0から1までデータベース運用システムを構築する方法

近年、モバイルインターネットの急速な発展に伴い、ビッグデータの概念がますます普及し、多くの企業がデータに基づく経営を推進しています。

それでは、今日はデータ管理についてお話ししましょう。

1. データ管理に関する3つの誤解

まず、データ管理に関する誤解を見てみましょう。

1. データが増えると、必ずビジネス開発が促進されるのでしょうか?

大量のデータがあっても、それがビジネスの発展を促進できるとは限りません。データがビジネスにうまく適用されない要因が多数あるからです。

01 要因1: データ品質の問題

一方で、多くの企業は、データを収集する際に、シミュレーターやウールパーティがボリュームをブラッシングするなど、多くのダーティデータを収集します。不正行為防止識別が実行されない場合、この部分のデータをフィルタリングすることは困難です。

一方、データが標準化され定期的に収集・報告されていない場合、データマイニングや分析を行う際に有効な情報を得ることが難しくなります。データの正確性と安定性はデータサイエンス経営の基盤であり、この2点が満たされなければ、ビジネス上の意思決定に多くの問題が生じます。

02 要因2: データはビジネスと密接に関連していない

データは、ビジネスに強く関連している場合にのみ価値があります。

私たち自身も多くの指標を持っており、おそらく 70 を超えます。

しかし、日常的な分析では、頻繁に使用されるのはそのうちのいくつかだけです。他のものはほとんどアクセスされないか、時間の経過とともに徐々に放棄されます。

03 要因3: データ収集は簡単だが、活用は難しい

テンセントは長年データ分析に携わり、豊富な経験を積んでおり、独自の分析システムも完備しているため、当然データの応用にも問題はありません。しかし、中国移動、中国聯通、中国電信などの通信事業者や保険会社、銀行など、多くの伝統的な企業は、この分野について特に混乱しており、大量のデータを持っているものの、それをどのように使用すればよいかがわかっていません。このように盲目的にデータを収集することは、実のところあまり意味がありません。

2. データ分析チームがあれば、確実に問題を見つけることができますか?

必ずしもそうではありません。アナリストはビジネスを理解していないことが多く、機械的な分析結果しか提供できず、ビジネス開発を効果的に導くことができないからです。

たとえば、当社では以前、ビジネス開発に役立つアイデアやガイダンスをさらに提供したいと考え、アナリスト チームをビジネス運営に導入しました。

しかし、しばらく分析してみると、効果があまり良くないことがわかりました。その理由は、アナリストは一般的にレポートディメンションのデータに基づいて分析結果を出すからです。

たとえば、データに突然の変動があった場合、アナリストはそれが休日によるものだと考えるかもしれませんが、実際には業務全体でどのような活動を行ったかはわからない場合があります。そのため、データ分析とビジネスは分離されています。

この問題を解決するために、データ分析チームとビジネスチームを結集し、共同プロジェクトチームを立ち上げてパイロットを実施するという新たな試みを行いました。

その後、アナリストが各指標を設計する際に最前線の運用スタッフとコミュニケーションをとったため、結果は非常に効果的であることが判明しました。

• 実際のユーザーの行動はどのようなものでしょうか?
• これらのデータはどの期間に、どのようなシナリオでトリガーされますか?

この方法により、よりターゲットを絞ることができます。

3. 分析レポートは最適なソリューションを提供できますか?

誰もが毎週、あるいは毎日、このような分析レポートを作成していると思いますが、私たちの分析結果は本当に対象ビジネスにとって最適なソリューションなのでしょうか?

結果は否定的なものになることが多いです。

ここでもいくつか問題があります:

01 問題1: 分析次元が単一であり、結論を裏付けるには不十分である

バージョン、チャネル、地域、デバイス属性、特定の動作特性など、分析の次元は多数あります。

現在、すべての APP 分析は基本的にバージョンとチャネルの 2 つの次元に基づいています。カスタム イベントの場合、イベント ID に基づいて分析するだけでは、制限するためのパラメーターが不足し、分析結果のサポートと判断が困難になります。

02 問題2: データ品質が分析結果に影響を与える

分析結果がビジネス開発を効果的に反映し、効果的な最適化戦略を提供できるかどうかを判断する重要な要素の 1 つは、データの品質です。データの品質が標準に達していない場合、データに基づく分析結果は大幅に低下します。

私たちが接するアプリの多くは、程度の差はあれトラフィックの急増を経験しています。こうしたデータは、企業に経済的損失をもたらすだけでなく、通常のデータにも影響を与え、データ分析を困難にします。

2. データ管理の考え方

こうした誤解を認識した上で、どのようにすれば科学的にデータ管理を行うことができるのでしょうか?

科学的なデータ管理には、包括的なデータ分析だけでなく、データ分析の結果に基づいたアクションがさらに重要です。

したがって、以下では、データ収集、データ分析、アクション戦略、迅速な実行という 4 つの側面からデータ管理のアイデアについて説明します。

1. データ収集

現在収集しているディメンションには、基本データ統計、ユーザー属性、ユーザーソース、ユーザー行動、モデルデータが含まれます。

01 基本データ

基本データは、新規追加、アクティビティ、起動数、保持など、私たちが毎日確認するデータです。

02 ユーザー属性

Tencent Mobile Analysis がカバーする多数のアプリと Tencent のビッグデータの利点に基づいて、さまざまな人々のグループに異なるラベルが抽出されます。

ユーザー属性には、性別、年齢、職業、学歴、興味、趣味などの基本的な自然人属性が含まれます。さらに、ユーザーが使用するモデル、ブランド、ネットワーク方法などのデバイス属性分析も実行されます。

03 ユーザーソース

これは、ユーザーがどこから来たのかを分析するのに役立つ非常に重要な指標でもあります。ここには多くのディメンションが存在する可能性があります。たとえば、チャネルは 1 つのディメンションであり、バージョンもディメンションであり、リージョンとモデルも異なるディメンションとしてカウントできます。

04 ユーザーソース

ユーザー ソースは、ユーザーに対する製品の粘着性を分析し、製品パスを最適化するのに役立ちます。これには、ユーザーの使用時間、使用頻度、ページアクセスパスなど、大量のデータが含まれます。

行動に関しては、報告が必要なデータは標準化され、標準化されている必要があることを強調したいと思います。これは、後の分析に役立ちます。そうしないと、最後に収集されたデータは単なるダーティデータとなり、その後の分析には意味がなくなります。

05 モデルデータ

モデルデータは、基本的なデータ分析に基づいた高度なモデルであり、ユーザー向けにさらに高度な分析を実行できます。新規ユーザー獲得モデル、アクティベーションモデル、チャーンモデルなど、ユーザーライフサイクルの各段階ごとにモデル分析を行います。

2. データ分析

データ自体には価値がなく、分析にのみ価値があります。

分析を行う際には、主に以下の側面が含まれます。

• 多次元クロス分析
• ユーザーグループ分析
• 製品品質分析

データ分析を行う場合、多次元クロス分析は優れた分析方法です。

データの全体的な傾向を見ると、事業展開において問題があるのか​​、チャンスがあるのか​​は分かりますが、どこに問題があるのか​​、どこにチャンスがあるのか​​は分かりません。

チャネル、バージョン、国、デバイス属性、自然属性など、多次元のドリルダウン分析を推奨します。これらは、クロス分析のディメンションとして使用して、最終的に問題がどこにあるかを特定できます。

ユーザー人口分析は、さまざまなグループの人々の属性特性と行動特性を分析するのに役立ちます。異なる人口特性に基づいて差別化された運用戦略を策定し、運用効果を最大化します。

製品品質分析は、当然のことながら、アプリのクラッシュ状況、電力消費、ネットワーク速度などのデータを含む、製品の品質を測定するために使用されるデータ指標です。

3. 行動戦略

データ分析の結果に基づいて、問題や機会を発見した後、まずいくつかの行動戦略を策定する必要があります。このステップは、データ分析とアクションのギャップを埋めるための鍵となります。

新規顧客獲得戦略、アクティベーション戦略、失客リコール戦略など、ライフサイクル管理の一般的な戦略を例に挙げてみましょう。

4. 高速実行

戦略が策定されたら、次のステップはそれを迅速に実行することです。アクションは、データ分析の結果と戦略の有効性を検証するための最終ステップです。速く走れば走るほど成功する可能性が高くなるため、うまく実行することが非常に重要です。

テンセントは、小さなステップを踏み、素早く繰り返すという原則も遵守しています。スピードが確保されていれば、間違いを犯しても問題ありません。

2. 0から1までデータ運用システムを構築する方法

これまでデータ管理の誤解や考え方についてお話ししてきましたが、次はデータ運用システムを0から1に構築するにはどうしたらいいのかについてお話ししましょう。

フェーズ1: 指標計画

データ分析のニーズを持つ多くの開発者と接してきましたが、最初はどのようなデータを収集してカウントすればよいかが特に明確ではないため、この領域での計画が非常に重要です。

特にデータ構築の初期段階では、指標を明確に定義する必要があります。そうしないと、後のデータ分析段階で問題が発生しやすくなります。

もう 1 つはディメンションの設定です。バージョンとチャネルに加えて、地域、モデル、ネットワーク タイプなどのカスタム属性を追加することもできます。設計するディメンションが多ければ多いほど、その後のデータの精緻な分析に役立ちます。

新規追加を例に挙げてみましょう。新規追加が急激に減少していることに気づくかもしれません。バージョンとチャネルの 2 つのディメンションのみを設計すると、この 2 つのディメンションからしか分析できません。より深いドリルダウン分析を行いたい場合、ポジショニングを継続できなくなります。

最後の重要な要素: 更新サイクル。

データがリアルタイム、毎日、毎週のいずれで更新されるかにかかわらず、事前に計画する必要があります。データ計算には多くのリソースが消費されるため、最も価値のある場所で最適なリソースを使用する必要があります。

フェーズ2: データ収集

指標を計画したら、次に行うことはデータ収集です。データ収集には、フィールド分類、データ埋設、データ報告という 3 つの作業側面が含まれます。

フィールドの分類は非常に重要です。詳細であればあるほど、その後のデータ分析に役立ちます。

データトラッキングとは、その名の通り、収集したいデータを追跡することでビジネスデータの統計を収集することです。

フェーズ3: レポートのプレゼンテーション

データを収集した後は、ビジネスの変化を分析するために、レポートの形式でデータを提示することを検討する必要があります。

上記の手順を完了し、最終的にこのシステムが実行可能であることが確認できれば、データ全体の製品化と機能の反復を検討できます。

01 施工方法

次に、データ分析システムの構築方法について説明します。

現時点では構築方法は 2 つしかありません。1 つは自分で構築する方法、もう 1 つはサードパーティのサービスを利用する方法です。

セルフビルドのメリットは何ですか?

ポイント追跡機能は柔軟かつ便利で、ニーズに応じてポイントを追跡し、ビジネスデータと接続することができます。この方法でのみ、データ分析をビジネスに真に適用できるからです。

ただし、現在起動段階にある一部のアプリには、これが実行できないと思います。

自社建設のデメリットは、莫大な投資が必要になることです。まず人件費がかかります。また、サーバーリソースの維持にもコストがかかります。さらに、外部の運用ツールと連携することもできません。新規ユーザーを引き付けることを例に挙げてみましょう。ユーザーを明確に理解し、ユーザー グループの属性と行動特性を把握する必要があります。

収集したタグに基づいて広告プラットフォームに広告を掲載すると、一致が十分に正確でないことがよくあります。なぜなら、両者のラベリングシステムが一貫していない可能性が高いからです。

02 反復最適化

構築フェーズ全体を通じて、すべてを一度に完了する必要はありません。アプリ開発のさまざまな段階に応じてオンデマンドで構築し、段階的に反復することができます。

まず、APP 開発ライフサイクルの 4 つの段階、つまり開始、成長、成熟、衰退について見てみましょう。各段階で注意を払う必要があるデータ指標は異なるため、段階的に構築することができます。

①初期段階で注目すべき指標は何か？

• 成長率は、データの増加が直線的であるかどうか、および将来的に可能性があるかどうかによって異なります。初期段階では、基本的にいくつかの追加、アクティビティ、起動時間、保持を行うだけで十分です。
• ユーザーの流入元、新規ユーザー獲得のプロモーション効果を最適化するためには、どのチャネルのプロモーション効果が優れているかを知る必要があります。

②成長段階では、ユーザーの成長率だけでなく、ユーザーの行動データにも注意を払う必要があります。

成長段階では、ユーザーの質を見極める必要があるため、ユーザーの成長率だけでなく、ユーザーの行動データにも注意を払う必要があります。

プロモーションを例に挙げてみましょう。データ全体の成長だけでなく、コアユーザーが成長したかどうかも確認する必要があります。次に、ユーザー行動の次元からコアユーザーが誰であるかを特定する必要があります。

次に、使用頻度、使用期間、ページアクセスパス、消費行動などのディメンションに関するデータを構築する必要があります。

③成熟期にはデータ需要が高まり、ユーザー価値を深く探究する必要がある

成熟段階に達すると、データに対する需要はますます深くなり、ユーザーの価値を深く探究することが必要になります。次に、この段階でいくつかのデータ モデルの作成を検討する必要があります。

例えば、アクティブモデルでは、アクティブユーザーは全体ですが、アクティブユーザーの質は異なります。たとえば、100 日以上、300 日以上、あるいは 2 年以上アクティブになっているユーザーの場合、異なるユーザー グループごとにパーソナライズされた運用戦略が必要になります。

もう 1 つのモデルは、チャーン モデルです。ユーザーベースが一定規模に達すると、喪失を避けることは難しく、成熟段階に達すると、一部のユーザーの活動が徐々に低下し、最終的には失われてしまいます。このとき、メッセージのプッシュ、効果的なインセンティブ、テキストメッセージなど、何らかの手段を使ってユーザーに干渉する必要があります。

ポートレートインサイトもあります。成熟段階に達すると、すべてのデータが収益化の対象になると思います。収益化するには、まずユーザーがどのような外見であるかを知る必要があるため、ポートレートインサイトの構築を議題にすることができます。

③不況期の深刻なユーザー離れ

不況段階に達すると、APPは基本的に大規模なユーザー喪失を経験し始めており、ユーザーを呼び戻すことは非常に困難であるため、関心の変化に注意を払い、新しいビジネス成長ポイントを探す必要があります。

03 MTAインジケータシステム

これは、基本指標、ユーザー属性、ユーザーソース、ユーザー行動、モデルデータに分かれたMTA指標システムです。

新規追加、アクティブユーザー、離脱については前回の記事で触れたので、ここでは繰り返しません。品質監視に焦点を当てます。品質監視では、主にユーザーがアプリを使用する際のクラッシュ状況、ネットワーク速度監視、インターフェイス呼び出し状況をカウントします。

3. 詳細なデータ分析

次に、詳細なデータ分析の部分についてお話ししましょう。

1. 多次元ドリルダウン分析

多次元ドリルダウン分析の利点は、全体的な傾向から問題を発見し、よりきめ細かい分析を通じて最終的に問題を特定し、それに応じた実行戦略を策定できることです。

実際には、チャネル、バージョン、地域、ページ、タグ、ユーザー グループなど、分析のディメンションは多数あり、これらはすべてユーザーを分析するためのディメンションとして使用できます。

2. ファネルコンバージョン分析

次に、日常生活でよく使われるファネルモデルを見てみましょう。

ファネル モデルは非常に重要な手段です。ファネルは、最初のステップから最終的なコンバージョン結果までの重要なパスを分析するだけでなく、各ステップ間のコンバージョン率を分析するのにも役立ちます。基本的に、コンバージョン ファネルのすべてのステップで損失が発生するため、100% のファネルは存在しません。

ファネルの使い方は？単一のファネル分析は意味がありません。ファネル分析の重要性は、トレンドの観察、ディメンションの比較、ディメンションのセグメンテーションを通じてのみ反映されます。

次に例を挙げます。

Tencent Mobile Analytics の使用は、大まかに、登録、テスト、起動の 3 つのステップに分けられます。

最初のステップは登録からテストへの変換、2 番目のステップはテストからリリースへの変換、3 番目のステップはテストからリリースへの変換です。

データを分析すると、5月と6月のコンバージョン率は良好であることがわかりました。しかし、7月のデータを見ると、登録からテストまでのコンバージョン率は21.7％にとどまり、テストからリリースまでは22.6％と変化がありませんでした。全体のコンバージョン率は4.9％でした。 5月、6月と比較するとデータは減少しています。

この問題の原因は何ですか?

このファネルに関連するデータを分析してみましょう。

最初のデータは新しく追加されたもの、2 番目はテスト、3 番目は最終的にリリースされたアプリケーションの数です。

7 月には新規アプリケーションが大幅に増加しただけでしたが、適切なテスト データは得られませんでした。テストされたアプリケーションは 1,300 個のみで、明らかな増加はなく、最終的にリリースできたのはそのうちの 294 個だけでした。これは、新規ユーザーが増加していることを示していますが、この部分のユーザーのコンバージョン率はそれほど高くありません。

全体的に、これが新規ユーザーの急増の理由であるはずです。次に、チャネルディメンションでドリルダウン分析を実施したところ、多数の新規ユーザーが公式 Web サイトから来ていることがわかりました。

関連するプロモーション活動を分析したところ、今月は賞品付きのクイズイベントを開催し、多くのユーザーがアカウント登録やアプリ作成を行ったことがわかりました。これらのユーザーは賞品目当てで来店したユーザーであり、弊社のユーザーではないため、コンバージョン率は非常に低いものでした。

最終的に、データ変換の減少の原因が特定されました。

ユーザーマネジメント戦略を立案するための基礎となるのがデータ分析です。分析についてお話しした後は、戦略に関する内容についてお話しします。

4. ユーザー管理戦略

1. ユーザーライフサイクル管理

ユーザーライフサイクル管理は、次の 6 つの段階に分けられます。

1. 潜在的ユーザー段階
2. 初心者ステージ
3. 効果的なアクティブステージ
4. 能動的降下段階
5. ステージを失いそう
6. 損失ステージ

異なるユーザーライフサイクルにおいて、ユーザー価値を最大化するために差別化された運用戦略を実装する必要があります。

例えば：

• 潜在ユーザー段階では、ユーザー特性を踏まえた新たなユーザー獲得戦略を策定する必要があります。
• 初心者段階では、ユーザーにリアルタイムのユーザーケアを提供し、適切な初心者タスクシステムを開発する必要があります。
• 効果的かつ積極的な段階では、独自の製品探索ガイダンスと積極的なインセンティブを提供します。
• 積極的な衰退段階では損失防止介入を実施し、差し迫った損失段階では損失警告を実施します。
• 離職段階で離職ケアを開始します。

次に例を挙げて説明します。

01 新規顧客を的確に獲得

潜在ユーザー段階では、新規ユーザーを誘致する際に、過去のデータに基づいて関連分野を整理し、過去のプレイヤーをサンプルデータとして使用して、対応する新規ユーザー獲得モデルを開発します。

実験グループのプロモーション効果を市場全体のプロモーション効果と比較することで、新規顧客獲得効果を評価します。

実際、このような分析を行った後、新規顧客獲得の効果は大幅に向上します。最終的に、実験グループはランダムグループと比較して 30% ～ 60% の改善が見られました。

実際、このモデルの効果は初期段階ではあまり明らかではなく、そのような効果を達成するには継続的なトレーニングが必要です。したがって、一夜にして良い効果を達成するのではなく、データ分析を段階的に反復的にアップグレードする必要があります。

02 初心者ケア

適切な新しいユーザーケア方法により、ユーザーの滞在期間を延ばすことができます。たとえば、ユーザーの興味や好みに基づいて、パーソナライズされた初心者タスク システムとパーソナライズされたレベルの報酬を設定できます。たとえば、ユーザーの性別に基づいて異なるギフトを贈ったり、異なるタスクの難易度を設計したりできます。

03 積極的な成長

優れたコンテンツ推奨および成長システムは、ユーザーのアクティビティを増加させ、ユーザーのポートレートを描写することで適切なコンテンツを推奨することができます。

たとえば、ゲームでは、ソーシャル属性を追加するとユーザーのアクティビティが増加する可能性があります。そして、ユーザーの属性や行動特性に基づいて適切なチーム情報を推奨することができ、ユーザーがチームに参加すれば、活動レベルを効果的に向上させることができます。

04 紛失防止警告

一部の行動データを使用して、ユーザーが解約するリスクがあるかどうかを判断できます。たとえば、アクティビティの減少や使用時間間隔の増加などが典型的な特徴です。次に、この一部のユーザーを特定した後、いくつかの運用ツールを使用して、失ったユーザーを呼び戻すことができます。

たとえば、メッセージプッシュ、テキストメッセージ、広告プラットフォームを通じてユーザーにアプローチできます。アクティビティレベルが低下した場合は、より多くの小道具を送ったり、より興味深いゲームプレイを紹介したりして、ユーザーの離脱を防ぐことができます。

05 失われ、そして戻ってきた

経験上、一度ユーザーを失うと、取り戻すのは困難です。したがって、失ったユーザーを取り戻すことにエネルギーを費やすのではなく、ユーザーの興味の変化を分析して、新たなビジネスの成長ポイントを見つける方がよいでしょう。

2. ユーザーグループ管理

ユーザー グループ分析は非常に優れた方法です。人口分析や問題の特定に役立つだけでなく、ユーザー自身も気づいていないニーズを発見するのに役立つこともあります。

では、クラスターはどのように作成するのでしょうか?

1 つはユーザー属性に基づいており、もう 1 つはユーザーの行動特性に基づいています。

たとえば、PPT に記載されている年齢や性別、または非課金ユーザー、複数課金ユーザーなどです。

多様な人々が集まる中で、私たちは何ができるでしょうか?

さまざまなグループの特徴を分析するだけでなく、差別化された運用計画を立て、さまざまなユーザーに対して正確に新規ユーザーを引き付けることもできます。

次に事例を見てみましょう。

弊社のサービスをご利用いただいているECアプリです。ユーザー数は順調に伸びているものの、取引量が伸び悩んでおり、データをどのように活用してビジネス展開を図ったらよいかとご相談に来られました。

そこで私たちはこの事例に基づいて一連の分析を行いました。

まず、取引ユーザーと高価値ユーザーの特性を分析するためのクラスターを作成し、それらを一般ユーザー市場と比較したところ、市場全体では男性の方が多いものの、取引ユーザーと高価値ユーザーでは女性の割合が高く、女性の方が取引を完了する可能性が高いことがわかりました。

さらに、これら 3 つのユーザー グループの人口の嗜好を比較しました。

一般ユーザーと比較して、取引ユーザーと高価値ユーザーはショッピングと金融にもっと興味を持っている、これが私たちが到達した分析結論です。

さて、質問に戻りますが、量は期待に応えられませんでした。最初の可能性は、チャネル ユーザーに品質上の問題があるということであり、2 番目の可能性は、製品の位置付けに問題があるということです。市場全体では男性ユーザーの方が多いので、男性向けの商品の推奨が足りない、男性向けの商品カテゴリーが少ないなどの可能性が考えられます。

他の 2 つの理由と比較すると、最初の理由の検証サイクルは短くなるため、まずは最初の理由を分析してみましょう。

上図に示すように、これらは私たちが取得したいくつかのチャネルです。 DとEが主なトラフィックソースであり、Dの週間維持率も良好であることがわかります。

しかし、取引量から判断すると、Aのデータも良好なので、Aも高品質なチャネルである可能性があります。

これは私たちの分析結果の一つです。次に、チャネル A がトランザクション人口と高価値人口の特性を満たしているかどうかを確認する必要があります。

データによると、チャネルAの女性比率は62％で、ショッピングへの関心も市場全体よりも高く、これは当社の取引ユーザーと高価値ユーザーグループの特徴と一致しています。

この分析結果に基づいて、開発者に対して流通チャネルの戦略を調整し、Aの流通比率を高め、BとCの流通比率を下げることを推奨しました。戦略が実行されてから 1 週間後、データを追跡しました。

このグラフは全体のコンバージョン率を示しています。前のグラフは最適化前、後ろのグラフは最適化後です。全体のコンバージョン率は 10 パーセント以上増加しています。これが分析プロセス全体です。皆さんにインスピレーションを与えていただければ幸いです。

上記は私の共有です。他にご質問がある場合は、いつでもご連絡ください。