「データ分析」を開く正しい方法は何ですか?

先週、データ構築についてお話ししましたが、読者から、適切なデータ分析を行うにはどのようなアプローチを使用すべきかという質問があったので、10 ドルのアプローチについてお話ししましょう。

1. 基本原則

データ分析を行うときは、特定の原則に従う必要があります。私はこれらの原則を簡単にリストしましたが、これらは梁兄弟が最も重視しているものですが、必ずしも普遍的なものではありません。

まずデータ分析のプロセスを見てみましょう。

Liang Ge は、データ分析は次のプロセスに従うべきだと考えています。

つまり、データ分析は問題から行ったり来たりする必要があります。実際、データ分析は主に次の 5 つのステップで構成されます。

質問をし、オブジェクトを見つけ、データを選択し、分析を行い、検証します。

1. 質問する: データ分析には明確な目的が必要です

データ分析を始めるときは、明確な目的がなければなりません。

この目的には、1 つ以上の対象を絞ったテスト アクションが伴う場合があります。

たとえば、元の商品ランディングページの購入コンバージョン率は比較的低く、トラフィック流入後の購入コンバージョン率を高めるには新しいランディングページが必要です。

この時点で尋ねるべき質問は 3 つあります。

1. 現在の製品ランディング ページは最適化する価値がありますか?
2. 商品のランディングページを最適化することは可能ですか?
3. どの程度まで最適化できるのでしょうか?

この時点で、当初の目的（商品ランディングページの購入コンバージョン率を高める方法を見つけること）は 3 つの問題になり、この 3 つの問題がデータ分析プロセス全体を導くことがわかります。

2. 対象を見つける: 分析の実現可能性と範囲を明確にする

上記の例では、実際には 3 つの問題を 1 つずつ解いてオブジェクトを把握する必要があります。

質問 1: 現在の製品ランディング ページは最適化する価値がありますか?

この質問の対象は、実は商品ランディングページではなく、商品ランディングページのソースチャネルのトラフィック状況と、トラフィックが到着した後の商品ランディングページでの行動パターンです。

流入するトラフィック量が少ないと、サンプル自体がテストや検証に適さない可能性があるため、まずはトラフィックを分散させる能力を向上させる必要があります。

質問 2: 製品のランディング ページを最適化することは可能ですか?

この質問の対象は、新しいランディングページでも古いランディングページでもかまいません。ランディングページの調整がショッピングのコンバージョン率に影響を与えるかどうかをデータで証明できれば、結論を導き出すことができます。

質問3: どの程度まで最適化できますか?

この質問に、実は今すぐ答えることはできません。この質問に答えるには、購入コンバージョン率を向上させるために商品ランディングページの調整が実行可能であるという前提条件があることは明らかです。

この方法でオブジェクトを識別できます。

3. データ選択: 識別されたオブジェクトから関連データをマイニングする

データを選択する後半部分は難しくありませんが、前半部分は簡単ではありません。

時間範囲、オブジェクト データの次元などを選択します。

一言で言えば、論理的であることです。

4. 分析: 客観的かつ中立的であり、データから洞察を得る

実際、この問題を分析するには、データから自然に結論を導き出し、客観的かつ中立的であることが必要です。

結論を念頭に置いてデータをまとめるだけでは不十分ですが、データが何を伝えようとしているのか分からず混乱することも避けなければなりません。

5. 再検証: データが示す結論を取り上げ、元の問題を振り返る

私が子供たちに伝えたのは、データによって次のことが実現できるはずだということです。

1. 結論は
2. 仮定
3. アクション項目

つまり、データ分析は、まず問題の現状を把握し（結論）、次の段階の可能性を提案し（仮説）、次に何をすべきかを整理する（アクション項目）のに役立つはずです。

2. データ抽出のロジックを確立する方法

論理は非常に重要です。

それはどれくらい重要ですか?

データ分析を始めたばかりの若い学生の分析レポートを見たことがありますが、基本的には、ただデータを積み上げて、それについて話し合って、結論を出す、それだけです。

なぜこのデータを収集する必要があるのか​​と尋ねました。これらのデータの間に相関関係はありますか?それはどんな関係ですか？

先日、私の親友で有名な知乎ユーザーでもある三水さんが、毒を使って三峡ダムの悪影響を論破するコラム記事を書いていました。一読の価値があります。読んだ後、真面目に積み上げられたデータが実は全く因果関係がないこともあると分かります。

つまり、数日かけてさまざまなデータを収集した後、得られる結論は、自分が正しいと思うだけのものであり、価値はありません。

データ抽出のロジックを確立するには、まず論理的思考力を鍛える必要があります。

比較的軽くて少し変態的なトレーニング方法は次のとおりです。

ただ現象を拾い上げて、「関係性を見つける」ためのトレーニングを始めましょう。

たとえば、コーヒーを一杯飲んでトレーニングを始めることができます。

1. コーヒーはアメリカーノですか、ラテですか、それとも他の種類の飲み物ですか?
2. アメリカーノとラテの違いは、ラテにはミルクを加えたコーヒーであるのに対し、アメリカーノには水を加えたコーヒーであることです。しかし、なぜセブンイレブンでは、マシンを使ってアメリカーノを作るのにラテを作るよりも時間がかかり、さらには 2 倍も時間がかかるのでしょうか。
3. どのリンクが余分な時間を引き起こしますか?

…

等々。

次に、ビジネスに近づき、ビジネス シナリオを理解できる必要があります。

たとえば、駐車場を考えてみましょう。

では、車の場合、どのようなシナリオが最も多いのでしょうか?

少なくとも 50% の人が、駐車、燃料補給、メンテナンス、特に駐車と燃料補給を挙げると思います。中には、車が走り出すと止まるので、駐車が最も頻繁に行われると言う人もいます。そして、止まるためには駐車する場所が必要です。

しかし実際には、ここで議論している駐車場は高頻度のシナリオです。車の所有者がサラリーマンであると仮定すると、基本的に平日は一時的な駐車のニーズがなく、公共駐車場に対する強い需要はありません。

自宅も会社も駐車スペースが比較的固定されているからです。

しかし、車の所有者でなかったり、駐車場ビジネスの現場から遠く離れていたりすると、データ分析を行う際に、一見理にかなっているように見えても実際には完全に間違っている仮定や論理を持つことになります。

そのため、日々のトレーニングだけでは不十分で、業務を十分に理解し、知ることも必要です。

3. データ分析はたった3ページ

これは本当に冗談ではありません。もちろん、分析作業の深さや必要なデータの量が異なるため、3 ページは実際には 3 つの部分に置き換えることができます。

したがって、最初の部分は、梁兄弟が繰り返し強調してきた部分であり、背景、目的、選択されたサンプル サイズ、参照対象、および導き出したい結論に関する仮定です。

たとえば、元の製品ランディング ページでは、ユーザーの購入コンバージョン率は 0.01% 未満でした。この状況を改善できるかどうかを調べる必要がありました。そこで、2,000 人のユーザーを選択し、ランダムに 2 つのグループに分けました。グループ A には新しい製品ランディング ページを表示し、グループ B には元の製品ランディング ページを維持しました。30 日間にわたって、2 つのグループそれぞれで 1,000 人のユーザーの購入コンバージョン率の変化を比較しました。参照対象は次のとおりです。

30 日間のグループ A とグループ B の個人の平均日次コンバージョン率。

ページ閲覧前と閲覧後30日間のグループAとBのユーザーの平均日次コンバージョン率

商品ランディングページのコンバージョン率が低いのは、ページデザインが不合理で、ページコンテンツが不十分なためだと考えられます。ランディングページの新バージョンを調整した後、ページデザインとページコンテンツのプレゼンテーションが改善されました。このデータ分析を通じて、商品ランディングページを最適化し、購入コンバージョン率を向上させる可能性が見つかることが期待されます。

2 番目の部分は非常に簡単です。参照および比較のために取得したすべてのサンプルとデータをリストします。必要なデータ解釈作業を事前にメモしておくことができます。

3 番目の部分はさらに簡単です。データ分析の結果に基づいて、フィードバックを提供し、仮説を提案し、検証を整理することができます。

したがって、実際には、各データ分析レポートはこれら 3 つの部分のみで構成する必要があります。

4. 結論、仮定、行動項目を理解する

最後の部分では、例を挙げて結論、仮説、行動項目についてお話します。

データスペシャリストの Xiao Wang 氏は、既存の社内チャネルの運用品質に関するデータを抽出して分析した 26 ページのデータ分析レポートを作成しました。

レポートでは、既存の複数の社内チャネル、これらのチャネルが半年以上にわたって配信したコンテンツ、関連する表示率とクリックスルーコンバージョン率の統計が詳細に説明され、終了しました。

そこで、小王のリーダーである老毛は小王と会話した。

「これはあなたのデータ分析レポートですか？なぜこのような分析をしたのですか？」

「チャネルを担当する同僚から、過去 6 か月間のチャネルの関連データを知る必要があるとの意見があったためです。」

「データが必要ですか、それとも分析が必要ですか？」

「データも必要ですが、分析には支援が必要です。」

「データが必要な場合は、Excel スプレッドシートを提供すれば済みますが、分析が必要な場合は、この PPT は標準に達していません。」

「何が不合格なの？このレポートのために3日間残業したのに…チャンネルではかなり良いって言ってたのに…」シャオ・ワンは憤慨した。

「彼らは、あなたが彼らのデータを美化するのに役立ったと思っているのかもしれません。彼ら自身はデータ分析の目的について十分に考えていないので、彼らはそれが良いと思っているかもしれませんが、私の意見では、それは標準に達していません。」老茂は小王に詳細に説明した。

「ほら、たくさんのチャンネルの半期データをリストアップしましたね。そのうちの1つについていくつか質問させてください。

1. 過去 6 か月間に、チャネル A を通じて 36 のキャンペーンが開始されました。これら 36 のキャンペーンの対象と内容にはどのような違いがありますか。誰に、どのようなコンテンツを、どのタイミングで届ければ、最大の効果が得られるのでしょうか？逆に、コンテンツはいつ、どのような形で、どのような人々に対して最も効果を発揮しないのでしょうか?あなたの結論はどこにありますか?

2. データから、特定の時間に特定の形式で特定のグループの人々に配信された特定の種類のコンテンツが非常に効果的であると結論付けた場合、このチャネルは、この時間にこの種類の人々にこの形式で配信されたこの種類のコンテンツに対してのみ効果的なのでしょうか。別の時間に別のグループの人々に別の形式で別のコンテンツを配信することも効果的でしょうか。どのような仮説を思いつきましたか?

3. すでに仮説を提示している場合、チャネル内の同僚に次に何をすべきか提案しますか?将来的にリリースする前に、データ収集、チャンネル品質の向上、またはユーザーの選択とコンテンツのスクリーニングに関する一連のコミュニケーションを実施するための一連のテストを実施する必要がありますか?どのようなアクション項目を提案しますか? 「

シャオ・ワンは聞けば聞くほどプレッシャーを感じたが、同時にラオ・マオが「不適格」という言葉で何を意味しているかを徐々に理解した。

データ分析を行うときは、常に好奇心と責任感を持たなければなりません。小さなデータから多くの問題に対する洞察を得ることができます。これらの問題は、提起されたり、見えても無視されたりするだけではありません。そうしないと、データ分析は無価値​​になり、無視される可能性があります。

実際の例を見てみましょう。

A社のビジネスモデルは、年額で固定の会員費を請求することであるため、A社のコアデータは有料会員率です。

この割合を分類すると、関連する指標が 2 つあります。

1. 会員の初回支払比率
2. 会員更新率

データ分析の結果、更新率は高いが初回支払い率が低いことが判明した場合、最初の結論は次のようになります。

A 社が提供する会員制サービスには一定の価値があるが、会員制サービスの説明や、利用者が有料会員になるよう促す形式、コピーライティング、取引プロセスに一定の欠陥がある可能性がある。

次に、これらの潜在的な欠陥に関係するプロセスとデータを取得し、これらの領域に問題があるかどうかを観察します。

もしそうなら、仮説を立てて、行動を通じて検証してください。

したがって、データ分析は一度開始したら、それは一度きりのアクションではなく、実験のスターターのようなものです。実験を開始することで、さまざまなビジネス展開の状況を調整し、機会を見つけ、リスクを排除することができます。

誰もが意識的に結論を導き出し、仮説を立て、行動項目を策定できることを願っています。これが、私が「データ操作」という概念だけを決して言及しない理由です。なぜなら、すべてのオペレーターは、ビジネスモジュールに関与している限り、「データクエリ」と「データ分析」の責任とイニシアチブを持つ必要があるからです。これにより、より早く上達できるようになります。

以上です。今日はこれで終わりにします。