PVとUVに加えて、製品運用ではこれらの指標にも注意を払う必要があります。

過去 6 ～ 7 年間、私はエンタープライズサービス分野でビジネスを立ち上げ、GA、Mixpanel、Heap など、多くの分析ツールを使用してきました。機能は非常に強力ですが、何かが欠けていると常に感じていました。 PV/UV のような概要指標は表示されますが、それによってより良い結果が得られるわけではありません。これらの大まかなデータを通じてユーザーの行動を把握した後は、ユーザーがどのように行動し、なぜ行動するのかを理解する必要があります。リアルタイムで包括的なユーザー行動データが必要です。ユーザー行動の全体的なプロセスを分析することで、コンバージョンの重要なノードとユーザー離脱の核心的な理由を見つけることができ、適切な薬を処方し、実行可能な指標を見つけ、最適化アクションとして実装するのに役立ちます。

今日は、この点に関する私たちの調査と解決策のいくつかを共有したいと思います。 1. ユーザー行動分析に対する大きな需要 データ構成の観点からのみ見ると、完全なクローズドループデータソースは主に 3 つの主要部分に分けられます。1 つ目はユーザー行動データ、2 つ目はサーバーログデータ、3 つ目はトランザクションデータです。その中で、トランザクションデータはオフラインデータベースに保存され、ETLを通じて取得および分析されることが多いことを除けば、行動データとログデータはよく似ています。完全なユーザー行動データは、基本的にサーバーログデータの大部分をカバーでき、ログデータに欠けている多くの情報も含まれています。技術開発の観点から見ると、フロントエンドは近年最も急速に成長していると言えます。毎月多くの新しいものが登場しています。全体的な傾向は、シングルページアプリケーションに向けて開発され、ユーザーエクスペリエンスを追求することです。同時に、サーバーとのやり取りがほとんどない大量の行動データを生成するモバイルアプリケーションもあります。したがって、アプリケーションプロバイダーとして、私たちは画面の前にいる人々が私たちの製品をどのように使用しているかを知り、ユーザーの行動の背後にある価値を理解する必要があります。 GrowingIO は現在、約 1,000 社のお客様にご利用いただいています。お客様からよくお問い合わせいただく分析要件をまとめると、おおよそ 3 つのシナリオに分けられます。最初のシナリオは、イベントを企画し、記事を書いたというものです。その効果がどれほどあったか、十分なトラフィックをもたらしたかどうかを知りたいのですが、これはマーケティング効果の測定基準です。弊社のクライアントの中には、毎年何百万ドルもSEMに費やしているにもかかわらず、そのお金からどれだけの利益が得られるのかまったくわかっていない人もいます。

2 番目のシナリオは、ユーザーアクティベーションプロセスが妥当かどうかです。トラフィックをインポートするために懸命に努力した後、これらのトラフィックはユーザーに転換されましたか? 登録フローの各ステップで転換された人数、失われた人数、転換されなかったユーザーはどこに行ったのでしょうか。これを踏まえて、どのように最適化すべきか、最適化後の効果は何か、今週のコンバージョン率は先週と比べて向上したか、その差は何によって生じたか、などを検討します。 3 番目のシナリオは、これらの登録ユーザーが留まり、忠実なユーザー、さらには有料ユーザーになるかどうかです。留まったユーザーには理由があって留まっていました。大幅に改善できる魔法の数字はあるのでしょうか？高いユーザー維持率。たとえば、 LinkedIn では、最初の週に 5 つのソーシャル接続を追加したユーザーの維持率が高いことがわかりました。Facebookでは、最初の週に 10 人の友達を追加したユーザーの維持率が高いことがわかりました。Twitter では、最初の週に 30 人のフォロワーがいるユーザーの維持率が高いことがわかりました。Dropbox では、最初の週に 2 つ以上のオペレーティングシステムをインストールしたユーザーの維持率が高いことがわかりました。これらは、保持分析で見つかった魔法の数字です。 2. 複雑でエラーが発生しやすい従来の分析方法 結局のところ、すべての分析はビジネスに役立ち、ビジネスは人々に役立ちます。したがって、ユーザー行動分析とは、ユーザー行動に基づいた分析システムを構築することを意味します。ユーザーが「誰」が「何を」「どのように」行ったかを把握するだけでなく、「なぜ」行ったのかをさらに理解し、適切な対処法を処方し、最適なアクションに変換することができます。分析は、データの変化を継続的に監視する必要がある長期的な最適化プロセスです。行動データ指標に加えて、PV、UV、その他のトラフィック概要データなど、私たちがバニティ指標と呼ぶ別のタイプのデータ指標があります。これらの指標は単なる見せかけであり、より良い結果をもたらすことはできません。ユーザー行動データの指標は、上で紹介したユーザー獲得、ユーザーアクティベーション、ユーザーリテンションなどの別のカテゴリです。これらの行動を理解することは最適化プロセスに該当するため、実用的な指標とも呼ばれており、これがユーザー行動データの魅力です。次に、ユーザーの行動を追跡する必要があります。これは通常、次の 7 つのステップに分けられます。 1. 分析のシナリオまたは目標を決定します。シナリオまたは目標を決定します。たとえば、多くのユーザーが登録ページにアクセスしましたが、登録を完了したユーザーはほとんどいないことがわかりました。そこで、私たちの目標は、登録のコンバージョン率を高め、ユーザーが登録を完了しなかった理由と、どのステップがユーザーをブロックしたかを把握することです。 2.この目標を達成するために必要なデータについて考えます。例えば、前の目標の場合、登録ページに入ってから登録が完了するまでの各ステップのデータ、各入力のデータ、これらのステップを完了した人や完了しなかった人の特性データを細分化する必要があります。 3. データ収集の責任者を決定します。このデータの収集は誰が担当しますか? 通常は当社のエンジニアが担当します。 4. いつ評価と分析を行うのか?収集したデータをどのように分析し、いつ評価するか。 5. 最適化されたソリューションを提供するにはどうすればよいでしょうか?問題を発見した後、どのように解決策を見つけるか。たとえば、設計の改善なのか、エンジニアリングのバグなのかなどです。 6. ソリューションの実装の責任者は誰か。計画を実行する責任者を特定します。 7. ソリューションの有効性をどのように評価しますか?次のラウンドのデータ収集と分析では、最初のステップに戻って反復を続けます。知ることは言うほど簡単ではありません。このプロセス全体の中で、ステップ 2 から 4 が鍵となります。 GA、Mixpanel、 Umengなどの従来のサービスプロバイダーが現在採用しているアプローチを、私は Capture モデルと呼んでいます。クライアント側に特定のポイントを配置することで、関連データがクラウドに収集され、最終的にクラウド上に表示されます。例えば、写真の例では、同じようなコードを書いたことがある人は多いと思います。

キャプチャモードは、非探索的分析に非常に効果的な方法です。しかし、これはプロセス全体に関与する人々に非常に高い要求を課すことにもなります。デメリット 1: 経験重視のキャプチャモードは、人間の経験と直感に大きく依存します。経験や直感が悪いというわけではありませんが、私たち自身も何が良いのか分からないことがあります。むしろ、経験は先入観による重荷となり、データを使ってテストし、証明する必要があります。デメリット 2: 通信コストが高い。さらに、効果的な分析結果はデータの整合性と完全性に依存します。多くの企業とやり取りする中で、その後の分析どころか「ログのフォーマットすら統一できない」という不満の声が多く寄せられました。これは特定の人の問題ではなく、むしろ共同コミュニケーションの問題です。プロダクトマネージャー、アナリスト、エンジニア、オペレーションなど、関わる人が増え、それぞれの専門分野も異なるため、誤解が生じるのは当然です。私はかつて、当社の CEO であるサイモンと話したことがあります。彼が LinkedIn でデータ分析部門を率いていたとき、LinkedIn は最大 27 名からなるトラッキングポイントチームを特別に編成しました。彼らはトラッキングポイントの形式と場所を統一するために毎日会議を開催し、会議は数週間続くこともよくありました。

デメリット3：データのクリーニングとデータ分析コードの侵入に多くの時間を費やします。また、需要の変動により、追跡ポイントが複数回追加され、全体的な設計と統一管理が欠如しているため、結果は当然非常に汚くなります。したがって、データエンジニアの仕事の大部分は、データのクリーニング、つまり ETL を手動で実行してレポートを生成することです。統計によると、分析作業の大部分では、時間の 70 ～ 80 パーセントがデータのクリーニングと手動 ETL に費やされており、実際にビジネス価値のある作業に費やされている時間はわずか 20 パーセント程度です。一方、強迫性障害を持つエンジニアとして私が最も嫌なのは、大量の分析コードが業務コードに侵入することです。あえて削除したり変更したりしません。時間が経つにつれて、コードベース全体が混乱してしまいます。デメリット 4: データ収集におけるデータの欠落とエラー。上記はすべてまだ良いことです。最もイライラするのは、製品の発売後にデータ収集が間違っていたり、欠落していたりすることが発覚することです。修正後、プロセスを再度実行する必要があり、1 週間か 2 週間かかる場合があります。これは、データ分析に非常に時間がかかり、通常は数か月かかり、非常に非効率的である理由でもあります。 3. 埋め込みポイントを使用しないデータ分析の原理 数え切れないほどの苦しい夜を経験した後、私たちは考え方を変えて、人為的なミスを最小限に抑えることを望み、これを記録モードと呼んでいます。キャプチャモードとは異なり、レコードモードでは、人間の経験に代わってマシンを使用し、Web サイトまたはアプリケーション上のユーザー行動データの全量を自動的に収集します。自動化により、分析プロセスのソースからデータの形式を制御できます。ビジネスの観点から見ると、すべてのデータは 5 つの次元に分類されます。つまり、「誰 (Who)」、つまり行動の背後にいる人物とその属性、「いつ (When)」、つまり行動がトリガーされる時期、「どこ (Where)」、つまり都市部、ブラウザ、さらには GPS、「何 (What)」、つまりコンテンツ、「どのように (How)」、つまりそれがどのように達成されるかです。情報の分解に基づいて、ソースからのデータがクリーンであることを保証します。これに基づいて、ETL を完全に自動化し、必要なデータをいつでも追跡できます。前のプロセスのステップ 2 から 4 に戻ると、複数の関係者の参加者数を基本的に 1 人に減らしました。製品マネージャー、アナリスト、オペレーターのいずれであっても、視覚化ツールを使用してデータを照会および分析し、まさに「見たとおりの結果」を実現できます。 PCだけでなく、iOS、Android、ハイブリッドにも対応しており、クロススクリーンのユーザー分析が可能です。ユーザー行動分析ツールプロバイダーとして、GrowingIO は社内で使用するだけでなく、何千もの外部 Web サイトやアプリケーションに適応する必要があります。そのため、実装プロセスでは多くの調査を行いました。 自動ユーザー行動収集 現在私たちが目にする GUI プログラムは、Web アプリ、iOS アプリ、Android アプリのいずれであっても、すべてツリー構造とイベント駆動型モデルという 2 つの原則に基づいています。 Web 上の DOM ノード構造でも、アプリ上の UI コントロール構造でも、完全なツリー構造が構築され、ページまたは画面上にレンダリングされます。したがって、ツリー構造を監視および検出することで、どのノードが変更されたか、いつ変更されたか、どのような変更が発生したかを簡単に知ることができます。同時に、ユーザーがマウスをクリックしたり、画面をタッチするなどの操作を行うと、イベントがトリガーされ、イベントにバインドされたコールバック関数がトリガーされて実行が開始されます。これら 2 つの理解に基づくと、SDK に埋め込みなしを実現する方法がより明確になります。ノードが変更されたりイベントが発生したりしたときに定義した関数をトリガーできれば、イベントのさまざまな情報がわかります。

データの視覚化 収集したデータをビジネス目標とどのように一致させるか。私たちのソリューションは視覚化ツールです。前述したように、あらゆる原子データは 5 つの異なる分類次元に分類されます。したがって、視覚化ツールでマッチングを行うときは、異なる次元の情報をマッチングすることになります。たとえば、リンクをクリックすると、コンテンツまたはジャンプ先アドレス（What）とクリック動作（How）が一致します。また、ツリー構造内の階層的な位置や、ID、クラス、タグの有無など、ページ上の位置情報もあり、これらはすべてデータのマッチングに使用されます。私たちは、実際のユーザーの行動を学習することで、インテリジェントなマッチングシステムを開発し、要素マッチングのルールエンジンを確立しました。完全な量のデータが収集されるからこそ、マッチングシステム全体が遺伝子の進化のようになり、過去の歴史の記憶と新しい構造の進化に適応する能力の両方が備わります。

BI ビジネス分析 システム設計プロセスとデータパイプラインプロセス全体を通じて、データが処理された後、まず定義されたデータをさまざまな優先順位に従って Spark Streaming を介してリアルタイムで処理し、次に一致したデータに対してオフライン事前集計を定期的に実行します。これにより、多次元分析が非常に柔軟になります。

ユーザー行動データを収集する目的は、ユーザーの過去の行動を理解し、それを基に将来のイベントを予測することです。データポイントを埋め込む必要がなく、いつでもデータを遡ることができるため、プロダクトマネージャーはユーザー行動分析の全プロセスを単独で処理できます。 GrowingIO は、分析プロセスを大幅に簡素化し、効率を向上させ、ビジネスに直接影響を与えることができる、シンプルで高速かつスケーラブルなデータ分析製品を提供したいと考えています。これらすべてを支える基盤となるのが、当社が創業当初から開発を続けてきたポイントオブケアのインテリジェントなフルデータ収集です。これに基づいて、当社は製品エクスペリエンスを最適化し、洗練された運用を実現し、データを活用してユーザーと収益の成長を促進しています。

<<: 31省・直轄市で海外からの輸入症例が3件追加され、北京では8日連続で新規症例なし

>>: 情報フローのコピーライターは数字のゲームをどのようにプレイするのでしょうか?クリックして直接使用してください！