アクティブユーザーを管理するにはどうすればいいですか?

ユーザーオペレーションは比較的長いプロセスです。ユーザーを管理し、アクティブ化し、最終的にコンバージョンさせる必要があります。そして、今日の「きめ細かなオペレーション」は、オペレーターがユーザーをより効果的にアクティブ化し、コンバージョンさせるための方法でもあります。この記事の著者は、アクティブユーザーに関する分析を共有しています。一緒に見ていきましょう。

「アクティブユーザーの運用を微調整するにはどうすればいいのでしょうか？ユーザーの階層化とユーザーのグループ化の違いは何でしょうか？私たちはこのスローガンを何千回も叫んできましたが、運用の微調整はいつ実現できるのでしょうか？」

新規ユーザーは、製品のコア価値を体験した後、より多くの時間とエネルギーを製品に費やし、徐々に製品のアクティブユーザーになります。アクティブユーザーとは、製品の価値を認識し、製品にお金を払ったり、製品を推奨したりするユーザーのことです。彼らは自分の価値に貢献するだけでなく、製品のブランド構築にも不可欠です。したがって、アクティブユーザーオペレーションの重要性は自明です。

アクティブユーザーの運用は大きなトピックです。今日は、この問題をいくつかの特定の角度から探ってみようと思います。このトピックを一度に完全に説明することはできませんが、皆さんにいくつかのアイデアや考えを提供できればと思います。

01 洗練された操作とは？

かつての市場は、いかに大規模かつ低コストで顧客を獲得するかということに関心がありました。人口ボーナスが徐々に消えていくにつれて、顧客獲得コストはますます高くなっています。現在、個々のユーザーの価値を高め、必要なところにお金をかけ、異なるユーザーに異なるサービスを楽しませ、ユーザーに温かさを感じさせ、製品に魂を与える方法に注目する人が増えています。

こうして「洗練された操作」が誕生した。ユーザー操作を語る上で「洗練された」という言葉は避けて通れない。それは操作者の基本倫理となっているようだ。他者（チュイ）とのコミュニケーションにおいて、この言葉が欠けていると操作者であることを恥ずかしく思うだろう。では、洗練された操作とはいったい何なのだろうか。どのように実装すればよいでしょうか?

いわゆる洗練とは、第一に正確性、第二にセグメンテーションであり、この 2 つは互いに補完し合い、必要不可欠なものです。正確性を達成したいのであれば、セグメンテーションを行う必要があります。一度にすべてを実行しようとすると、ユーザーを維持することはできません。最も理想的な状況は、1,000 人の人に対して 1,000 の顔があることです。しかし、ユーザーをどのようにセグメント化すればよいのでしょうか?非常に一般的に使用される 2 つの方法は、ユーザー階層化とユーザーグループ化です。

02 ユーザーの階層化とユーザーのセグメンテーション

ユーザーの階層化とユーザーのグループ化は似ているように見えますが、位置付けと目標には明らかな違いがあります。ユーザーの階層化は、ユーザーに取り組んでもらいたい中核的な目標という一般的な方向性に基づいた区分であり、ユーザーのグループ化は、対象を絞った操作を容易にし、結果を向上させるためにユーザーをより細かい粒度に分割します。この 2 つは互いに補完し合います。

ユーザー層別化におけるレイヤーとは、階層的なレベルです。例えば、ユーザーが登録して製品を使用する時点から、新規ユーザーになり、アクティブユーザーになり、頻繁にアクティブになるユーザーや有料のロイヤルユーザーになり、その後、他の競合製品が登場したり、製品機能自体がニーズを満たさなくなったりすると、ユーザーは沈黙し始め、最終的に離れていきます。このライフサイクルも、図に示すようにレベルです。この層別化により、現在のユーザーの構成構造をより明確に把握し、各ライフサイクルでのユーザーの成長が健全であるかどうかを知ることができます。

これで十分でしょうか？多くの分野で80/20ルール、つまり20％の人が収益の80％を占めていることはわかっています。忠実なユーザーの中には、一人当たりの消費量が少ない一般人もいれば、湯水のようにお金を使う裕福なスポンサーもいます。そのような場合、忠実なユーザーをさらに絞り込み、より細かいグループに分ける必要があります。

たとえば、最近、製品に新しいクレジット ガイダンスが導入されました。これが新規ユーザーの維持に役立つかどうかを確認するか、または運用キャンペーンを開始してコア指標が改善されたかどうかを確認することが目的です。この時点で、ユーザーをさらにセグメント化する必要があり、グループ化が行われます。グループ化はレイヤーをさらにセグメント化することで、ユーザーに対して正確な運用アクションを実行しやすくなります。

ユーザーをグループ化するために一般的に使用される方法には、よく知られている RFM、データ マイニングに基づく Kmeans などがあります。前者は、直近の消費時間、消費頻度、消費量などを用いてユーザー価値を測定し、高価値ユーザー、一般価値ユーザー、重要リテンションユーザーなどに分類します。ただし、RFMモデルの確立には専門家の経験が必要であり、指標の選択や各指標の閾値の決定は思いつきで決めるのではなく、ビジネス感覚に基づいたものでなければなりません。

Kmeans は主にデータマイニングを使用して、似たような特性を持つユーザーを見つけ、似たもの同士が集まるようにします。ユーザーがクラスタリングされた後、各グループの特性を分析することで、ターゲットを絞った操作を実行できます。

03 ユーザー層別化の適用事例

次に、ケースを通じてユーザー セグメンテーションの理論を実装します。このケースは、問題を説明するためだけの架空のものです。まず、アクティブユーザー数の推移は下図のようになっていると仮定します。一見すると、月間アクティブユーザー数は増加傾向が続いており、良い傾向にあるように見えます。

しかし、虚栄心の指標が与える錯覚には注意が必要です。累計ユーザー数、つまり現時点までの累計ユーザー数を入れ、アクティブユーザー数を累計ユーザー数で割ると、アクティブユーザーが全体に占める割合を表すユーザーアクティビティが得られます。一見すると、その割合は徐々に減少しているように見えます。

累計ユーザー数に基づいて新規ユーザー数を細分化して計算していくと、アクティブユーザーの大部分が新規ユーザーであることがわかります。

同様に、累計ユーザーを新規ユーザーと既存ユーザーに分け、アクティブユーザーを新規アクティブユーザーと既存アクティブユーザーに分けることができます。同様に、新規ユーザーと既存ユーザーのアクティビティを取得できます。既存ユーザーのアクティビティは低いことがわかりました。

古いユーザーの間で何が起こったのかを見たいですか?アクティブ ユーザーをさらにアクティブ ユーザーと非アクティブ ユーザーの 2 つのカテゴリに分類します。アクティブ ユーザーには、新規アクティブ ユーザーと古いユーザーが含まれます。古いユーザーをさらに一般的なアクティブ ユーザー、忠実なユーザー、リピーター ユーザーに分けます。非アクティブ ユーザーには、主にサイレント ユーザーと失われたユーザーが含まれます。

既存ユーザーがアクティブである主な理由は、アクティブで忠実なユーザーが少ない一方で、新規ユーザーが多いためであることがわかりました。これは、新規ユーザーを誘導して維持すると同時に、ユーザーが忠実なユーザーに変換されるように促す必要があることを示しています。

さらに、ユーザーを月ごとにセグメント化し、同じ月のさまざまなレベルのユーザーの構成を分析して、ユーザーの成長の健全性を判断することもできます。

しかし、より明確にするために、アクティブユーザーと非アクティブユーザーに基づいてユーザーの構成を調べ、各レベルのユーザーの健康状態をより明確に把握できるようにしています。

ユーザーは、製品のライフサイクルを通じて増え続けます。特定の時点でのアクティブなユーザーの構成を見ることに加えて、ユーザーの成長経路にも注意を払う必要があるかもしれません。毎日何人の新規ユーザーがアクティブ ユーザーになるのでしょうか?アクティブユーザーのうち非アクティブになったユーザーは何人ですか?忠実なユーザーのうち、非アクティブになった人は何人いますか?当社が何人の迷子ユーザーを呼び戻したかなど。これにより、ユーザーの所在をより直感的に分析し、より正確に問題を特定し、的を絞ったアクションを実行するのに役立ちます。

たとえば、1 月の製品の新規ユーザーの成長経路は、サンキー ダイアグラムの形式で表示できます。2 月には、かなりの割合のユーザーがアクティブではなくなり、サイレント ユーザーになっていることがわかります。3 月にユーザーが離れないようにするには、運用手段を通じて、これらのユーザーにタイムリーにアプローチする必要があります。

同様に、一定期間のアクティブ ユーザーまたはサイレント ユーザーも、同様の方法で監視して、ユーザーの所在をタイムリーに把握し、ユーザーの損失を防ぐために適時に介入することができます。

04 ユーザーグループ化の応用事例

上記の例は、ユーザー セグメンテーションの考え方と方法を示しています。次の例では、ユーザー セグメンテーションのアプリケーションを紹介します。ユーザーセグメンテーションには、一般的に使用される方法がいくつかあります。たとえば、経験的RFMモデルを使用して、さまざまな次元からユーザーを評価し、異なる価値観のユーザーに分けて操作することができます。または、ビッグデータマイニングのクラスタリングアルゴリズムを使用して、多数のユーザーの類似した特徴をマイニングし、人々を自分の好みでグループ化するという目標を達成することができます。

これらの方法はすでに成熟しており、多くの人がすでに熟知しているため、ここでは詳細には触れません。今日は、もう 1 つの重要なグループ化手法であるコホート分析についてご紹介したいと思います。いわゆるコホート分析は、階層化されたユーザーをさらに細分化し、同じライフサイクル内のユーザーをグループ化して、同様のグループ化の効果を確認するものです。

一般的に、同じコホートは、次の要件を満たす必要があります。同じライフサイクルにあること、たとえば、調査対象のユーザーはすべて新規ユーザーであるか、共通の行動をとるユーザーであること。このようにして、グループ内の時間の経過とともに変化する傾向を確認でき、異なるグループを比較することで効果を確認できます。これは通常、製品または運用の最適化計画の前後の効果を測定するために使用されます。たとえば、2 月に新機能をリリースしたところ、3 月と 4 月の新規ユーザー維持率は 1 月と 2 月よりも大幅に向上しました。1 月と 2 月の新規ユーザー維持率を反復後の 3 月と 4 月の新規ユーザー維持率と比較することで、最適化計画が効果的であることがわかりました。

コホート分析の具体的な応用例を例に挙げて説明しましょう。ある店舗の売上データを取得し、売上高と顧客数は毎月増加し続けているものの、顧客の ARPU は減少し続けていることがわかったとします。顧客の購買力は徐々に弱まっているのでしょうか。

その理由を探るために、まず顧客を新規ユーザーと既存ユーザーに階層化し、次に新規ユーザーと既存ユーザーの両方に対してコホート分析を実施しました。

まず、1月から4月までの新規ユーザーのARPUについてコホート分析を行いました。つまり、各月の新規ユーザーをコホートとして、最初の月とそれ以降の異なるコホートのARPUの変化を調査しました。時間の経過とともに、1月から4月までの新規ユーザーの最初の月のARPUは継続的に増加しており、新規ユーザーの購買力が継続的に増加していることを示しており、これは古いユーザーの購買力が低下している可能性が高いことを意味していることがわかりました。

同様に、古いユーザーに対してコホート分析を実施したところ、時間の経過とともに古いユーザーの ARPU が徐々に減少していることがわかりました。古いユーザーの購買力の低下が、ユーザー全体の ARPU の低下につながりました。

05 結論

本稿では、アクティブユーザーの運用から始めて、アクティブユーザーの洗練された運用を実装する方法、そして洗練された運用を実現するための重要な2つの方法であるユーザー階層化とユーザーグループ化について検討します。また、ケースを通じて、2つの方法を適用する詳細な手順を段階的に示します。誰もが賞賛するが、実現することはめったにない洗練された運用が、理論とケースを組み合わせることで実装できるようになることを願っています。

しかし、アクティブユーザーの操作は、これらの方法を習得したら安心してよいというものではないことは否定できません。インターネットの急速な発展に伴い、ユーザーの認識やニーズは常に変化しています。

固定された方法やルーチンでユーザーを獲得することは期待できません。すべての方法やルーチンは、ユーザーをできるだけ正確に理解することを目的としています。ユーザーに心のこもった製品と高品質のサービスを継続的に提供することが、製品を長持ちさせるための最も高度な方法とルーチンです。

著者: ビッグデータ分析とオペレーションプラネット

出典: ビッグデータ分析とOperation Planet