ユーザー操作データの循環プロセスを構築するための3つのステップ

プロセスに基づく思考と洗練された思考は、すべてのオペレーターが持つべき基本的な思考です。プロセスに基づく思考がオペレーターの運用目標に関する定性的な思考であるならば、データに基づく思考は、この目標を達成するための道筋と効果の定量的な説明です。これは、特定のデータ指標に基づいて作業のアイデアを実行し、作業結果と目標達成を測定します。

データに基づくユーザーオペレーションを確立する必要性は、第一に、自分の仕事の価値を定量的に測定すること、第二に、洗練されたオペレーションを実現するための基礎となることです。例えば、後述するデータに基づくユーザー層別分類やユーザーポートレートは、洗練されたオペレーションの前提条件となります。

データ駆動型ユーザー操作は、ユーザー操作の考え方を活用し、データ分析の考え方と組み合わせ、ビジネスでデータを導き、データでビジネスを推進することで、洗練されたユーザー操作を実現します。これがデータ駆動型ユーザー操作の核心的な考え方です。ユーザー操作のデータ化の循環プロセスは、ユーザーデータの収集 - ユーザーデータに基づく操作指標システムの構築 - データ駆動型操作です。

1. ユーザーデータの収集

ユーザーデータの収集には、主にユーザー基本データ、ユーザー行動データ、ユーザートラフィックデータが含まれます。

ユーザー基本データとは、性別、年齢、地域、職業などを含むユーザーの静的データを指します。このタイプのデータは、ユーザーが誰であるかを説明し、主に基本情報を入力することで実現されます。
ユーザー行動データとは、どのユーザーがどの時点で、どの場所で、どのような方法でどのような操作を完了したかなど、製品に対する一連のユーザー操作をまとめたものです。ユーザーの閲覧、購入、コンテンツ投稿、招待の拡散、ソーシャルネットワーキングなどの行動が含まれます。このタイプのデータは、ユーザーが行ったことを説明し、主にデータの埋め込みによって実現されます。
ユーザートラフィックデータはユーザーのソースであり、デバイス、オペレーター、ポート、時間など、ユーザーがアクセスした Web ページに基づいて生成されます。このタイプのデータは、ユーザーの出身地を説明します。しかし、現在のトラフィックデータ統計は主にGAやBaidu Statisticsなどのサードパーティツールから取得されており、データベースに記録できないため、前述の基本的なユーザーデータや行動データと1対1で対応付けることができません。

上記のデータはすべて製品やサードパーティのツールから取得した生データです。運用目標を達成するには、生データに基づいてデータマイニングとデータ分析を行い、運用目標とパスに基づいてデータベースの運用指標システムを構築する必要があります。

2. ユーザーデータに基づく操作指示システムの構築

ビジネスを指標で説明できない場合、ビジネスを効果的に成長させることはできません。したがって、このステップで行う必要があるのは、ビジネスを示すことです。データ指標は一定ではありません。製品のビジネスプロセスまたは機能プロセスに依存し、目標とそれを達成するための道筋に密接に関連しています。

ユーザー操作の目的は、ユーザー価値を最大化することです。eコマース製品の場合、目的はユーザーに製品の代金を支払ってもらうことです。コミュニティ製品の場合、目的はユーザーにコンテンツを投稿してもらい、広めてもらうことです。しかし、製品の目標とユーザー価値の実現は段階的なプロセスであり、また動的な進化のプロセスでもあります。潜在的ユーザーの中には、登録してアクティブユーザーになる人もいれば、アクティブユーザーから離脱ユーザーになる人もいれば、離脱ユーザーからアクティブユーザーに戻る人もいます。

上の図では、オレンジはユーザーステータスの動的な変化を表し、赤は操作目標を表しています。データ分析は、目標-経路-効果という運用理念に従い、目標を細分化して具体的なデータ指標でコア評価指標として表現し、データを使用して目標達成への経路を監視して結果を評価し、最初に設定したコア評価指標と比較して作業経路を判断、検証、修正、最適化し、より良い結果をより早く達成することです。この考えに基づいて、一連の関連する指標を含む次のようなデータベース操作指標システムを構築します。指標システムの構築は、第 1 部で収集されたユーザーデータに基づくデータ処理と処理によって実現されます。

1. 潜在ユーザーから登録ユーザーへと新規ユーザーを引き付ける段階では、新規ユーザーを引き付けるチャネルと各チャネルで採用されているプロモーション戦略を分析し、データ指標を通じてチャネルの品質を評価し、チャネルのプロモーション戦略を最適化する必要があります。データ指標には主に、新規ユーザー数、ユーザー獲得コスト、新規ユーザー維持率が含まれます。

新規ユーザー:新規ユーザーとは、アプリをインストールした後に初めてアプリを起動するユーザーを指します。統計期間に応じて、新規ユーザーは日次、週次、月次に分類されます。新規ユーザー数指標は、主にマーケティングプロモーションチャネルの有効性を測定するための最も基本的な指標です。
ユーザー獲得コスト:有料チャネルの場合、チャネルのコンバージョン率を反映します。
新規ユーザー維持率:新規ユーザーの質とターゲットユーザーとの適合性を反映します。また、成熟したバージョンの製品の場合、ユーザー維持率が大幅に変化した場合、それはユーザーの質が大幅に変化したことを意味し、これはプロモーションチャネルの質の変化によって引き起こされる可能性が最も高いです。

チャネル A: SEM

チャンネルB: Weibo

2. 登録ユーザーとアクティブユーザーの活性化と維持を促進することは、運用担当者の最も重要なタスクの1つです。ユーザーの階層化と分類、ユーザー成長インセンティブシステムなどに関する私たちの日常的な作業はすべてこのリンクで行われます。データの観点から、私たちが構築できる指標システムには、ユーザーの規模と品質を理解するシステム、ユーザーのエンゲージメント（使用の深さ）を理解するシステム、ユーザーの属性を理解するユーザーポートレートシステムが含まれます。

（１）利用者の規模と質

アクティブユーザー指標:アクティブユーザーとは、特定の統計期間内にアプリケーション (APP) を起動したデバイスの数を指します。アクティブユーザーは、アプリケーションのユーザー規模を示す指標です。通常、製品が成功しているかどうかを判断するために 1 つの指標だけを見る場合、その指標はアクティブユーザーの数になります。アクティブユーザー数は、統計期間に応じて、日次アクティブユーザー数（DAU）、週次アクティブユーザー数（WAU）、月間アクティブユーザー数（MAU）に分けられます。製品カテゴリによって統計期間も異なります。
新規ユーザー指標:前述のように、新規ユーザー数指標はプロモーションチャネルの有効性を測定するための主な指標です。さらに、新規ユーザーとアクティブユーザーの割合を使用して製品の健全性を測定することもできます。比率が高すぎる場合は、維持率に特に注意してください。
ユーザー維持率指標:ユーザー維持率とは、特定の統計期間内の新規ユーザー数のうち、一定期間経過後に引き続きアプリケーションを起動するユーザーの割合を指します。ユーザー維持率は、翌日、7 日間、14 日間、30 日間の維持率に焦点を当てることができます。維持率は、一方ではユーザーの質を反映し、他方では製品の魅力を反映します。保持率が異常な場合、その理由は次の 2 つの側面に考えられます。
ユーザー構成指標:ユーザー構成は、統計期間内のアクティブユーザーの構成を分析したものです。週次アクティブユーザーを例にとると、週次アクティブユーザーには、今週戻ってきたユーザー、n 週間連続でアクティブだったユーザー、忠実なユーザーなどが含まれます。これにより、新規ユーザーと既存ユーザーの構造を通じて、アクティブユーザーの健全性を把握できます。
単一ユーザーのアクティブ日数インジケーター:統計期間中に各ユーザーがアプリでアクティブであった平均日数。統計期間が1年以上など比較的長い場合、各ユーザーのアクティブ日数の合計は、基本的にユーザーが離脱する前にアプリで過ごした日数を反映できます。これは、ユーザーの質、特にユーザーのアクティビティを反映する非常に重要な指標です。

（２）ユーザーエンゲージメント

ユーザーエンゲージメントシステムは、ユーザーアクティビティを測定するための重要な指標システムです。アクティビティの定義は製品によって異なります。たとえば、eコマース製品でのアクティビティは購入として定義され、コミュニティ製品でのアクティビティはコンテンツ投稿として定義されます。したがって、次の 3 つの指標は、製品によって異なる変化をする可能性があります。

起動数 = 購入数 = コンテンツ投稿数。
最後の使用 = 最後の消費 = 最後のコンテンツ投稿。
使用時間 = 消費量 = コンテンツ貢献度;
利用間隔 = 購入頻度 = コンテンツ投稿頻度。

起動回数:特定の統計期間内にユーザーがアプリケーションを起動した回数を指します。データ分析を行う際には、一方では起動回数の全体的な傾向に注目する必要があり、他方では、一人当たりの平均起動回数、つまり、同じ統計期間における起動回数とアクティブユーザー数の比率に注目する必要があります。たとえば、一人当たりの1日あたりの平均起動回数は、1日あたりの起動回数と1日あたりのアクティブユーザー数の比率であり、1ユーザーあたりの1日あたりの平均起動回数を反映しています。
最終使用:ユーザーが最後にアプリを使用した時から現在までの時間。ディメンションと分布の分析を通じて、アクティビティをある程度反映することもできます。
使用期間:一定の統計期間内でのアプリの使用開始から使用終了までの合計期間を指します。利用時間は、1人あたりの平均利用時間（総利用時間とアクティブユーザー数の割合）、1回の利用時間（総利用時間と起動回数）などの観点からも分析でき、製品のアクティビティや製品の品質を測る重要な指標となります。
使用時間間隔:使用時間間隔とは、同じユーザーによる 2 つの連続したアクティベーション間の時間間隔を指します。通常、使用時間間隔の分布を分析する必要があり、一般的には 1 か月以内のアプリケーションのアクティブユーザー数の分布をカウントします。異なる統計期間（異なる時点だが同じ範囲）における使用時間間隔の分布の違いを通じて、ユーザーエクスペリエンスの問題を発見することも可能です。
訪問ページ数:訪問ページ数は、ユーザーが一度にアクセスしたページの数を指します。通常、訪問ページ数の分布を分析する必要があります。つまり、 1〜2ページを訪問したアクティブユーザーの数、3〜5ページを訪問したアクティブユーザーの数、6〜9ページを訪問したアクティブユーザーの数、10〜29ページを訪問したアクティブユーザーの数、30〜50ページを訪問したアクティブユーザーの数、50ページ以上を訪問したアクティブユーザーの数など、特定の期間（1日、7日、30日など）内のアプリケーションの訪問ページ数のアクティブユーザー数の分布をカウントする必要があります。同時に、異なる統計期間（ただし、7 日間など、同じ統計期間）における訪問ページの分布の違いを調べることで、ユーザーエクスペリエンスの問題を発見できます。

上記のユーザーエンゲージメント指標の中から、消費量などの主要な運用目標を反映できる指標を選択してユーザーレベルモデル（ユーザー層別化）を構築したり、最終消費時間R、消費頻度F、消費量Mなどの複数の関連指標を選択して、一般的に使用されるRFMユーザーモデルを構築したりすることができます。

その機能は、構築されたモデル内の異なるレベル（ユーザー階層化）または異なる地域（RFM モデル）のユーザーの特性に基づいて、ターゲットを絞った運用戦略を策定したり、レベル間の変換のためのユーザーインセンティブシステムを開発したりすることです。

質疑応答コミュニティを例にとると、主なKPIはコンテンツの量と質であり、これはユーザーが投稿したコンテンツによって得られた認識の数に反映されます。データ収集と照合により、ユーザー認識数の分布は次のようになります。ユーザー認識数に基づいてユーザー階層化を確立します。

分布は対数正規分布に似ていることがわかります。類似分布ヒストグラムを通じて第 1、第 2、第 3 四分位を臨界値として定義することで、ユーザーを一般ユーザー、コンテンツプロデューサー、コンテンツ投稿者、ビッグ V の4 つのレベルに分けます。

ユーザー数が十分に多い場合、各ユーザーレベルのユーザー特性も大きな違いを示します。たとえば、コンテンツ投稿者の第 1 層では、記事の投稿を主に行い、記事の頻度は低く、認識数が多い人もいれば、質問を主に行い、記事の頻度は高く、認識数が少ない人もいます。これを RFM モデルと組み合わせると、各層のユーザーをさらに細分化できます。

例えば、経験年数が3年未満の人もいれば、5年以上の経験を持つ人もいれば、ソーシャルコンテンツが好きな人もいれば、eコマースコンテンツが好きな人もいます。このように、以下に紹介するユーザーポートレートを組み合わせることで、ユーザーの属性をより詳細に説明することができ、より洗練された運用効果を得ることができます。

RFMモデル

（３）ユーザープロフィール

ユーザーポートレートは、さまざまなデータを通じてユーザーのプロフィールを概説することで作成されます。性別、年齢、学歴、収入、支出、職業、業界、個人的な興味や趣味、ビジネス上の関心、社会的関係など、ユーザー属性を定義できるあらゆる指標をユーザーポートレートに含めることができます。データが多いほど、ユーザーのプロフィールは明確になり、対応する運用戦略はよりターゲットを絞ったものになります。

3. 携帯電話には毎日、さまざまなテキストメッセージ、プッシュ通知、見知らぬ電話がかかってきます。メールボックスには広告メールが頻繁に届き、ますます的確にユーザーの心を捉え、アプリを再度起動するよう促します。このアプリを長い間使用していない場合は、おそらく、オペレーターがデータ分析に基づいて、失ったユーザーを取り戻そうとしているリコール対策です。

この段階では、主に損失の原因を分析し、対応するリコール計画を策定し、データ指標を使用して作業の有効性を測定します。これは、解約率、到着率、開封率、開封クリック率、返品率などの解約およびリコールシステムとしてデータ指標に反映されます。

解約率: 解約率と維持率は、互いに補完し合う 1 組の概念です。これらは、一定の統計期間後に製品を使用しなくなったユーザーの割合です。両方の指標は通常、同じグループメソッドを使用して計算されますが、解約率には一定の遅れがあるため、解約率は通常、維持率を照会して推定されます。

到達率:プッシュ通知がユーザーの携帯電話またはメールアドレスに届いた割合。
開封率:ユーザーがプッシュ通知を開いた割合。
開封クリック率:ウェブサイトを開いた後にコンテンツ/リンクをクリックしたユーザーの割合。
復帰率:統計期間中に復帰したユーザー数と離脱したユーザー数の比率。

私たちの目標は、失ったユーザーを取り戻すことですが、一夜にして達成できるものではありません。次の 4 つの指標は進歩的であり、コンバージョンファネルを形成します。プッシュの形式、プッシュの送信時間、プッシュのタイトル、送信者が公式かどうか、送信対象が正確かどうか、実際のコンテンツがタイトルと一致しているかどうか、さらにはページレイアウトさえも、各レベルでのコンバージョンに影響を与えます。

3. データ駆動型ユーザー操作

構造化データインジケーターシステムはありますが、これは完全なオペレーティングシステムとは言えません。データ自体には価値はありません。戦略に変換されて初めて価値が生まれます。私たちが構築するデータ指標はすべて意思決定を目的としており、運用戦略の策定と最適化に役立ちます。

データを通じて、私たちは「何が」「どれくらい」なのかを知りたいだけでなく、もっと重要なのは「なぜ」なのかを知りたいのです。これがデータ駆動型ビジネスの鍵です。データ駆動型ビジネスは、次の 2 つの側面に反映されます。

1つは、データを活用して運用戦略を最適化することです。たとえば、ユーザー維持率が低いのは、ユーザーの質と製品の魅力に関係しています。チャネル分析では、ユーザーの質に問題はないことが示され、ユーザー離脱分析では、主な離脱段階は初期接触期間にあることが示されています。これにより理由がわかり、製品の安定性、使いやすさ、新規ユーザー誘導を最適化します。

2つ目は、運用戦略をデータで検証することです。例えば、新たなユーザーインセンティブ施策を打ち出したいが、従来の方法と比べて良い結果が出るかどうかわからない場合、合理的なABテストで得られた比較データが意思決定の根拠となります。

原因を突き止めるためのデータ分析と運用戦略の最適化は反復的なプロセスです。ユーザー離脱防止を例に挙げて説明しましょう。

ユーザー離脱を防ぐための核心は、ユーザー離脱率を下げること、またはユーザーライフサイクルを延長することです（離脱が避けられない場合）。ユーザー離脱の理由は多岐にわたります。プロモーションプロセス中に価値の低いユーザーを大量に引き付けてしまうこと、ユーザーが製品に興味を示さないこと、使用中に興奮度が上がり続ける一方で関心が下がり続けることなどが挙げられます。ユーザー離脱の理由を特定することによってのみ、ユーザー離脱を防ぎ、失ったユーザーを呼び戻すための効果的な戦略を開始できます。これにはすべて、問題を説明するデータインジケーターシステムの使用に頼る必要があります。

1.さまざまなチャネルにおけるユーザー離脱率の分析

チャネル A: SEM

チャンネルB: Weibo

すべてのサイトユーザー

異なるチャネルからのユーザーの解約率を分析すると、異なるチャネルからのユーザーの解約率が大きく異なり、フルスタックからのユーザーの解約率とも異なることがわかります。

最初の週に、チャネル A の SEM を通じて製品にサインアップしたユーザーの解約率は 34% でしたが、チャネル B の Weibo を通じて製品にサインアップしたユーザーの解約率は 54% でした。チャネル A のユーザー状況がチャネル B のユーザー状況よりも大幅に優れているのはなぜですか?チャネル A での積極的なキーワード検索でも、チャネル B での興味を持ったプロモーションリンクのクリックでも、ユーザーのニーズは基本的に同じです。そうでなければ、登録段階で失われてしまいます。

さらに分析すると、SEMは有料プロモーションであり、Weiboは無料の自然トラフィックであるため、SEMの入出力比率を向上させるために、チャネルAのユーザーは商品ページに入った後に商品を紹介する特別なランディングページがあり、Weiboはアクティビティページに直接リンクしていることがわかりました。ユーザーは商品に関する知識が乏しく、結果としてユーザー離脱が増加します。

運営側は、Weibo 経由で来るユーザー向けに新しいユーザーガイダンス機能を追加し、Weibo から来る新規ユーザーのデータを継続的に監視することができます。このプロセスを繰り返して、戦略を継続的に最適化します。

2. 異なるライフサイクルにおけるユーザー離脱率の分析

ユーザーのライフサイクルは、使用期間と使用頻度という2つの指標を使用して、接触適応期間、探索成長期間、成熟安定期間、衰退期間に分けられます。各期間のユーザー数と解約率は次のとおりです。

上記の表からわかるように、ユーザーが初めて製品に触れる探索・適応期間の離脱率は比較的高く、改善の余地が大きくあります。当社のユーザー運用経験によると、この段階でユーザーが離脱する理由としては、一般的にオンボーディング体験の悪さ、アクセス速度の遅さ、学習コストの高さ、コンテンツの不一致などが挙げられ、これらはデータに反映されます。当社は、該当データの分析を通じて理由を見つけ出し、関連するユーザー戦略を策定し、データを継続的に観察し、戦略を繰り返し最適化することができます。

上記のユーザー離脱防止の例は、データを活用してユーザー操作を推進する方法を説明するために使用されています。他のリンクも同様です。ユーザー操作の考え方を採用し、データ分析の考え方と組み合わせ、合理的なデータ指標システムを選択し、原因を正確に分析し、対応する戦略を策定し、データ最適化戦略を再観察します。