データ操作についてどれくらい知っていますか?

一般的に言えば、データは製品とユーザーの状況を反映する最も信頼できる方法であり、運用上の意思決定を導き、ビジネスの成長を促進するために使用されます。データ アナリストの役職とは異なり、データ オペレーションは最前線のビジネス上の意思決定をサポートすることに重点を置いています。データ運用は、製品運用のライフサイクル全体にわたって使用され、データ分析を使用して問題の解決策を見つけ、効率を改善し、成長を促進するスキルです。

1. データ操作のために習得する必要がある知識は何ですか?

1. データ分析の目的を明確にする

データ分析を行うときは、目的を明確にし、データ分析を行う理由と、達成したい結果を把握する必要があります。たとえば、改訂された製品の効果が以前よりも優れているかどうかを評価したり、データ分析を通じて製品の反復の方向性を見つけたりすることなどです。

データ分析の目的を明確にした後、次のステップは、どのようなデータを収集する必要があるかを決定することです。

2. データ収集方法

データを収集する場合、まず最初に行うべきことは、データ収集を適切に行うことです。

いわゆる「ポイントの埋め込み」とは、必要なデータを収集するために通常の機能ロジックに統計コードを追加することを意味します。

現在、主流のデータ埋設方法は 2 つあります。

• 1 つ目は、自分で開発することです。開発中に統計コードを追加し、独自のデータ クエリ システムを構築します。
• 2 番目の方法: サードパーティの統計ツールを使用する。

一般的なサードパーティの統計ツールには次のようなものがあります。

ウェブサイト分析ツール: Alexa、 Google Analytics、Baidu Statistics

モバイルアプリ分析ツール: Google Analytics、 Umeng 、TalkingData、Crashlytics

製品や目的によって必要な裏付けデータは異なります。データ指標を決定したら、自社に適した方法を選択して、対応するデータを収集します。

3. 製品の基本データ指標

• 新規ユーザー: 追加された新規ユーザーの数と割合。たとえば、毎日の新規追加、毎月の新規追加など。
• アクティブ: 製品を使用している人数。デイリーアクティブユーザー数（DAU）、月間アクティブユーザー数（MAU）など。アクティブなユーザーが増えるほど、製品に価値をもたらす可能性が高くなります。
• 維持率: ユーザーはどのくらいの期間、あなたの製品を使い続けますか?たとえば、翌日の保持率、週ごとの保持率などです。
• 拡散: 平均すると、各既存ユーザーは複数の新規ユーザーを獲得します。
• 解約率: 一定期間内に離脱したユーザー数と、その期間内のアクティブ ユーザー数の比率。

4. 一般的なデータ分析方法とモデル

ここではファネル分析法とAARRR分析モデルについて説明します。

ファネル分析

潜在的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、最適な最適化空間を見つけるために使用され、製品のさまざまな主要プロセスの分析に広く使用されています。

たとえば、この例では、ユーザーが Web サイトにアクセスしてから最終的に製品を購入するまでの変化する傾向を分析します。

ユーザーがウェブサイトにアクセスしてから製品ページを閲覧するまでのコンバージョン率は 40%、製品を閲覧してからショッピング カートに追加するまでのコンバージョン率は 20% などです。どのリンクのコンバージョン率が最も低いかを調べるには、比較データが必要です。

たとえば、ウェブサイトにアクセスしてから商品を閲覧するまでのコンバージョン率が、同業他社の45％であるのに対し、当社のコンバージョン率は40％に過ぎない場合、このプロセスは業界平均に達していないことを意味します。具体的な理由を分析し、ターゲットを絞って最適化・改善する必要があります。

もちろん、上記は私たちが設計した理想的なファネル モデルであり、集約後にデータを取得することもできます。ただし、実際のユーザーの行動はこの単純なプロセスに従わない可能性があります。この時点で、ユーザーが最終目的に到達するまでになぜこのような複雑な経路をたどらなければならないのかを分析し、途中で最適化の余地があるかどうかを考える必要があります。

AARRR モデル

これは、すべての製品開発者が習得しなければならないデータ分析モデルです。

いわゆるユーザー獲得とは、新しいユーザーを引き付けることを意味します。アプリにとって、新規ユーザーを獲得するということは、新規ユーザーがダウンロードして登録することを意味します。一方、多くのWeChatパブリックアカウント、Weibo、 Tieba運営者にとって、新規ユーザーを獲得するということは、新規ファンを獲得することを意味します。

チャンネルをリストアップする際には、そのチャンネルがターゲット層に合っているか、単価は高いか安いか、二次拡散が可能かなど、それぞれのチャンネルに根拠が必要であることに留意することが重要です。現在、APPを宣伝するためのチャネルは次のとおりです。

ユーザー獲得とは、さまざまなチャネルを通じて新しいユーザーを引き付けるプロセスです。交流協力以外にも、大手フォーラムやポストバーなどのコミュニティへの投稿、ソーシャルマーケティングなどの自由な方法もあります。支払い方法には、検索エンジン、 WeChatやWeiboの見出しなどのセルフメディア、オンラインアライアンス広告、オフラインアクティビティ、インターネットテレビの使用が含まれますが、これらに限定されません。この特別なグロースハッキングの方法を使用する人もいます。

新規顧客の誘致が効果的かどうかを判断する基準は、重要な行動を引き起こすことです。たとえば、ユーザーはアプリをダウンロードしたとしても、必ずしもそれを使用するとは限りません。主要な動作は製品によって異なります。記事の閲覧、ビデオの視聴、メッセージの送信、ゲームの開始、メールの記入などが考えられます。

優れたチャネルとは、ユーザー数が最も多いチャネルを意味するものではなく、コストが最も低いチャネルを意味するものでもありません。ユーザーの好みと分布を継続的に調査することによってのみ、投資戦略を最適化し、合理的に決定し、CAC を継続的に最小化することができます。各チャネルを通じて獲得するユーザー数、質、コストは異なり、ユーザー獲得コスト（CAC）、ユーザー数、維持率、 AR PU データなどに基づいて総合的に評価する必要があります。

もちろん、外部チャネルを通じて新規顧客を獲得するだけでなく、ユーザーベースが大きければ、製品設計の観点からも新規顧客を引き付けることができます。

まず、ユーザーに積極的に通知します。方法は、APPプッシュメッセージ、EDMメール、SMS通知の3つです。メッセージプッシュの時間、内容、ユーザーは、ユーザーポートレートに基づいて決定できます。

2つ目は、スプラッシュスクリーン広告を通じてユーザーに受動的に情報を伝え、わかりやすい入り口を設定し、機能の入り口に割引メモを追加し、ホームページに関連するカルーセル画像を設定するなどです。たとえば、 Mobike APPのスプラッシュスクリーン広告には、オンライン配車サービスやDidi APPのさまざまな機能が表示されます。

活動を増やす

アクティビティとは、ユーザーが製品を使用する時間と頻度を指します。各製品にはアクティビティの定義が異なります。たとえば、 Baidu Tieba はユーザーが毎日ログインして投稿やコメントを行えることを期待していますが、オンライン教育製品はユーザーの学習時間や練習回数などを重視しています。

アクティビティは、高品質のコンテンツ、ますます向上するユーザーエクスペリエンス、多機能のニーズなど、製品のコアバリューに基づいて構築され、使用開始から数十秒以内にユーザーを獲得します。

ユーザーのニーズを満たすアクティビティ、完全なユーザーインセンティブシステム、成長システム、ユーザー同士の交流を増やす方法、APPの初心者ガイドなどのより詳細な操作など、いくつかの補助手段もあります。

より包括的な分析アプローチとしては、ユーザーが製品を使い始めるところから使い終わるところまでの各プロセスを個別にリスト化し、ユーザーの視点で、アクティベーションを促進する方法を常に模索することです。例えば、新機能のコンバージョン率や使用プロセスのスムーズさを分析し、ユーザーの製品使用プロセスを拡張します。

もちろん、質の高いユーザーを選別することもできます。特定のチャネルのユーザーが製品をかなり長い期間使用し、頻繁に起動する場合は、このチャネルへの投資を増やす必要があります。また、製品を一度しか起動していないユーザーもおり、こうしたユーザーのほとんどは受動的にアクティブ化されています。

チャネルに加えて、アクティビティに関連するもう 1 つの分析ディメンションはバージョンです。しかし、これによって 2 つの錯覚が生じます。ユーザーは現在の製品に慣れているため、製品の更新を望まない、新しい機能の追加を求める、という錯覚です。

たとえば、Facebook が 2006 年に初めてニュース チャンネルを立ち上げたとき、ユーザーから大きな反発が起こりました。しかし、時間が経つにつれて、この製品は Facebook の中心的な機能になりました。 Facebookは少数派の反対を無視し、自社の戦略を貫いた。

既存の忠実なユーザーを興奮させたいわけではなく、次の 100 万人のユーザーを獲得する必要もあります。機能を削除するよりも、追加する方が簡単です。多くの場合、ユーザーは真の解決策ではなく、小さな利便性の問題を解決する機能を要求します。ユーザーと積極的にコミュニケーションをとる必要があり、データによって新しい方向性が正しいと判断された場合は、声を上げる少数のユーザーを無視します。

定着率の向上

製品を使い始めてから一定期間が経過しても使い続けるユーザーを維持ユーザーとみなし、その時点の維持ユーザーと新規ユーザーの比率を維持率といいます。

各アプリケーションにおけるユーザー ライフ サイクルは、接触、使用、放棄または忘却のプロセスです。ユーザーの使用段階では、効果的なアクティベーション方法によってリテンションを向上させることもできますが、ユーザーを取り戻すことも同様に重要であり、ユーザーを取り戻すための共通のプロセスがあります。

まず、離脱ユーザーの基準を決定します。次に、ユーザー離脱モデルを確立し、ユーザーが離脱する理由を分析し、状況を改善するための適切な措置を講じます。同時に、EDM、テキストメッセージなどを通じてユーザーに呼び戻していることを知らせます。最後に、オンボーディングを使用してユーザーに製品の操作を再度慣れさせ、引き続き維持します。

収益

現在、モバイル アプリケーションが収益を生み出す主な方法は、有料アプリケーション、アプリ内決済、広告の 3 つです。有料ダウンロードは、 Apple の APP Store でより一般的です。ほとんどの開発者にとって広告が収入源であり、ゲーム、付加価値サービス、自営ショッピングモールなどのアプリ内決済も比較的一般的です。注目すべきは、Amap の収益モデルは広告に加えて、自社の地図データとユーザーデータを他の分野と組み合わせることにもあるということです。

通常、収益基準を決定するには ARPU (ユーザーあたりの平均収益) の値が使用されます。しかし、有料ユーザーと無料ユーザーの両方がいるアプリケーションの場合は、ARPPU (有料ユーザーあたりの平均収益) も確認する必要があります。

全ユーザーのうちの有料ユーザーの割合に関わるため、有料ユーザー数が少ない場合は、価格設定や製品機能、収益化方法など、製品の収益性に問題がないか検討する必要があります。

収益を計算するときは、利益も考慮する必要があります。利益を計算するときには、LTV（生涯価値）という指標があります。ユーザー ライフサイクルとは、ユーザーが初めてアプリを起動してから最後にアプリを起動するまでの間にアプリで生成された総収益を指します。 LTV と CAC の差は、アプリが各ユーザーから得る利益と考えることができます。

自己増殖（参照）

ソーシャル ネットワークの台頭により、ソーシャルネットワークに基づく自己伝播という製品に大きな活力がもたらされました。自己増殖、あるいはバイラル マーケティングは、バイラル コミュニケーションから生じます。つまり、ウイルスに感染したホストは、他のホストと接触すると、そのウイルスにも感染します。 K 係数は「感染」の確率を定量化します。

K = (各ユーザーが友人に送信する招待の数) * (招待を受け取った人が新規ユーザーになる率)。 K>1 の場合、ユーザー ベースは雪だるま式に増加しますが、ほとんどのモバイル アプリケーションは依然として他のマーケティング手法と組み合わせる必要があります。

自己増殖には、優れた製品を持つことに加えて、正確なオーディエンスを持ち、メリット、虚栄心、希少性、試用など、ユーザーのニーズを喚起できることも重要です。例えば、DidiやMeituanの紅包は友人と共有され、有料ユーザーは友人を招待して無料で商品を試用したり、友人のサークルに転送してギフトを受け取ったりするなどです。

この記事では、成功したWeChat 100日ランニングイベントを例に、自己増殖プロセスにおけるいくつかの調整可能なポイントを示します。

1. 新しいユーザー配分メカニズム

私たちは、新しいランニングKOL を引き付けるために段階的なインセンティブを使用しています。チームに 10 人増えるごとに、グループに赤い封筒を送ります。チームの人数が 80 人に達すると、チームリーダーはランニング シューズを 1 足受け取ることができます。同時に、チームリーダーグループでは毎日グループ運営を行い、「チームXXは80人」「チームXXのキャプテンにランニングシューズをプレゼント」などのチームランキングを掲示し、キャプテンのモチベーションを徹底的に高めています。

2. 従来の共有メカニズム

WeChat システムでは、リンクを共有するよりもポスターを共有する方が目を引きます。 「iPhone 8を当てよう」というセールスポイントのポスターは、ユーザーがWeChat Momentsに投稿するとさらに注目を集めます。同時に、「写真を長押しして友達に送信する」など、共有プロセスも完全にガイドされる必要があります。

3. 誘因分配メカニズム

イベントには登録料がかかるため、「登録完了後にイベントページを友達の輪にシェアすると、すぐに現金20元がもらえます」という特典を設けました。ランニングユーザーの間では共通のWeChatグループがあるため、ユーザーがMomentsで共有すると最も効果的です。同時に、ユーザーがモーメントに投稿する際に投稿の一部を公開したり、投稿後すぐに削除したりする選択をしてしまう可能性も懸念しており、「モーメントを通じてあなたのシェアを10人がクリックする必要がある」という仕組みを追加しました。

A. 共有メカニズムの詳細な説明

B. 共有タイトルを見直し、二次共有を促します。デジタル化できるものはランキングリストにすることができます。ユーザーは登録数を自慢するようになり、人間の比較欲求や自慢したい欲求を刺激し、共有を促進します。

C. H5 を使用して「偽のアクティビティ画像とテキスト」をデザインします。この H5 では、閲覧数 (直接 100,000 以上)、いいねの数、ユーザー コメントを自由に定義できます。設計されたユーザー メッセージを通じて、ユーザーはサインアップに誘導され、いくつかの疑問が解決されます。

E. 「10 人がリマインダーを読むためにクリックしました」

誰かがモーメントをクリックするたびに、通知が届きます。同時に、モーメントを共有したが10人が開かなかったり、間違った友達やグループに共有したりした人もいたため、2日ごとにテンプレートメッセージを送信し、20元を受け取っていないユーザーに再度投稿するよう促します。

2. データ操作では何を分析する必要がありますか?

1. 新規ユーザー獲得段階: ユーザー ソースの種類に注目します。純粋な新規ユーザー (初回登録) か既存ユーザー (再登録) か、パッチ広告から来たユーザーの数、ポップアップ広告から来たユーザーの数などです。
2. コンバージョン段階: コンバージョン率に注目: 200 人のユーザーがプロモーション ページを閲覧し、そのうち 100 人が登録しました。この 100 人がコンバージョンを達成し、コンバージョン率は 50% (=100/200) です。同様に、登録コンバージョン率に加えて、支払いコンバージョン率なども存在します。
3. アクティブ ステージ: 製品内でのユーザーのアクティビティに焦点を当てます。これは、製品ごとに異なる形式で表現されます。たとえば、Tieba: 投稿数、返信数など。動画サイト:クリック数、視聴回数など。
4. 維持段階: 維持または失われたユーザーの数に焦点を当てます。たとえば、初日に 300 人の新規ユーザーがいて、そのうち 100 人が 2 日目もまだアクティブだとします。3 日目もまだアクティブなユーザーは何人いるでしょうか。 4日目はどうですか？等々。

ユーザー操作は操作機能の1つに過ぎず、さまざまな製品の操作を通じて実行されます。ユーザーオペレーションが重視するデータ指標は、業界やプラットフォームなどによって重点が異なります。

オペレーティングプラットフォームに応じて:

ウェブサイト運営:

（１）交通量に注意が必要

• PV（ページビュー）はページにアクセスすることで生成されるデータです。 ユーザーが 5 ページにアクセスすると、5 PV が生成されます。
• UV（ユーザービュー）は、特定のページへの訪問者数です。アカウントがページを何回クリックしたとしても、訪問者は 1 人だけなので UV は 1 になります。
• VV（訪問ビュー）とは、サイト全体を訪問した訪問者数を指します。アカウントが Web サイトにアクセスすると、そのアカウントが閲覧する Web ページの数に関係なく、Web サイトには訪問者が 1 人しかいないため、VV は 1 になります。
• IP:サイト全体のネットワーク IP 番号。あなたは自宅のコンピューターを使用してこの Web サイトにログインし、その後、いとこも同じコンピューターを使用して自分のアカウントにログインし、同じ Web サイトにアクセスしましたが、今回は IP アドレスは 1 のままでした。これは、あなたといとこが同じコンピューターを使用し、ネットワークの IP アドレスが同じだったためです。

（２）注意が必要なアクセスの問題：

• 直帰率:ページに 300 人の訪問者がいますが、そのうち 150 人はページを気に入らずに離脱することを選択したため、直帰率は 50% (=150/300) になります。
• 2 回目の直帰率:ホームページに 300 人の訪問者が滞在し、そのうち 150 人が Web サイトを気に入って次のページを閲覧するためにクリックした場合、2 回目の直帰率は 50% (= 150/300) になります。同様に、3 ジャンプ レート、4 ジャンプ レートなどがあります。
• コンバージョン率:最終的な製品のリンク先ページへのコンバージョンの比率。 ECサイトであれば、最終的な目標は注文をすることなので、新規ユーザーと注文ページへコンバージョンしたユーザーの比率になります。同様に、支払い変換率、登録変換率なども存在します。

（３）能動的な側面にも注意が必要

• DAU（デイリーアクティブユーザー）とは、1日あたりのアクティブユーザー数を指します。
• MAU（月間アクティブユーザー）とは、月間アクティブユーザー数を指します。

関連データには、週次アクティブユーザー、年間アクティブユーザーなどが含まれる場合があります。

（４）コンバージョンには注意が必要（ここでのコンバージョンは電子商取引業務のみを指します。上記のコンバージョン率とは異なります）

• 注文数量:ユーザーが合計で何件注文したか
• 支払額:ユーザーが支払った合計金額
• 平均注文額:支払金額/注文数 = 平均注文額。ここで必要なのは、注文あたりの平均金額です。
• 支払い率:支払いにつながるコンバージョン率

APP操作:

1. 新規追加:新しく追加されたデバイスの数 (電話機モデル別)、新しく登録されたデバイスの数 (登録された新規ユーザー)。
2. アクティブ:アクティブデバイスの数、アクティブユーザーの数
3. 保持：

翌日の維持率: たとえば、初日に 300 人の新規ユーザーがログインし、そのうち 150 人が 2 日目にログインした場合、翌日の維持率は 50% (= 150/300) になります。同様に、3 日間の保持率（3 日目のログイン数 / 1 日目の新規追加数）...n 日間の保持率なども存在します。

TAD :たとえば、7日間のTAD = 1日目に維持されたユーザーの数 + 2日目にまだ維持されているユーザーの数… + 7日目にまだ維持されているユーザーの数

7 日間のうちにデバイスがアクティブであった日数を計算するために使用されます。

（４）コンバージョン：これも、前述のウェブサイト運営におけるコンバージョンと同様に、電子商取引に特化したものを指します。

運営業種別：

• コンテンツベースの業界: PV、UV、VV、投稿数、ページ滞在時間、共有数などに焦点を当てます。
• ソーシャル業界：投稿数、コメント数、PV、UV、アクティブ率などに注目します。
• 電子商取引業界:売上高、注文量、平均注文額などに焦点を当てます。
• ゲーム業界：アクティブユーザー数、決済率、収益、ARPU（ユーザーあたりの平均収益）などに注目します。

運用プラットフォームと運用業界の 2 つの分割角度に加えて、他の多くの分割角度があり、その中でユーザー運用が注意する必要があるデータ指標には重点が異なります。

3. データ分析のやり方

1.データ収集

優れたデータ ソースには、完全性と詳細性という 2 つの基本原則があります。

Quan: つまり、複数のデータ ソースが必要です。クライアント データ ソースは 1 つだけではだめです。サーバー データ ソースやデータベース データ ソースはありません。これらのデータがなければ、分析ができない可能性があります。なお、ビッグデータとはサンプルではなく総量を指します。特定の州のデータだけを取って、全国の状況について語り始めることはできません。一部の省は非常に特殊である可能性があります。たとえば、新疆ウイグル自治区やチベット自治区の顧客は中国本土の顧客とは非常に異なる場合があります。

詳細: 実際、多次元性を重視しています。データを収集するときは、あらゆる次元、属性、フィールドを収集するようにしてください。たとえば、どこで、誰が、どのようにといった情報を収集した場合、最初に需要に焦点を当てるのではなく、後で分析するときにこれらの選択したディメンションから抜け出すことができなくなります。この需要に基づいて、特定のデータが生成されます。後で新しい需要が発生した場合は、新しいデータを収集する必要があります。このとき、反復サイクル全体は大幅に遅くなり、効率が大幅に低下します。可能な限りソースからデータを収集するようにしてください。

2. データモデリング

データが利用可能になったら、それを処理する必要があります。生のデータは乱雑で論理的に抽象化されていない可能性があるため、上位のビジネス アナリストに直接公開することはできません。ここでデータ モデリングが登場します。まず最初に、データ モデルという概念について説明します。データ モデルという言葉を聞くと、深遠で複雑なものだと考えて怖がる人も多いかもしれませんが、実際は非常に単純です。

データ分析の分野、特にユーザー行動の分析において、現在比較的有効なモデルは、多次元データモデル、いわゆる「オンライン分析処理」モデルです。これには 2 つの重要な概念が含まれます。1つはディメンション、もう 1 つはインジケーターです。

ディメンションには、都市、北京、上海、ディメンションの西側にあるいくつかの属性、オペレーティング システム、iOS、Android など、およびディメンション内の属性が含まれます。ディメンションを交差させることで、指標であるユーザー数や売上などのいくつかの指標の問題を見ることができます。たとえば、このモデルを通じて、北京の iOS ユーザーの全体的な売上を確認できます。

3. データ分析方法

データ分析の方法には、多次元イベント分析、ファネル分析（記事の前半で簡単な分析を行っています）、フォローアップ分析、クロス分析など、さまざまなものがあります。ここでは、クロス分析を選択してケース分析を行います。

クロス分析法: 通常、垂直比較と水平比較を組み合わせて、データの多角的な複合分析を実行します。 例えば：

a. クロス分析の観点: クライアント + 時間

このデータから、iOS 側のユーザー数は毎月増加しているのに対し、Android 側のユーザー数は減少していることがわかります。全体のデータが増加していない主な理由は、Android 側のデータの減少です。

次に、第 2 四半期に Android 側の新規ユーザー数が減少している理由を分析する必要があります。通常、この時点でチャネルのディメンションが追加されます。

b. クロス分析の観点: クライアント + 時間 + チャネル

このデータから、Android 側ではチャネル A のプリインストールの割合が比較的高く、減少傾向にあることがわかりますが、他のチャネルの変化は明らかではありません。

したがって、第 2 四半期の Android 側の新規ユーザー数の減少は、主に A プリインストール チャネルの減少によるものであると結論付けることができます。

したがって、クロス分析の主な機能は、データを複数の角度からセグメント化し、データの変更の具体的な理由を発見することです。

5. 新製品機能の有効性を検証する方法

新しい製品機能の有効性を検証するには、次の側面を同時に考慮する必要があります。

a. 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。

ユーザー数は機能以外にも多くの要因によって左右されます。この指標だけで機能の良し悪しを判断するのではなく、以下の他の側面と組み合わせて総合的に評価する必要があります。

b. ユーザーはそれを再利用しますか?

指標: 再利用率。つまり、N 日目に復帰して新機能を引き続き使用するユーザーの数 / 初日に新機能を使用したユーザーの数です。

c. プロセス変換率に対する最適化の効果は何ですか?

測定する指標: コンバージョン率と完了率。コンバージョン率とは、「次のステップに進むユーザー数 / 前のステップに進むユーザー数」です。完了率とは、機能を完了したユーザー数 / 最初のステップを実行したユーザー数です。

このプロセスでは、前回の記事で説明したファネル分析手法を使用して、コンバージョン率と完了率を分析できます。

d. 保持への影響は?

測定する指標: 保持率。初回訪問から N 日後に再度訪問するユーザーの割合、つまり N 日間のリテンション率。よく使用される指標には、翌日保持率、7 日間保持率、21 日間保持率、30 日間保持率などがあります。

e. ユーザーは新しい機能をどのように使用しますか?

実際のユーザー行動の軌跡は、私たちが想像する使用経路よりもはるかに複雑であることがよくあります。使用するデータ監視プラットフォームで関連データを確認できれば、ユーザーがなぜこのように行動するのか、最適化の決定に役立つよりシンプルなプロセスがあるかどうかを検討することができます。

マーケティング、製品、オペレーション、上司など、誰もがさまざまなデータのニーズを持っているため、データオペレーションは実際には非常に人気のあるポジションですが、データはより複雑なものであり、設計された要素データ指標が多数あるため、うまく行うことはそれほど簡単ではありません。しかし、プロダクトオペレーターとしては常にデータを扱う必要があり、ある程度のデータ分析スキルがないのは受け入れられないと思われるため、基本的なデータ分析スキルは必要です。