オペレーターがデータ分析を行う必要があるのはなぜですか?

データ分析はプログラマーが行う作業のように聞こえますが、あらゆるオペレーターに静かに浸透しています。

アリババやテンセントのような大企業は、データ分析を意思決定の客観的な根拠として長年活用してきたことは言うまでもありません。スタートアップ製品であっても、ユーザー、操作、売上などのデータは大きな分析価値があることが証明されています。

製品機能を反復するにはどうすればいいですか?変換プロセスを最適化するにはどうすればよいでしょうか?ユーザーポートレートに基づいて正確な配信を行うにはどうすればよいでしょうか?ユーザーの行動に基づいてアクティベーションを効率的に促進するには？ ...衝動的に決定されたように見えるこれらの事柄は、客観的なデータに照らし合わせると、依然として大きな欠点と限界を抱えています。

昔は日々がゆっくりと過ぎていきましたが、今では毎日新しいものが生まれ、繁栄し、そして死んでいきます。急速に変化するビジネス環境では、過去に有効だった経験がもはや信頼できず、そのライフサイクルが大幅に短くなっていることに気付くかもしれません。

データ駆動型で洗練されたオペレーションの時代が予想よりも早く到来しました。

例えば、交通運用の面では、PV や UV などの虚栄心の指標だけに焦点を当てるだけでは、今日では十分ではありません。 CPC、DAU、平均訪問期間、訪問深度、直帰率、平均トラフィックコンバージョンなどのより洗練された指標と、これらの指標に基づく大規模なデータ分析は、ユーザーの行動を判断する上でより分析的に意味があります。

例えば、コンテンツ運用においては、個人の経験や感覚が長期的なトレーニングを必要とする可能性があり、この経験がどのくらいの期間活用できるかは未知数ですが、状況はますます楽観的ではなくなっています。ユーザーの閲覧の好みや使用習慣に基づいて、非常に正確で有益な結論をほぼ得ることができます。

例えば、 Taobaoは閲覧履歴に基づいて商品を推奨し、 NetEase Cloud Musicは類似ユーザーに基づいて音楽を推奨し、 Toutiaoはユーザーのポートレートに基づいてコンテンツを推奨します。これらはすべて、コンテンツ運用をサポートするデータ分析の例です。

実際、もう少し形式的な製品オペレーションにおいては、オペレーションの洗練化の傾向がますます顕著になってきています。運用上最も一般的なプロセスの一部を次に示します。

ユーザープロフィール

ユーザーポートレートは単純に見えますが、実際には想像に基づいて推測するのは簡単ですが、正確に定義するのは困難です。そのため、過去には、ユーザーの定義は通常、「25〜30 歳のホワイトカラー労働者」、「読書習慣のある若い専門家」、「1〜3 年の経験を持つプログラマー」などでしたが、実際にはあまり意味がありません。

ユーザーがどのような製品を使用しているか、製品をどのように認識しているか、どのくらいの頻度で使用しているか、消費レベルがどのように分布しているかなどです。しかし、実際には、製品自体のユーザーデータを分析することで、より深い結論を導き出すことができます。

あるいは、公開データセットやクローラーを通じて分析用の外部データを取得することもできます。これは非常に信頼性の高い業界調査です。データ分析手法により、新しい分野や新しい市場を迅速に理解し、チャンスがどこにあるのかを把握し、試行錯誤のコストを効果的に削減することができます。

広告とチャネルの選択

特定のチャネルのユーザーとターゲットユーザーとの親和性度を分析する必要があります。類似するチャネルが複数ある場合、大まかな見積もりでは成果が低くなることがよくあります。ユーザーポートレートや市場調査などの生データを通じて正確なポジショニングをしたり、広告データを通じてどのように最適化するかなど、正確な計算と分析が求められる領域です。

商業化の第一歩は、広告市場の複雑な取引構造と自社製品やユーザーの特性を理解し、合理的かつ効率的なマーケティングプランと技術アーキテクチャを選択することです。

コンバージョン分析

製品には、登録コンバージョン、購入コンバージョン、アクティベーションコンバージョンなど、コンバージョン分析が必要な領域が多数あります。一般的に、ユーザーのコンバージョン プロセスを測定するにはファネルを使用します。コンバージョン ファネルからは、ユーザーがどの段階で妨げられているのか、コピーが魅力的ではないのか、機能的なエクスペリエンスが貧弱なのかなど、大まかにいくつかの結論を導き出すことができます。

しかし、より詳細なデータ分析を行うと、さまざまなチャネルからのユーザーコンバージョンファネルの違いなど、より多くの情報が得られ、チャネルの選択や広告の最適化の参考になります。たとえば、どのタグの方がユーザーコンバージョン率が高いでしょうか?離脱したユーザーに対する別の障壁はありますか? それは何ですか?変換プロセス中にさまざまな影響要因に優先順位を付けるにはどうすればよいでしょうか?

より洗練された分析とより多くの仮説検証により、より詳細な解決策を導き出すことができます。

正確な推奨事項

ユーザー行動分析は、さまざまな優れた製品にとって無視できない不可欠な要素となりつつあり、Toutiaoの急成長やNetEase Cloud Musicの優れた評判はすべてこれに関係しています。

ユーザーが興味を持っているコンテンツや、コンテンツの閲覧や普及の割合など、ユーザーのニーズを分析する必要があります。ユーザーをどのようにラベル付けして分類するか、そしてユーザーの過去の習慣に基づいて商品やコンテンツを正確に推奨する方法が、ユーザーのアクティビティを促進し、ユーザーの粘着性を向上させるための鍵になりつつあります。

製品の反復

製品のイテレーション計画であっても、アクティベーションを促進する戦略であっても、製品のイテレーションの方向性をどのように定義するか。ユーザー行動データの分析、ユーザーの閲覧やクリックのヒートマップによる位置付け、さまざまなページや機能のトラフィック監視に基づいて、ユーザーエクスペリエンスを向上させる新機能が段階的にターゲットを絞って導入されます。

データは私たちの仕事のあらゆる細部に浸透しています。ユーザーや製品と最も頻繁に接触する人々にとって、運用はデータと接触する最初のリンクです。同時に、戦略の立案と実行は通常オペレーション部門が行いますが、データはテクノロジー部門によって制御されるか、何の影響も及ぼさずに静かに放置されることがよくあります。

運用においては、データ生成と意思決定の間に最適化の余地が大きく必要であり、この余地は主にデータから生まれます。データから知識を発見し、意思決定を最適化することで、運用効率が大幅に向上します。

一方、データのサポートがあれば、上司をより説得することができ、テクノロジーや製品と争ったとしても、決して無駄にはなりません。しかし、前提条件は、データを有効活用し、結論を分析して意思決定をサポートし、それを一般の人々が理解できる視覚的な方法で説明できることです。

昨今、ある程度の規模の製品には膨大な量のデータと多くのフィールドがあり、どこから始めればよいのか迷ってしまうかもしれません。

しかし、ある程度の経験があればもっと良いでしょう。たとえば、ランナーのスピードに影響を与える身体的要因を研究したい場合、アスリートの身長、脚の長さ、体重、さらには心拍数、血圧、腕の長さを研究するかもしれませんが、アスリートの脇毛の長さを研究する可能性は低いでしょう。これは、私たちがすでに持っている知識に基づいています。たとえば、製品の品質に影響を与えるいくつかの指標や、コンバージョンに影響を与える要因の優先順位を分析したい場合、予備分析を実施すれば、予備的な結論を導き出すことができます。

したがって、より多くの問題を分析すると、データに対する感受性が高まり、データを分析し、データを使って話す習慣が身に付きます。この時点で、いくつかのデータと自分の経験に基づいて予備的な判断や予測を行うこともできます (もちろん、これは完全なサンプルの正確な予測に取って代わるものではありません)。 この時点で、基本的にデータ思考が身についています。

データ駆動型という言葉をよく耳にしたことがあると思います。大まかな運用戦略によって生じる信号対雑音比の低さやリソースの無駄は、運用を洗練させることで効果的に軽減できます。 UVやPVなどの指標だけでは正確な判断ができなくなると、より高度なデータ分析が今後の運用の原動力となります。

さらに重要なのは、最も基本的で反復的かつ価値の低い運用作業が、徐々に自動化された運用に置き換えられていくことです。たとえば、データ分析に基づく推奨システムは、一部のコンテンツのスクリーニングとプッシュを事実上置き換えました。将来のオペレーターの中核となる競争上の優位性の 1 つは、データ分析を通じて効率的で自動化された運用を実現することです。

では、データ分析スキルはすぐに習得できるのでしょうか?もちろんできますよ。

運用の観点から見ると、一般的なデータ分析プロセスは、問題の定義、データの取得、データのクリーニング、データのモデリングと分析、データの視覚化と結論です。

● オペレーターにとって、問題定義は内在化されたスキルです。彼らはビジネスに精通しており、製品とユーザーを理解しているため、インターネット界のトップに位置するとみなされます。現時点でも、改善したい指標や最適化したいプロセスがあり、これらはすべて質問の良い情報源となります。

● データ取得部分では、オペレーターのデータは一般的に企業の製品のデータベースから取得されます。このとき、SQL操作を理解しているか、少なくともデータベースからデータを上手に抽出できる必要があります。さらに、クローラーを使いこなし、外部のウェブサイトから業界データを取得できるようになると、グローバルな分析のアイデアが生まれます。

● 自社のデータであっても、不完全、矛盾、汚れたデータが多く、直接分析できない、または分析結果が満足のいくものではない。例えば、重複データ、正確なデータ、無効なデータなど、分析に影響を与えるこれらのデータを適切に処理することによってのみ、より正確な分析結果を得ることができます。

● 分析でよく使用される回帰モデル（線形回帰、ロジスティック回帰）などの基本的なデータ分析手法やデータマイニングアルゴリズムを使用して、必要な結論を取得します。分析の最も直接的な結果は統計の説明と表示ですが、他の結果では将来の状況を正確に予測するために内部関係の詳細な調査が必要になります。

一般的に、習得する必要があるスキルには 3 つの部分があります。

● SQL（データベース）。企業データは通常データベースに保存されますが、データベースからデータを取得するにはどうすればよいでしょうか? 2 つまたは 3 つのテーブル間の関係を確立するにはどうすればよいですか?必要な特定のデータを取得するにはどうすればよいでしょうか?これらのデータ選択の問題は最初に考慮すべき事項であり、これらの問題はすべて SQL を通じて解決されるため、SQL はデータ分析の最も基本的なスキルです。

● 統計学の基礎。データ分析の前提は、データを認識することです。データをどのように収集するのでしょうか?データの全体的な分布はどうなっていますか?時間の次元がある場合、それは時間の経過とともにどのように変化するのでしょうか?データの中央値、最頻値、および有意性にはどのような指針となる意味がありますか?仮説検定を使用して予備分析を実行するにはどうすればよいでしょうか?

● Pythonの基礎。これは必須であり、またプラスでもあります。ツールと比較すると、言語はより柔軟で実用的であり、アイデアを実現しやすくなります。 Python には多くのオープンソース ライブラリ (numpy、pandas、scikit-learn、seaborn など) があり、科学計算やデータの視覚化が簡単になります。

最も速い学習パスは問題解決プロセスに基づいており、知識の各部分が何に使用され、どこで使用できるかがわかり、各部分でいくつかの実用的な分析問題を解決できます。