事例分析 | 正確かつ効率的なデータ運用システムを構築するには？

洗練という概念がますます普及するにつれて、「データ操作」という概念がますます注目を集めるようになりました。しかし、正しいデータ指標とは何か、データを正しく収集するにはどうすればよいのか、そしてデータをどのように活用してビジネスの成長を促進するのでしょうか。これらの一般的なデータ神話は、ほとんどの製品、運用、マーケティング、さらには管理チームを悩ませています。本日の記事では、正確かつ効率的なデータ運用システムの構築方法をご紹介します。

1. データ操作とは何ですか?

「データ操作」には2つの意味があり、狭義には「データ操作」の職種を指します。コンテンツ運用、商品運用、イベント運用、ユーザー運用などと同じように運用の分岐となります。データの収集、クリーニング、分析、戦略などの業務に従事し、運用システム全体が洗練された方向へ発展するようサポートします。近年、インターネット企業では、主に最前線の業務部門において「データ運用」の職種を開設するケースが増えています。データアナリストの役職とは異なり、データオペレーションは最前線のビジネス上の意思決定をサポートすることに重点を置いています。

広義には、「データを活用して業務上の意思決定を導き、ビジネスの成長を促進する」という考え方、つまりデータドリブンな業務を指します。業務に不可欠なスキルまたは考え方であり、一般的には、問題の発見、問題の解決、作業効率の向上、データを使用して業務上の意思決定を導き、データ分析を通じてビジネスの成長を促進することを指します。

まとめると、データ分析はデータ操作に不可欠なスキルです。

1. データ分析が業務に不可欠なスキルである理由

データ分析のための百度インデックストレンド

外部環境から見ると、2011年から現在まで、データ分析の百度指数は上昇し続けていることがわかります。 2014年から2015年は重要な節目です。2009年にモバイルインターネットが始まって以来、スマートフォンへの置き換えの第1波と第2波がモバイルインターネットの発展を牽引してきたからです。多数の企業が参入したことで成長コストが非常に高くなり、データ分析によるきめ細かな運用がますます重要になってきています。

JD運用のためのデータ分析要件

採用でも、市場に出ている多くの企業の業務のJD（ジョブディスクリプション）を見てきましたが、コンテンツ運用、商品運用、イベント運用、ユーザー運用のいずれにしても、データ分析能力が求められています。

2. データ運用の責任

データ操作採用JD（職務記述書）テキストを100件見つけ、Rを使用してセグメント化し、ワードクラウドを描画しました。

データ運用の責任

このワードクラウドから、「データ分析」がデータ運用の核となる業務であることが容易にわかります。右の表は、上位のキーワードとその出現頻度を示しています。

「データ分析」という単語は、100 JD 中 106 回登場し、大きくリードしています。続いて「分析レポート」「データの提供」「データレポート」などの言葉が並んでおり、データレポートや分析レポートの提供がデータ運用の重要な業務であることが分かります。「データ指標」の構築、タイムリーな「問題発見」、そして「ソリューション」の提供もJDにおける頻出ワードです。このように、データ運用職の具体的な責任は一目瞭然です。

要約すると、データ計画、データ収集、データ分析の 3 つのレベルにまとめることができます。

データ計画: ビジネス部門のデータ要件を収集および整理し、データ指標システムを構築します。
データ収集: ビジネスデータを収集し、ビジネス部門にデータレポートを提供します。
データ分析: データマイニング、データモデルなどを通じてビジネスデータを詳細に分析し、データ分析レポートを提供し、問題を特定して解決策を提案します。

次に、これら 3 つの側面を詳しく説明し、正しく効率的なデータ運用システムを構築する方法について詳しく説明します。

2. データ計画

データプランニングはデータ運用システム全体の基礎であり、「何が欲しいか」を把握することが目的です。目的と必要なデータの種類を明確にすることによってのみ、その後のデータ収集と分析をより的確に行うことができます。

データ計画には、指標とディメンションという 2 つの重要な概念があります。

1. 指標

インデックス、メジャーとも呼ばれます。指標は、UV、DAU、売上高、コンバージョン率など、特定の運用成果を測定するために使用されます。指標の選択は特定のビジネスニーズに基づいて行われ、イベントはニーズから要約され、指標はイベントからマッピングされます。

指標システム

指標は定量的指標と定性的指標に分けられます。WebのPV、UV、訪問数、アプリのDAU、NDAUなどはすべて定量的指標であり、平均訪問時間、訪問深度、直帰率などは定性的な指標です。

（１）コア指標の選び方

ここで、唯一の重要な指標であり、ノーススター指標としても知られる OMTM (重要な 1 つの指標) という概念を紹介します。

OMTM を選択するための 4 つの主要な基準:

ビジネス目標と密接に連携している。
顧客の価値ニーズを反映する。
インジケーターはシンプルでわかりやすいです。
集計を計算する機能。

ここで、有名な動画ソーシャル共有アプリケーションViddyの例を挙げることができます。これは、さまざまな国内の一般的なアプリのWeChatやQQなどのサードパーティアカウントと同様に、Facebookにログインしてアカウントを作成し、共有することで承認を得ることができます。

間違った指標を選んだケーススタディ - Viddy

初期段階では「アカウント作成数」をコア指標としていましたが、Facebookログインを許可した後、2012年前半は訪問数が急増しましたが、2012年後半には急落していることがわかります。それが問題なのです。Viddy の人々はアカウント作成が適切な指標だと考え、それを増やすためにあらゆる手を尽くしました。実際のところ、彼らはビジネスの焦点をまだ見つけていません。

対照的に、Google+ は、興味深いコンテンツを電子メールを通じて友人と共有するという独自の方法により、ユーザーベースを 1 億 7000 万人にまで拡大しました。 Google+ では、「Google+ にアクセスし、週に少なくとも 2 回更新を共有する」というユーザー数の指標に重点を置いています。特定の数を増やすことよりも、製品の価値をユーザーに届けることに重点を置いています。

（２）コア指標の計画方法

電子書籍のランディングページの例

GrowingIO が作成した電子書籍のダウンロードランディングページを例に挙げます。

指標の選択は特定のビジネスニーズに基づいて行われ、イベントはニーズから要約され、指標はイベントからマッピングされます。

ディメンションを選択する手順

コンテンツランディングページのビジネスニーズから始めて、指標を分析および選択するプロセスは次のとおりです。

明確な要件: ページ上のデータを分析して電子書籍のダウンロード数を増やす。
誘導イベント: ユーザーが電子書籍をダウンロードすることは、プロモーションリンクのクリック、ダウンロードページへのアクセス、情報の入力の開始、ダウンロードの完了など、一連のイベントの最終結果です。
対応する指標: ダウンロード量 = 訪問トラフィック CTA クリック率登録コンバージョン率。

上記の分析から、ダウンロード量は OMTM (One Metric That Metter) であると結論付けることができます。同時に、指標システム全体には、訪問トラフィック、CTA クリックスルー率、登録コンバージョン率という 3 つの実用的な指標が含まれています。実用的な指標に基づいてのみ、コア指標をより適切に最適化できます。

2. 次元

（１）次元とは何か？

ディメンションは、広告ソース、ブラウザの種類、訪問地域などの指標を分類するために使用される属性です。

寸法分類

（２）多次元解析

ランディングページのトラフィックが急増

例えば、毎日データを観測していたところ、ある日の午後 5 時にトラフィックが急増し、その理由を知りたいと思ったことがあります。

訪問元分析

まず、訪問元のディメンションを分析します。午前5時からWeChatからのトラフィックが急増していることがわかります。

ランディングページ分析

次に、ランディングページのディメンションから分析すると、トラフィックの主なランディングページはページ E と G であることがわかります。最終的に、午後 5 時に、WeChat から大量のトラフィックが突然ページ E と G に流入したという結論を導き出せます。コンテンツ担当の同僚と同期した後、彼らが WeChat でページ E と G にランディングするアクティビティを開始したことがわかりました。

この事例からわかるように、多次元分析により、データの出現の背後にある本当の理由をより明確に明らかにすることができます。

（３）分析次元をどのように選択するか？

ディメンションを選択する原則は、指標に影響を与える可能性のあるディメンションを記録し、包括的かつ多次元のデータを記録するようにすることです。

ナイフを研いでも木を切る作業は遅れません。データ操作には、ビジネス部門 (マーケティング、営業、運用、製品など) との継続的なコミュニケーションが必要です。データ計画を適切に行うことによってのみ、その後のデータ収集とデータ分析をより効率的に行うことができます。

3. データ収集

データ収集はデータ分析の基礎です。従来のデータ収集は非常に時間がかかり、エネルギーと労力を要し、多くの企業にとって大きな障害となっています。以前は、データ分析プロセス全体の時間の 80% がデータ収集に費やされ、データ分析に費やされる時間は 20% 未満であることがよくありました。

1. どのようなデータを収集する必要がありますか?

インターネットトレンド

トラフィックが王様だったインターネットの前半から、トラフィックがますます高価になった後半にかけて、ユーザー獲得コストはますます高くなりました。2013年から2014年頃、ツールアプリのユーザーをアクティブ化するコストはわずか数セントでした。2年も経たないうちに、ダウンロード獲得コストは数ドルに達しました。金融アプリのユーザーをアクティブ化するコストは数百元に達する可能性があります。そのため、企業は広範な運用から精緻な運用へとシフトし始め、注力するデータも単純なチャネルトラフィックデータから、より詳細なユーザー行動データの分析へと拡大しました。

そのため、現在では、ユーザー行動データの収集がデータ運用のより重要な部分となっています。

ユーザーの行動はイベントで構成されます。

イベント

これらのイベントには、時間、場所、タスク、人物、コンテンツ、インタラクションなどが含まれます。

2. データの収集方法

（１）データ収集計画

データ収集計画

現在、一般的なデータ収集ソリューションには、ポイント埋め込み、視覚化されたポイント埋め込み、ポイント埋め込みなしの 3 つがあります。

埋もれたポイントコレクション

トラッキングは、必要なデータを収集するために、製品（Web ページ、アプリなど）に統計コードを手動で追加するプロセスです。管理はさらにフロントエンド管理とサーバー管理に分けられます。ユーザー登録数を収集したい場合は、登録ボタンに該当する統計コードを読み込む必要があります。これは、Google Analytics や Baidu Statistics などのツールで使用される方法です。

しかし、ポイント追跡の作業量が多くサイクルが長いこと、追跡漏れや追跡ミスが発生しやすいことから、ポイント追跡はデータ実務者にとって大きな悩みの種となっています。

埋もれたポイントの可視化

視覚追跡は追跡の拡張であり、手動追跡を視覚的な操作に置き換えます。このアプローチにより、ユーザーの敷居が下がり、効率が向上します。しかし、ポイントトラッキングであれ、ビジュアルポイントトラッキングであれ、データ操作は、ビジネス部門のデータ要件を収集し、要件ドキュメントを作成し、ポイントトラッキング要件をエンジニアリング部門に提出するという接続の役割を果たす必要があります。本質的には、ポイントトラッキングソリューションであることに変わりはありません。

埋め込みポイントがないため、従来の「最初に定義してから収集する」プロセスは変わりません。SDK をロードするだけで、ユーザーの行動データをすべて収集でき、その後はすべての行動データの分析を柔軟にカスタマイズできます。少し前に、海外のMixpanelも埋め込み型ではないソリューションを開始しました。

ポイントを埋め込むソリューションと比較して、ポイントを埋め込まないソリューションはコストが低く、速度が速く、誤った埋め込みや埋め込み漏れが発生しません。非埋め込みポイントは市場の新たな人気となりつつあり、非埋め込みポイントソリューションを採用する企業がますます増えています。追跡ポイントのないシナリオでは、データ操作は追跡ポイント要件の制約から解放され、ビジネス分析に多くの時間を費やすことができます。

（２）データの可視化

データが収集され、処理されたら、次のステップはそれを視覚化することです。運用アプリケーションにおけるデータ視覚化の主な形式には、チャート、グラフ、データダッシュボードがあります。データダッシュボードの構築は、データレポートの後のもう 1 つのタスクです。これは、主要ビジネス指標 (KPI) と関連データ指標をパネルに表示し、視覚的なグラフィックの形式で提示することを指します。データダッシュボードは、多くの場合、会社の BI システムに接続され、データの視覚化の一部となります。

ダッシュボード

上の写真は、データ分析製品で作成されたダッシュボードです。誰にとっても、あるいはどの企業にとっても、最も直感的な方法でデータを提示し、チャートに従ってレイヤーごとにドリルダウンして問題を見つける必要があるため、カスタマイズ可能なダッシュボードは非常に重要です。

4. データ分析

データ分析はデータ操作の重要なタスクです。これまでのデータ計画とデータ収集はすべてデータ分析のためです。私たちの最終的な目標は、データ分析手法を通じて問題を特定し、解決策を提案し、ビジネスの成長を促進することです。

そのため、埋め込みを行わないことを推奨します。これまでの「80% の時間がデータの収集とクリーニングに費やされ、20% 未満の時間がデータ分析に費やされている」という状況を「80% の時間がデータ分析に費やされている」に変え、より価値のあることに時間を費やせるようにしたいからです。

分析方法と適用シナリオ

選択するデータ分析方法は、ビジネスシナリオと組み合わせる必要があります。上の表は、広告やチャネルトラッキングに使用する UTM、コンバージョンファネル分析など、一般的な運用データ分析方法とアプリケーションシナリオをまとめたものです。

データアナリストとは異なり、データ操作の職種ではプログラミングや統計の要件が弱まり、既存のツールに基づく分析手法の柔軟な使用がより重視されます。

以下に、一般的なデータ分析方法をいくつか示します。

1. データ分析方法

（１）次元分割

次元の内訳

単一のデータ指標で問題を見つけるのは困難です。地域、プラットフォーム、ブラウザ、アクセス元など、複数の側面から始めて、指標を分解し、問題を特定する必要があります。

（２）ファネル分析

ユーザーが製品を使用する場合、登録、注文、ダウンロードなど、一連のコンバージョンパスが当然存在します。操作には、合計コンバージョン率と各ステップのコンバージョン率を含む、各パスのコンバージョン率が必要です。

コンバージョンファネルツールは、コンバージョンパスの各ステップを視覚的に表示します。運用スタッフは、最適化の取り組みの ROI が最も高くなることが多い、最も離脱率の高い領域に集中できます。

各ステップのコンバージョン率を横方向に細分化できるだけでなく、時間軸から各ステップのコンバージョン率の変化傾向を観察することもできます。

ファネル分析

たとえば、上記の図から、ある日の登録プロセスの最初のステップのコンバージョン率が大幅に低下し、それが全体のコンバージョン率に影響を与えていることが簡単にわかります。

（３）ヒートマップ

ヒートマップは、非常に一般的なデータ分析チャートで、ヒートマップとも呼ばれ、ユーザーのページクリック位置またはユーザーのページ位置を特別な強調表示形式で表示するグラフィックです。ヒートマップを使用すると、ユーザーの全体的なアクセスとクリックの好みを視覚的に観察できます。

現在、一般的なヒートマップの種類は、マウスのクリック位置に基づくヒートマップ、マウスの移動軌跡に基づくヒートマップ、コンテンツのクリックに基づくヒートマップの 3 つです。3 種類のヒートマップは、原理、外観、適用可能なシナリオが異なります。

コンテンツのクリックに基づくヒートマップ

上の画像は、データ分析製品 GrwoingIO ヒートマップなどのコンテンツクリックに基づくヒートマップです。このヒートマップは、Web ページコンテンツに対するユーザーのクリックを記録し、ページの空白領域 (コンテンツやリンクがない領域) に対するクリックを自動的に除外します。コンテンツクリックに基づくヒートマップは、コンテンツの変更を追跡し、相対的な期間内のユーザーのコンテンツに対するクリック設定を記録します。
ヒートマップから、トラフィック量が多い場所やユーザーの注目度が高い場所などを簡単に確認できます。

2. データ駆動型分析プロセス

多くのスター企業がデータ駆動型開発において優れた技術を発明してきましたが、どのような技術にも独自のライフサイクルがあります。多くの場合、ある技術を発見したときには、それが業界標準になっており、必ずしもあなたのビジネスに適合しているとは限りません。したがって、スキルに頼るのではなく、プロセスに頼って、チームが機械と同じくらい効率的に動作できるようにします。

データ分析において最も重要なことは、データ駆動型のプロセスを確立することです。完全なプロセスにより、問題を迅速に特定して解決できます。まず成長指標を設定し、小さな焦点領域を見つけ、データを分析し、仮説を提案し、優先順位を付け、実験を実施し、分析と最適化を行い、問題が見つかり指標が改善されるまでこのサイクルを続けます。

運転プロセス

目標を明確にします。
目標に応じて現状と既存の問題を分析します。
現在の問題を解決したり目標を達成したりできるアイデアを提案する。
アイデアのテストを優先します。
テストを開始し、実験を通じてアイデアを検証または反証します。

次に、継続的な最適化を通じて成長を実現するために、分析、仮説、最適化、テストの新しいラウンドを開始します。

6. ケース分析

以下では、実際のビジネスにおいて「データ駆動型の正しい効率的な業務システムをどのように構築するか」を実際の事例を用いて分析します。

コンテンツ運用では、ランディングページの効果を追跡し、ページを最適化することを目的として、コンテンツをテーマにしたランディングページを作成しました。

ランディングページの例

左側はランディングページの全体像で、ランディングページの 3 つの必須部分であるヒーローショット、利点、行動喚起が含まれています。右側はランディングページのホーム画面です。

1. データ計画

コンテンツランディングページ全体の最終的な目標は、より多くのユーザーにダウンロード行動を完了してもらうことです。そのため、「電子書籍のダウンロード」が OMTM となります。この指標を分解すると、次の式が得られます。

ダウンロード数 = 訪問者数 CTR 登録コンバージョン率

ランディングページには、クリックスルーランディングページとリード生成ランディングページの 2 種類があります。このランディングページはクリックランディングページです。トラフィックの分散を目的としており、リードを生成するランディングページにトラフィックを提供します。

コンテンツトピックの目的と組み合わせると、[電子書籍をダウンロード] のクリック率が数式の CTR になります。

2. データ収集

ポイントを埋め込まずに円選択でデータを収集し、指標に基づいてランディングページ全体のダッシュボードを構築します。

ランディングページダッシュボード

3. データ分析

データ分析の2つのレベル

データ分析は定量分析と定性分析に分けられます。

（１）定量分析

定量的な分析は成長において重要であり、ガイドとして役立ちます。どこに成長の機会があり、どこでテストを行うことができるかがわかります。 2 つ目は、方向を調整するために結果を測定します。

ランディングページの定量分析

たとえば、ヒートマップツールを使用してランディングページ全体のクリックを表示すると、次のデータを取得できます。

ランディングページの直帰率 0.36
【電子書籍ダウンロード】クリック率0.48

成長を追求する際には、多くの場合、ユーザーの行動に影響を与え、それを変えたいと考えますが、覚えておかなければならないのは、ユーザーは単なるデータではなく、常に人間であるということです。場合によっては、何らかのデータを通じて結果を観察する必要がありますが、定性的な分析も非常に重要になることがあります。

（２）定性分析

定性分析、インタビュー、ユーザー調査に基づいて、いくつかの結論を導き出すことができます。

ページのメインカラーが明るすぎたり、明るさが足りなかったり、テキストと背景のコントラストが目立たなかったりします。
テキスト情報がまばらに配置されており、ページを読むには何度もスクロールする必要があります。

（３）仮説を立てる

上記の定性的および定量的分析に基づいて、次の仮説を提案します。

ランディングページの背景色を変更すると、直帰率を下げることができます。
[電子書籍をダウンロード] ボタンをさらに追加すると、クリック率が向上します。
電子書籍の画像にリンクを追加すると、コンバージョン率の向上に役立ちます。
ページの空白を減らし、情報密度を高めると、コンバージョン率の向上に役立ちます。

（４）優先順位

私たちのアイデアが実現可能かどうかをどのように評価するのでしょうか?では、どのアイデアを最初にテストすべきでしょうか?

グロースハッキングの父、ショーン・エリスは、インパクト、信頼性、容易さという3つの観点からスコアを付ける一連の評価方法、ICEをまとめました。

インパクト: このアイデアはビジネスの成長にどの程度のインパクトを与えますか? インパクトが非常に大きい場合は 10 ポイント、インパクトが弱い場合は 2 ～ 3 ポイントを与えます。
自信: このアイデアがうまくいくと確信していますか?もう一度、1 ～ 10 で評価します。10 は、アイデアが有効であると十分に確信していることを示します。
実装の容易さ。

上記の 3 つの観点を組み合わせることで、より合理的な優先順位を設定することができます。そこで、「ランディングページの背景色をホームページの色に変更する」と「[電子書籍のダウンロード]バナーを2つ追加する」ことを優先度の高い項目として、実験をスタートしました。

（１）実験を始める

1) 実験1 - ランディングページの背景色を変更する

実験1の修正

修正後のデータにより、私たちの考えが実証されました。直帰率は 0.36 から 0.12 に低下し、「電子書籍のダウンロード」コンバージョン率は 0.48 から 0.61 に増加しました。

2) 実験2 – [eBookをダウンロード]バナーをさらに2つ追加する

実験2の修正

修正前はCTAバナーが2つでしたが、各画面閲覧後にCTAが必ずあるように4つに増やしました。実験後は直帰率が0.12から0.13に増加しましたが、これは通常のデータ変動です。コンバージョン率は0.61から0.83に増加しました。

2 つの実験から得られたデータが分析および最適化され、その後、他の仮説が実験的に検証されました。他の仮説について 1 つずつ実験を繰り返した結果、全体的なコンバージョン率は 124% 増加しました。

このことから、実験と成長の間には正の相関関係があると結論付けられます。これを説明する海外の例を 2 つ挙げます。

成長例

Twitterはかつて急速な成長を遂げましたが、その後停滞しました。 2010年に、Twitterは新しいチームを結成しました。新しい製品担当の VP が来て、Twitter のテストが十分ではないと感じました。「数か月の間に数回しかテストを行っていませんが、これは少なすぎます。少なくとも週に 10 回はテストを行う必要があります。」「テストの頻度を増やすと、Twitter の成長は再開しました。

モバイルアプリケーション製品プロモーションサービス： APPプロモーションサービス青瓜メディア広告

この記事の著者@郭淑明は(Qinggua Media)によって編集および出版されています。転載する場合は著者情報と出典を明記してください。サイトマップ

<<: 楡林農産物のミニプログラムを開発するにはどれくらいの費用がかかりますか？楡林農産物ミニプログラム開発の見積り額はいくらですか?

>>: 初期段階のアプリブランド構築のための9つのヒント