映された問題を直接述べる必要があります。たとえば、ある製品のユーザーがアクティブな期間を分析した場合、タイトルに「ユーザーがアクティブな期間」と書くべきではありません。代わりに、グラフに反映された結論、「特定の期間にユーザーのアクティビティが高く、特定の期間に低い」と書くべきです。こうすることで一目でわかり、上司はグラフが伝えようとしている核心的な情報をすぐに理解できます。