インターネット金融プラットフォームのデータ分析：この3つのモデルで十分

運用部門は、インターネット金融プラットフォーム企業において、業績やKPIに責任を持つ部門であるため、運用担当者は常にデータを監視し、そのデータに基づいて企業運営の異常な状況を発見する必要があります。

もし神様が幸運を授け、業務データの成長が期待通りであれば、今夜はチキンを食べられるほど素晴らしいでしょう。しかし、災害が発生し、業務データが著しく低下し、異常になったとしても、慌てる必要はありません。データの活用と使用方法を学び、データの多次元比較分析を通じて、データ変動の潜在的な要因を見つけ出し、それに応じた運用戦略を考え、迅速に調整して、会社の業務が正常に戻るようにします。諺にあるように、敵が来たらそれを阻止し、水が来たら土でそれを阻止します。

市場におけるインターネット金融商品の運用業務は、主に2つのタイプに分けられます。1つは資金（貸し手または投資家）の獲得であり、もう1つは資産（借り手）の獲得です。前者の代表的な例としては、証券取引、銀行財務管理、 P2Pインターネット金融商品などが挙げられ、後者の代表的な例としては、現金貸付や借入インターネット金融商品などが挙げられます。本稿の研究対象は前者であり、3つの一般的なデータ分析モデルを通じて、資金提供側が得たインターネット金融商品のデータ分析観点を解説します。皆様のお役に立てれば幸いです。

モデル 1、 AARRR モデル、製品レベル全体:

日常の製品運用の観点から分析する際には、現在市場で普及しているAARRR運用モデルを適用します。このモデルはほぼすべてのインターネット製品に適用でき、独自の垂直分野で分析を適用することもできます。

取得

主なデータ指標：登録ユーザー数、投資ユーザー数、一人当たりの平均投資額。

分析視点：異なるチャネルの登録量と登録品質を比較する必要があります。登録量は登録ユーザー数に依存し、登録品質は投資ユーザー数と1人あたりの平均投資額（つまり、コンバージョン率）に依存します。

活動を増やす

主要なデータ指標: ページビュー (PV)、訪問者数 (UV)、IP アドレス数、アプリの 1 日あたりのアクティブ ユーザー数、アプリの 1 日あたりの起動数。

分析の視点:ソーシャル商品や情報商品とは異なり、インターネット金融商品はアクティビティ指標をあまり重視しません。最も理想的な状況では、投資後、ユーザーはアプリを開いて操作する必要がなく、元本と利息が返還されるのを待つだけです。これは、ユーザーが投資商品に信頼と自信を持っていることの反映でもあります。では、アクティビティ指標がオペレーターの特別な注意に値するのはいつでしょうか? 大きなプラスまたはマイナスのニュースが発表されたときという 2 つの状況があります。プラットフォームの資金調達や前例のないマーケティング活動などの大きなプラス要因もあれば、さまざまな否定的なニュースの露出などの大きなマイナス要因もあるかもしれません。このとき、運営者は活動の変動に注意を払い、変動が予想範囲内であるかどうかを分析する必要があります。

収益

主要データ指標: 投資ユーザー数、取引額、平均投資期間、フルマークまでの時間。

分析の観点: 収益データは、電子商取引プラットフォームの売上高とインターネット金融プラットフォームの投資データに対応します。プラットフォームの資金誘致能力は、投資ユーザー数と取引量という2つの主な指標から直接見ることができます。また、投資期間と本格稼働時間という2つの補助指標もあります。馬化騰氏の父親の言葉を借りれば、「金融とは、誰がより速く走るかではなく、誰がより長く走るかである」。したがって、投資期間が長いほど、ユーザーがプラットフォームを信頼し、長期間投資する意思があることを意味し、プラットフォームの運営状況が良好であることも意味します。フルスタンダードタイムが短いほど、資産が不足しており、プラットフォームが投資資金を比較的簡単に調達できることを意味し、プラットフォームの運営状況が良好であることも意味します。

定着率の向上

主要データ指標: チャージ金額、引き出し金額、チャージおよび引き出し率、返金金額、返金のあるユーザー数、保持金額、資金保持率、資金再投資率、保持ユーザー数、保持ユーザー比率、解約金額、解約ユーザー数、純資金流入/流出

分析の視点：インターネット金融プラットフォームにとって、保持は最優先事項です。関連するデータ指標は多く、人々は目がくらむかもしれませんが、核心は資本保持率と資本再投資率という2つのデータに焦点を当てることです。なぜなら、これら2つの項目は、実際には収集、引き出し、再チャージ、投資の組み合わせだからです。短期的には、短期的なマーケティング活動によって維持率と再投資率が劇的に変動しますが、長期的には、プラットフォームの信用、金利、製品体験などの改善によって維持率と再投資率が着実に増加し、その逆も同様です。

自己増殖（参照）

主なデータ指標: 招待ユーザー数、招待ユーザーの投資額、紅封筒共有数、アクティビティ共有数

分析の視点：自己伝播をうまく行うことで、プラットフォームは多くのチャネルコストとプロモーションコストを節約し、このコストの一部を招待ユーザーに転嫁することができます。招待機能は、多くのインターネット金融プラットフォームの必須機能の1つです。また、一部の大規模な活動や機能には、共有と普及の価値もあります。私が今まで見た中で最も冷酷なのは、平安銀行です。モバイル アプリのほぼすべてのランディング ページに共有機能があり、ユーザーに共有して情報を広めるよう常に促しています。データレベルでは、対応する共有データと変換データに焦点を当てるだけで、比較的簡単です。

モデル 2 の比率モデルは、特定の機能レベルを対象としています。

日常的な製品運用に必要なデータ分析に加え、インターネット金融製品の新バージョンがリリースされ、VIP システム、ポイント システム、タスク システム、自動入札、スマート投資アドバイザーなどの新機能が更新される際には、新機能に対するユーザーのフィードバックを把握するために、特定の機能のデータを追跡して分析する必要もあります。

一部のオペレーターは、ユーザーの受け入れ状況を把握するためにユーザーへの追跡調査を実施することを好みますが、著者は、データだけが最も客観的かつ現実的であり、ユーザーのニーズを効果的に解決できる機能は、間違いなくデータレベルで十分に反映されると考えています。区別する方法は 2 つあります。

1. 新しい機能は人気がありますか?

指標: アクティブ比率。つまり、新機能を使用しているアクティブ ユーザーの数 / 同じ期間のアクティブ ユーザーの数です。

2. ユーザーは製品を再利用しますか?

指標: 再利用率。つまり、N 日目に新機能を引き続き使用しているユーザーの数 / 初日に新機能を使用しているユーザーの数です。

（上記内容の一部は「イーリン・シャオユウ」コラムより引用）

モデル 3 のファネル モデルは、運用アクティビティ レベルを対象としています。

アクティビティは、運用担当者の日常業務です。アクティビティをプロジェクトに例えると、複雑なプロジェクトは WBS (作業分解構造) を通じて細分化できます。

同様に、最も複雑なアクティビティであっても、分析のために複数のステップに分解することができます。ここで一般的に使用される分析方法は、ファネル モデル分析を実行して、潜在的なユーザーからエンド ユーザーまでのユーザー数の変化傾向を分析し、最適な最適化スペースを見つけることです。たとえば、次の例では、ユーザーがアクティビティ ページにアクセスしてから最終的に投資行動を生成するまでの変化する傾向を分析します。

最後に、このファネルを分析して、各リンクのコンバージョン率が期待どおりであったかどうかを確認します。そうでない場合は、コピーが十分に魅力的かどうか、手順が十分に簡潔かどうか、エクスペリエンスが十分にスムーズかどうかなど、アクティビティ プロセスのどの部分を最適化できるかを検討する必要があります。

データは嘘をつくことがある

データは嘘をつくことがある、という話は誰もが聞いたことがあると思います。実際、データ自体は嘘をつきませんが、データの収集方法と分析方法は嘘をつきます。データ分析プロセス中に、さらなる分析のために他の次元を組み合わせると、まったく異なる結論に達することがあります。

たとえば、ユーザー運用チームがユーザー嗜好調査を実施したいと考え、自社製品を毎日使用しているユーザー全員に電話をかけます。最終的な調査結果では、自社製品のユーザー嗜好率が 100% に近いことが示されます。彼らは自信に満ち、製品が完璧だと考えています。しかし、あなたの製品が気に入らなければ、誰が毎日使うでしょうか? (この例は「生存者バイアス」の罠に似ています)

データの嘘はインターネット金融商品にも発生します。典型的な例として、チャネルAの投資転換率は60％、チャネルBの投資転換率は40％です。上記のデータ分析から、チャネルAのユーザー品質はチャネルBよりも明らかに優れています。

ただし、異なる次元を組み合わせると、チャネル B のユーザー品質がチャネル A よりも優れているという結論になる場合があります。例えば、金額維持率という側面から考えると、チャネル A のユーザーの金額維持率は 10%、チャネル B のユーザーの金額維持率は 50% となります。これは、チャネル A のユーザーの「ウール掴み」属性が明らかに重いことを示しています。ユーザーは投資を行い、初期投資の報酬を得て離脱します。チャネル B のユーザーと比較すると、初期投資後も留まり、投資を継続できます。したがって、チャネル B のユーザーの全体的な品質は高くなります。この場合、前の結論とはまったく逆の結論が得られます。

したがって、製品オペレーターがデータ分析を行う際には、さまざまな干渉要因を可能な限り考慮する必要があります。データ分析の結論が間違っていると、分析をまったく行わない場合よりも悪い結果になります。結局、一度落とし穴に落ちてしまうと、そこから抜け出すのに多大な労力を費やす必要があり、時間と機会費用が高すぎます。

結論

インターネット上の情報が氾濫する中、一夜にして有名になるための秘訣をつかむことを夢見る人は多い。ゴールド含有量の少ないさまざまなマーケティングや学習のアカウント（もちろん、全員がプロダクトマネージャーであるアカウントは除く）も、「 WeChatモーメントでバイラルになる確実なH5の作り方」、「ヒットを生み出す方法を教える4つの方法」、「10万回以上のビューを獲得するコピーを書くための7つの詳細」など、次のようなタイプの記事を共有することを好んでいる。多くのインターネット事業者は、上記のようなさまざまな「目に見える」原則や技術を学び、研究することに熱心ですが、多くの「目に見えない」システムの内容には十分な注意を払っていません。 「目に見えない」コンテンツの中でも、データ操作分析は最優先事項です。

データを調べ、原因を見つけ、解決策を考えることは、基本的に運用スタッフの日常業務です。 「対策を考える」というステップに加え、運用担当者の業務、ユーザー、製品に関する知識や理解を組み合わせる必要があります（決定は通常、運用責任者が行います）。残りの 2 つのステップ、「データを見て理由を見つける」方法を知ることは、有能なオペレーターにとって不可欠なスキルです。このスキルに熟達し、データを使用して操作をガイドする方法を熟知しているほど、オペレーターのランクは高くなります。

最後に、皆さんがオペレーションマスターになれることを願っています。