データを活用して運用プロジェクトがうまくいっているかどうかを分析するにはどうすればよいでしょうか?

最近、友人からよく次のような質問をされます。「分析するデータがあまりない場合はどうすればいいですか？」データはあるのですが、分析方法がわかりません。どうすればいいでしょうか?データはいくつかあり、どのような分析を行うべきかはわかっていますが、高度なツールがありません。どうすればよいでしょうか?

Xiao Miao にとって、上記の質問はすべて誤った命題です。多くの場合、データを扱うときには、常に必要以上のデータがあります。ビジネスを深く理解した後は、問題よりも常に方法が多くなります。方法があれば、ツールの使用は常に想像よりもはるかに簡単です。

さて、まずは例を見てみましょう。そうすれば、シャオミャオがなぜそう言ったのかがわかるでしょう。

1. 背景

ある年月、ある外資系スナックO2Oブランドが上海市場に進出したいと考えていた。同ブランドは「着実に前進」という「リーン創業」の原則に基づき、まず上海のいくつかの代表的なエリアでテスト運営を行う計画だった。

楊浦区、長寧区、徐匯区の3つのエリアが選ばれました。人の流れが多く、オフィスビルが密集しているこの3つの地区に、それぞれ五角場駅、淑虹路駅、漕河涇駅の近くに物理的な営業所が3つ設置されました。この3つの地下鉄駅は、放射プロモーションポイントとして使用されています。ラッシュアワー時には地下鉄の入り口近くでDMプロモーションが行われ、勤務時間中には近くのオフィスビルで戸別訪問プロモーションが行われます（プロモーションスタッフがどうやって潜入したかは聞かないでください）。試験運用は7月下旬に始まり、開始からちょうど1か月後の8月下旬に終了し、第一段階となりました。この時点で、この期間の運用データを分析し、経験を修正して要約し、次の側面に焦点を当てて議論と研究を行う必要があります。

全体の操作状況、総注文状況、注文の時間分布など。ユーザーの消費行動分析、主に注文時間分布と購買力分析。全体的および地域的なユーザー価値分析により、その後の操作作業をガイドし、最適化します。これら 3 つの場所で地上プロモーションとユーザー注文の効果を比較します。

初期段階では技術者が少なすぎ、担当するプロジェクトが多すぎたため、バックエンド システムが単純すぎ、バックエンドで収集される生データは次のものだけでした。

生データテーブル

上記の表は、この期間中にユーザーが行った注文情報を示しています。同じユーザー ID が複数回注文したり、異なる日付や期間に異なる金額で複数回購入したりする場合があることに注意してください。これを理解することは、その後のユーザー価値分析にとって非常に重要です。

皆さん、こんにちは。上の表は、小苗が次に料理に使う「材料」です（実際のケースから取ったもので、データはある程度加工されており、データ分析方法を説明するためにのみ使われています）。他の調味料はありません（データ加工には主にExcelを使用しています）～これらのデータは普通に見えるかもしれませんが、頭を使って深く掘り下げてみると、多くの謎が見つかります。

さて、データ分析の旅が始まります!

2. 注文時間配分

詳細な分析を行う前に、まず生のデータを主に時間の次元で予備的に処理します。時間と曜日関数はそれぞれ呼び出され、時間の「時点」と「曜日」の情報を抽出します。「時間帯」については、これまで多くの友人がこれをどのように「設計」したかを尋ねてきましたが、Baiduでは見つけられませんでした。もちろん、これは私自身の創作です。今、Xiao Miaoが詳細な写真を投稿しています。

処理後、いくつかの時間次元データのテーブルが得られる。

「期間」の使い方

このようにして、注文時間分布に関する次の情報を取得できます。

試運転期間中の受注量分布

では、注文期間の分布を示すこのグラフから、どのような手がかりが得られるのでしょうか?実際、発注の「ピーク」は 1 つしかなく、9:00 から 13:00 の間に集中していることは明らかです。この時間帯では、ホワイトカラー労働者は昼食時間に発注し、残りの時間は「サボっている」ことになります。

試用運用中の全体的な受注売上を分析してみます。横軸に「日付」情報と「週」情報を同時に表示することで、時間経過による受注パターンを把握しやすくなります。折れ線グラフにすると、次のような結果が見られます。

試験運用中の全体的な注文分布

上記の表から、週末よりも平日の方が注文が多いことがわかります。注文販売のピークは7月27日から7月31日と8月3日から8月6日に発生し、この2つの期間の注文量は急増しています。その理由は、主にこれら 3 つの実店舗が実施したプロモーション活動により、ターゲット顧客の購買行動が刺激されたことにあります。

次に、「週」データを個別に取り出して、次の図を取得します。

1週間の試験運用中の注文分配

上図からわかるように、週のピークの注文量は水曜日と木曜日に集中しています。月曜日と火曜日の注文量はこの2日間とほぼ同じです。ただし、金曜日、特に週末（土曜と日曜）は注文量が急激に減少します。

一般的に、平日は注文量が多く、週末は注文量が少ない傾向にあり、ホワイトカラー層の消費行動と一致しており、異常な状況は発生していません。

上記の情報を把握した後、次の段階の操作を実行するときは、次の段階の操作で以下の事項を準備できます。

ユーザーの注文が集中する時期前に人員を手配し、営業所に配備して、タイムリーかつ迅速にユーザーに商品を届けます。

ユーザーの注文がピークになる前に、アプリとウェブサイトのシステムメンテナンスをしっかり行い、大量の注文によって発生する技術的な問題がユーザーエクスペリエンスに影響を及ぼすのを回避します。

次回のプロモーションは、水曜日と木曜日に実施される可能性があります。この 2 日間はユーザーが注文する意欲が高いためです。

上記の顧客（時間）行動の分析は比較的表面的なものであり、次の顧客価値の分析こそが「ハイライト」です！

3. 顧客価値分析

ここでの顧客価値分析では、Xiao Miao は、最新の消費 (Recency)、消費頻度 (Frequency)、消費量 (Monetary) という 3 つの重要な次元を含む RFM モデルを使用します。

RFMの3次元の意味

このモデルの説明については、小苗はある百科事典から重要な文章を引用しただけです。このモデルについてもっと知りたい学生は自分でネットで検索してください〜

Baidu百科事典におけるRFMモデルの原理の説明

その中で、各次元の「深層レベル」の意味は次のとおりです。

直近の消費から、顧客がどの程度影響を受ける可能性があるかがわかります。直近の消費日が今日に近いほど、消費者の製品/ブランドに対する印象は深くなり、広告プッシュによって再び呼び戻される可能性が高くなります。

顧客の消費頻度が高ければ高いほど、ブランドや製品に対する顧客の忠誠心は高くなります。もちろん、そのような顧客を維持する価値は高くなります。たとえ消費量がそれほど多くなくても、将来的に多額の支出をするかどうかは誰にもわかりません。

消費量（ここでは「累計消費量」）は消費者の購買力を示すもので、消費量が大きいほど、その顧客の質は良いです。もちろん、私たちは彼らを宝物のように扱うべきです〜

この顧客価値分析モデルは非常に優れていますが、次のような問題があります。

各ディメンションは 5 つのレベルに分割できるため、最終結果は 5*5*5 = 125 のカテゴリになります。顧客ベースが詳細すぎます。各顧客グループには、ターゲットを絞った一連の方法が必要ですが、これにはお金と人手が必要です。このような操作はあまりにも面倒で非人道的です。このモデルでは、FとMの2つの次元に複数の共線性の問題があります。消費頻度と一定期間内の累積消費量は高い相関関係にあります。一般的に言えば、R値の重みは3つの指標の中で最も大きいですが、この判断は顧客の消費習慣や総消費量などの要素を無視しているため、最終結果の正確性にはある程度疑問が残ります。

上記の問題に対応するため、Xiao Miao は既存の RFM モデルにいくつかの改良を加え、クラスター分析という「必殺武器」を使用して詳細な分析作業を簡素化することにしました。

ただし、クラスター分析を行う前に、元のデータを前処理する必要があります。「ユーザーID」と「キーブロック」という2つの基本情報を保持することに加えて、R、F、Mの3つの次元に関連するいくつかの指標を保持し、深く「抽出」する必要があります。

「実際の支払額」という指標から、関連関数の計算を通じて、「最小消費額」、「最大消費額」、「平均消費額」、「累計消費額」という 4 つの指標を得ることができます。

「注文日」指標から関連する関数を計算すると、「初回注文日」、「最終注文日」、「初回注文日から今日までの日数」、「最終注文から今日までの日数」、「累計購入頻度」の 5 つの指標が得られます。

重要な分析指標と関連指標の「従属関係」

このうち、上記導出指標の計算式・計算方法は以下の通りです。

「最大/最小消費量」は「=MAX/MIN(IF(元データ!$A$1:$A$7028=Sheet1!A2,元データ!$H$1:$H$7028))」という数式で取得し、「初回/最終注文日」は「=MAX/MIN(IF(元データ!$A$1:$A$7028=Sheet1!A2,元データ!$N$1:$N$7028))」という数式で取得し、「累計購入頻度」はピボットテーブルから取得します。同じユーザーIDであれば、任意の指標を「カウント」として表示して頻度を取得できます。 「最後の注文から今日までの日数」は、数式「DATEDIF(E2,TODAY(),”d”)」で取得されます。最初の注文から今日までの日数は、数式「=DATEDIF(D2,TODAY(),”d”)」で取得されます。ここで、列 E は最後の注文日の列を表し、列 D は最初の (最初の) 注文日の列を表します。

上記の数式は新しいシートで作成され、元のシートのデータを参照していることに注意してください。後続の間隔日数は、最初の注文日または最後の注文日が決定された後にのみ計算できます。

最低購入金額の計算方法

購入頻度の計算方法

上記の指標を計算すると、次の顧客情報値テーブルが得られ、これを次のステップの分析の元データとして使用できます。

処理された顧客価値情報フォーム

次に、Excel フォームを SPSS システムに入力します。クラスター分析の詳細な方法については、Xiao Miao の以前の記事「データ操作の実践 | クラスター分析を使用して企業の公開アカウントの内容を最適化する方法」を参照してください。計算後、次の新しい表が得られます。

クラスター分析後のSPSS出力データ

上記の表には、「分類」データという列が追加されていることがわかります。これは、SPSS ソフトウェアが表内の複数の次元におけるユーザーの購入情報 (購入金額や購入日など) の同質性と異質性に基づいて分類した 4 つのカテゴリです (操作 cat は K-means クラスタリング法を使用しているため、カテゴリの数を手動で設定する必要があります。したがって、4 つのカテゴリを決定する前に、カテゴリ 2、3、5 のデータを繰り返しテストして、カテゴリ間の明らかな違いと適切な集中度が得られるまでテストする必要があります)

次に、ピボットテーブルを使用して、各データタイプの「値フィールド」を「平均値項目」として表示し、「ユーザー値分類特徴テーブル」を取得します。

ユーザー価値分類機能表

上記の表を分析する前に、小苗は上記の指標の重要性は同じレベルではないことを指摘する必要があります。各指標の重みは異なり、重要性も異なります。重み係数は、過去の経験とビジネス状況に基づいて割り当てる必要があります。以下は小苗の判断です。

累積購入頻度は最も大きな重みを持ちます。複数回の購入の平均/累積消費額は大きくなくても、繰り返し購入することは、ユーザーのブランド/製品に対する認識を表し、ユーザーの忠誠心を反映することができるためです。

第二に、最終注文日がそれほど前でない場合、顧客リコール戦略の成功率は非常に高くなります。

次は平均支出額です。単一の高額支出額も単一の低額支出額も、この製品に対する顧客の購買力を正確に反映することはできません。過去の平均を取ることによってのみ、この製品に対する顧客の購買力を知ることができます。ただし、最小支出額と最大支出額を組み合わせて、両者の差が大きすぎるかどうか、また、それらがどの程度安定しているかを確認する必要があります。

最も低いのは累積消費量であり、これは一定期間にわたる顧客の累積消費を反映し、顧客の製品/ブランドに対する継続的な価値を反映することもできます。

上記の判断によると、第2および第3のカテゴリは比較的質の高い顧客であり、購入頻度、直近の購入時期、累計消費額、平均消費額はバランスが取れており、良好な値を持っています。これらは維持する必要がある重要な対象です。今後、これら2種類のユーザーに価値の高いプロモーション活動/情報をプッシュして、その後の購買行動を促進することができます。

1 つ目のタイプの顧客は「大物」です。購入頻度は低いものの、購入金額は大きく、他のタイプの顧客と比較して購買力はかなり強いです。彼らは好きなように使えるお金を持っていますが、彼らを維持するのは困難です。 。 。

また、カテゴリー4のユーザー数は比較的多く、潜在的に開拓できる顧客基盤です。このグループの特徴は、平均消費額と累計消費額が低く、購入回数が少なく、長期間商品を購入していないことです。リピートされる確率は非常に低いです。これらの顧客に再度訪問し、商品やサービスの問題点を見つけ出し、最適化を行い、社内のスキルを磨いて、次回のプロモーションで彼らを「引き留める」ことができるようにします。

まとめると、2番目と3番目のタイプの顧客が私たちの次の重要なターゲットであり、「コスト削減」です。4番目のタイプの顧客からのフォローアップ訪問に基づいて、製品とサービスを改善するための提案を得て、その後の業務で新規顧客を獲得し、「収益の増加」を実現します。

これを見て終わりだと思いますか？

いや、あなたはあまりにも世間知らずです～シャオミャオはすべてのデータを絞り出して、運用作業に役立つ情報をできるだけ多く入手したいと考えています。

ピボット テーブルによる処理後の各地区の 3 種類のユーザーの割合は次のとおりです。

各ブロックにおける3種類の顧客の分布

上の表は、各地区における3種類の顧客の分布を示しています。全体の注文顧客数が最も多いのは松虹路で、次いで漕河涇、五角場となっていることがわかります。

さらに、上記のデータから次のような一般的な結論を導き出すことができます。

Excelの多重判定関数式を使用して、顧客の平均単回消費量を7段階に分割します。関数式はあまりにも非人道的であるため、ここでは記載しません。原理は誰もが知っていれば十分です。レベルをあまり細かく分けすぎないことをお勧めします。Excel でネストできるレベルの最大数は 7 のようです。 。 。

消費金額帯別顧客割合表

これにより、各消費量範囲における顧客の割合に関する情報が得られ、試験運用期間中の顧客の全体的な消費構造を把握するのに役立ちます。表だけでは分かりにくいので、そのまま下の2つの図に変換します。上の図は定量的な比較で、下の図は割合の定性的な分析です。

平均支出額別の顧客数の分布

各支出額範囲の顧客の割合

上記の2つの数字を分析する前に、このO2Oスナックブランドのほとんどの単品価格は3～15元の間であることを指摘しておく必要があります。上のグラフから、ほとんどの顧客が注文時に複数の商品を購入していることがわかります。これは、ジョイント率（ジョイント率はアパレル業界の売上高の指標であり、顧客が購入時に一度に購入する商品の数を表し、商品の組み合わせの有効性を反映しています。私の経歴を暴露します。私はアパレルを専攻しました）がかなり良いことを意味します。たとえば、顧客がソーセージを購入すると、チキンウィング、コーラ、フライドポテトも購入します。これは、そのような商品の組み合わせが許容されることを示しています。もちろん、まだまだ改善の余地はありますよ〜

購入頻度と顧客数分布図

最後に、購入頻度別の顧客数の分布図があり、ユーザーのロイヤルティを反映することができます。その中で、一度しか購入していないユーザーが大多数を占めています。このようなデータを見ると、なぜ一度しか購入していない顧客が多いのか、運営側は考えざるを得ません。自社の料理が美味しくないからでしょうか。そのため、今後は市場、顧客、競合他社を研究し、社内のスキルを向上させなければなりません。

IV. 結論

さて、これで私の共有は終わりです。もちろん、データマップを使用して顧客の所在地分布のヒートマップを作成し、専門性を反映して、顧客ベース全体の地域分布を理解し、効果的な二次キープロモーションを実施することもできます。具体的な操作方法については、Xiao Miaoの別の記事「操作の実践| 15分でデータマップ分析を学ぶ」を参照してください。

この例から、Xiao Miao が言いたいのは、生データがある場合、データ分析の経験と蓄積された理論的知識を現在の業務と組み合わせて、データを「絞り出す」ように努め、貴重で栄養のある情報を抽出する必要があるということです。このように、最終的なデータ/分析レポートは、リーダーや関連部門に報告して参考資料として使用できるだけでなく、さらに重要なことに、その後の運用をガイドおよび最適化し、貴重な運用経験を蓄積することができます。