スタートアップ アプリはどのデータを監視する必要がありますか?

多くの起業家は、APP データをモニタリングする際にデータを表示する経験がなく、データ指標の選択における重要なポイントを見つけることができません。スタートアップ チームにとって、どのデータをモニタリングする必要がありますか?良い記事をお勧めしたいと思います。起業初期段階のこのO2Oマーチャントプラットフォーム製品がデータモニタリングをどのように行っているかを見てみましょう。

以下の内容は PM Faner より転載したものです。原著者は The Sun and the Moon under Your Feet で、転載時に原文を若干編集しています。

聞く：

スタートアップ企業のO2Oプロジェクト、つまり加盟店を結びつけるプラットフォーム製品の場合、最初のバージョンからどのデータがより重要で監視・分析されなければならないのでしょうか。あまり重要ではなく、後のバージョンに延期できるデータはどれですか?非常に包括的なデータを監視しているサードパーティ（Umeng など）はありますが、優先順位がよくわかりません。アドバイスをいただければ幸いです。

答え：

このケースは、データ分析における私の経験の一部を要約する良い機会です。
まず、「データ指標は目標達成に役立つ」という視点を述べたいと思います。

この観点からはいくつかの結論を導き出すことができます。

結論 1: 目標を明確にすることが最も重要なステップです。目標を明確にして設定する方法が、解決する必要がある最初の問題です。

帰結 2: 目標を分解することで、対応するデータ指標を取得できます。

帰結 1 から始めると、解決する必要がある最初の問題は、最も優先度の高い目標を見つけて、正確な目標を設定することです。製品の目標に影響を与えるものは何ですか?

1. 製品ライフサイクル、2. 製品タイプ、3. 製品のビジネスモデル（プロモーション、利益など）、4. ターゲットユーザーグループ、5. 会社の目標、6. 市場競争環境など。

問題の説明から、この製品の現在の特性を知ることができます。

1. 製品ライフサイクル：初期段階 - 探索。

2. 製品タイプ：O2O電子商取引プラットフォーム。

3. 製品ビジネスモデル：プロモーションは主にオンラインとオフラインで行われ、主な収益モデルは商人から手数料を請求することです。

4. 製品の位置付けとユーザー グループ: 製品は、toB マーチャント側と toC ユーザー側を持つ、ホワイトカラー労働者向けの高級ケータリング サービスを提供するプラットフォームであると想定します。分析のため、質問者は toc 側の製品を担当していると仮定します。

次の 2 点を想定します。

1. 市場競争環境：市場競争は熾烈です。類似の競合製品はありますが、大手は出現していません。ただし、同じ業界ではリーダーが出現しています。

2. 会社の目標：2年以内の収益性を考慮しない。

上記の要因に基づいて、現在の最優先目標である、ユーザーを急速に増やし、市場をカバーするという目標を達成できます。この目標を中心に、複数の要素を通じて目標を分解し、主要なデータ指標を取得します。

1. 初期段階の製品:

重要なポイント: ユーザーからのフィードバック、ニーズへの対応、ユーザー満足度の向上。データ指標に重点を置きます: ユーザー維持、アクティビティ、フィードバック、ユーザー ポートレート (忠実なユーザー、離脱したユーザー、一般ユーザー)、特性、需要分析。

2. O2O電子商取引プラットフォーム：

ポイント：製品タイプによって、製品の主要なサービス対象が決まります。O2O 電子商取引は、オフラインビジネスが中心の製品です。製品の初期段階では、まずはマーチャントに良いサービスを提供し、マーチャントのリソースを蓄積する必要があります。マーチャントは注文があれば、より多くのサービスを提供し続けることができます。次に、Cエンドのトラフィックを誘致し、Cエンドユーザーの数を増やす必要があります。

データ指標に注目してください：マーチャントユーザーの注文量、注文承認率、平均注文額、どのマーチャントの注文量が最も高いか、どのタイプのマーチャントが最も人気があるか。

3. 製品の位置付けとユーザーグループ

ポイント：製品の位置付けから、主にホワイトカラーユーザーを対象とし、高級ケータリングサービスを提供していることがわかります。これにより、製品構造や設計はいずれもホワイトカラー向けの高級サービスであり、ユーザータイプも特にホワイトカラーユーザーに重点が置かれていることがわかります。

データ指標に焦点を当てる: ホワイトカラー ユーザーの行動特性: お気に入りの製品タイプ、平均注文額、ロイヤルティ レベルの異なるユーザーの特性。

4. 市場競争環境

ポイント：市場にはリーダーが存在するため、学習できるモデルがすでに存在し、参照できるデータ指標も存在します。その結果、試行錯誤のコストが比較的削減されます。
データ指標に焦点を当て、競合他社のデータ標準から学びます。 (1 日のアクティビティ、翌日の保持率、平均注文額、月間注文量、対象加盟店数) など。

データ インジケーターは製品の目標に役立ちます。目標がなければ、製品セットのデータ指標は合理的なものにはなりません。現時点でこの製品の最も重要な目標は、ユーザーに優れたサービスを提供し、ユーザーベースを急速に拡大することです。そのため、ユーザーのデータ分析が最も重要になります。

ゴール、出発点、経路の考え方を踏まえて、視点を変えて、データ分析の事例としてよく使われる、eコマースの購買プロセスのファネルモデルを見てみましょう。従来のeコマースのユーザー購買ロジックは次のようになります。

「商品リストを閲覧→商品詳細を表示→注文を確認→支払い→終了」

製品の初期段階では、ユーザーがあまりいないと想定します。プロセス全体を通じて、リストから詳細ページ（80%）、詳細から注文（70%）、注文から支払い（20%）という主要なコンバージョン率データを観察しました。しかし、現時点では、私たちの主な目標は購入プロセスの転換率ではなく、多数の販売業者を追加し、より多くの製品から選択できるようにすることです。そのため、上記のページの転換に時間を無駄にすることはありません。製品の初期段階ではユーザー数が非常に少なく、まだ実行する必要があるリンクが多数ありますが、少なくとも注文プロセスは実行されています。

製品の中間段階に一定数のユーザーがいると仮定します。プロセス全体を通じて、リストから詳細ページ（80%）、詳細から注文（70%）、注文から支払い（20%）という主要なコンバージョン率データを観察しました。現時点での重要な問題は、前段階のコンバージョン率ではなく、注文から支払いまでのリンクのコンバージョン率が低いことです。現時点での私たちの重要な目標は、まず注文から支払いまでのコンバージョン率を高めることです。今回は、注文ページの関連データ指標（ページ閲覧時間、ユーザー操作行動）などを具体的に調査します。

製品が成熟段階にあると仮定して、プロセス全体における主要なコンバージョン データを観察しました。リストから詳細ページ (80%)、詳細から注文 (70%)、注文から支払い (20%) です。これらのデータは、元製品マネージャー数名によって、より成熟した状態に調整されています。現時点では、各段階の詳細なデータにさらに注意を払い、小さな変更を継続的に行い、テストと最適化を実行します。このとき、あるプロセスを 1% 改善できれば、会社に大きな利益をもたらすことになります。

上記の基本的な考え方を確立した後、データ分析の能力と感度をどのように向上させるかを考えます。毎日最初に行うべきことは、データを確認し、データを処理し、異常に注意して、データの機密性を理解することです。データを深く掘り下げることについてよく話しますが、その背後には深く考える能力があります。これは単純でありながら複雑でもあることがわかりました。プロセスは、異常なデータに遭遇し、その理由を尋ね、仮定を立て、推論し、データをセグメント化することです。セグメント化されたデータとは、異なるロイヤルティレベルのユーザーの分析や、購入プロセスに基づくディメンション分析など、異なるディメンションを中心にデータを観察することを意味します。さまざまな細分化されたディメンションを網羅することで、異なるデータ結果が得られます。