運用開始: データ分析知識システムを0から1に構築する方法

データ分析は、運用業務のいたるところで行われています。アクティビティのレビュー、特別レポート、プロジェクトの最適化、就職面接など、どのような場面でもデータ分析は役立ちます。データ分析に関しては、多くの操作で混乱が生じていることがわかりました。

データをどこで入手すればよいか分からない。
どのようなツールを使用すればよいかわかりません。
分析の方法論と枠組みが不明確である。
ほとんどのデータ分析は単なる形式的なものです。
…

実は、データ分析は思っているほど難しくありません。私は多くのデータ実務家と接触し、データ分析の学習に興味のあるオペレーションの学生に役立つことを願ってこの記事をまとめました。 1. 概念: データとデータ分析 実際、私たちはデータとデータ分析に常に接してきましたが、この2つを明確に定義することは困難です。私はかつてアンケートを実施し、オペレーション部門の同僚たちに、次の 5 つの選択肢のうちどれが「データ」の概念の範囲に当てはまるかを尋ねました。

ほとんどの人は「4. レポート」を選択することを知っていますが、上記の 5 つのオプションがすべて正しいと考える人は少ないでしょう。実際、これは非常に一般的な現象を反映しています。つまり、多くの人は、データは Excel レポートやさまざまなデータベースなどのさまざまな表や数字であるという先入観を持っています。実際、これは間違った、あるいは偏った理解であり、データに対する理解を非常に狭いものにしてしまいます。 1. データとは何ですか? データは物事を記述する記号的な記録であり、情報や知識を構成する原材料です。この哲学的定義は、データの範囲を大幅に豊かにし、「ビッグデータ」開発の現在のニーズを満たします。考えてみると、現在多くの検索エンジンが行っている「画像認識」や「音声認識」はデータ分析の一部ではないでしょうか？インターネット企業の運用担当者として、私たちが扱うデータはそれほど複雑ではないかもしれませんが、カテゴリも数多くあります。

データのソースから、企業の外部データと内部データに分けられます。外部データには主に社会人口統計、マクロ経済、ニュースと世論、市場調査データが含まれ、内部データにはユーザー行動データ、サーバーログデータ、CRM およびトランザクションデータが含まれます。さまざまなデータの取得方法、分析方法、分析目的はそれぞれ異なります。また、業界や企業によって実際の分析の好みも異なります。では、一般的な「情報」と「データ」の違いは何でしょうか? データは情報の伝達手段であり表現形式です。情報はデータの含意であり、情報はデータにロードされます。書籍と知識を例にとると、書籍はデータ概念の範疇に属し、知識は情報概念の範疇に属します。書籍は知識の担い手であり表現形式であり、知識は書籍の内包と昇華です。 2. データ分析とは何ですか? データ分析とは、データから有用な情報を抽出し、実践を導くことを指します。ここで注意すべき点が 2 つあります。1 つ目は、抽出する必要があるのは単なる自己満足ではなく、有用な情報であるということです。2 つ目は、この情報は形式的な目的だけでなく、実践を導くために使用する必要があるということです。 2. アイデア: 方法論と手法 多くの初心者がデータ分析を始めるとき、混乱したり、どこから始めればよいか分からなかったりします。これらはすべて分析的思考の欠如の現れであり、マクロ方法論とミクロ方法論の両方からの指導が必要です。では、方法論と方法の違いは何でしょうか? この方法論は、マクロ的な視点、経営やビジネスの観点から提案された分析フレームワークであり、その後の具体的な分析の方向性を導きます。方法とは、特定の分析プロセスで使用する方法を指すミクロな概念です。 1. 方法論 データ分析にはさまざまな方法論があります。ここでは、いくつかの一般的なフレームワークを紹介します。

PEST分析手法：政治、経済、社会、技術の4つの側面から内部環境と外部環境を分析します。マクロ分析に適しています。
SWOT分析手法：強み、弱み、機会、脅威の4つの側面から内部環境と外部環境を分析します。マクロ分析に適しています。
5W2H 分析法: 7 つの共通次元 (なぜ、いつ、どこで、何を、誰が、どのように、どのくらい) から問題を分析します。
4P 理論:製品、価格、チャネル、プロモーションが市場に影響を与える重要な要素であると考える古典的なマーケティング理論。
A AR RR:パイレーツの成長法則ハッカー。リーン起業家にとって重要なフレームワークであり、獲得、活性化、維持、収益、紹介の 5 つの側面から成長を達成することを目指しています。

データ分析には多くの方法論があり、ここで一つ一つ列挙することはできません。最良の方法論はなく、最も適した方法論があるだけです。以下では、AARRR 方法論について詳しく紹介します。この方法論は、リーンオペレーションやビジネスの成長などの問題に非常に適しています。

インターネット製品の場合、ユーザーには明らかなライフサイクル特性があります。O2O業界のアプリを例に挙げて説明します。まず、さまざまなオンラインおよびオフラインチャネルを通じて新規ユーザーを獲得し、アプリをダウンロードしてインストールしてもらいます。アプリをインストールした後、ユーザーは初回注文無料、バウチャー、赤い封筒などの操作手段を通じてアクティブ化されます。一連の操作を通じて、一部のユーザーが維持され、会社に収益をもたらします。このプロセスの中で、ユーザーが製品を良いと思った場合、周囲の人に推奨したり、紅包などのインセンティブを通じて友人グループへの共有を促したりすることがあります。なお、これら 5 つのステップは必ずしも上記の順序である必要はなく、業務ニーズに応じて柔軟に適用できます。 AARRR の 5 つのリンクはすべて、データ指標を通じて測定および分析でき、無駄のない運用の目標を達成できます。各リンクを改善することで、ビジネスを効果的に成長させることができます。以下の分析もこの方法論に基づいています。 2. 方法 実際の運用業務のニーズに合わせて、GrowingIO の Chen Ming 氏の記事「優秀なデータアナリストになる方法」に基づいて、7 つの分析手法をまとめました。一般的な Web サイト/アプリデータ分析製品の助けを借りれば、これら 7 種類の分析を非常に迅速に完了できます。 1. トレンド分析 トレンド分析は、データ監視およびデータ分析の最も単純で基本的かつ最も一般的な方法です。通常、データ分析製品ではデータ指標の折れ線グラフや棒グラフを作成し、外れ値に注目して観察を続けます。このプロセスでは、最初の主要指標 (OMTM、測定する 1 つの指標) を選択し、虚栄心の指標に惑わされないようにする必要があります。ソーシャルアプリを例にとると、ダウンロード数を最初の重要な指標として使用すると、誤った方向に進む可能性があります。なぜなら、ユーザーがアプリをダウンロードしたからといって、必ずしも製品を使用しているわけではないからです。この場合、最初の主要指標として DAU (Daily Active Users) を使用することが推奨され、特定の操作を開始して実行したユーザーのみをカウントできます。このような指標は実用的な重要性があり、運用担当者はこのような指標に重点を置く必要があります。 2. 多次元分解 多次元分解とは、ビジネスニーズに基づいて複数の次元から指標を分割することを意味します。ここでの次元には、ブラウザー、アクセスソース、オペレーティングシステム、広告コンテンツなどが含まれますが、これらに限定されません。なぜ多次元分解が必要なのでしょうか?非常に一般的な、または最終的な指標では問題がまったく見えない場合もありますが、細かく分析してみると、多くの詳細な問題が浮かび上がってきます。たとえば、あるウェブサイトの直帰率は 0.47、平均訪問深度は 4.39、平均訪問時間は 0.55 分です。ユーザーエンゲージメントを高めたい場合、このようなデータを見ると、どこから始めればよいのか途方に暮れてしまうのは当然ですが、これらの指標を細かく分析してみると、多くのアイデアが見つかります。以下に示すのは、さまざまなオペレーティングシステム上の製品のユーザーエンゲージメントメトリックデータです。

よく見ると、モバイルプラットフォーム (Android、Windows Phone、IOS) でのユーザーエンゲージメントが非常に低いことがわかります。これは、直帰率が非常に高く、訪問深度が低く、平均訪問時間が短いことからも明らかです。この場合、問題が見つかります。それは、当社の製品がモバイル端末に最適化されていないために、ユーザーエクスペリエンスが低下しているからではないでしょうか。モバイルインターネットの時代において、これは非常に重要な問題です。 3. ユーザーセグメンテーション ユーザーをセグメント化する主な方法は、ディメンションと行動の組み合わせの 2 つです。 1 つ目は、ユーザーディメンションに基づくグループ化です。たとえば、地域ディメンションに基づくと、北京、上海、広州、杭州などのユーザーがいます。ユーザーのログインプラットフォームに基づくと、PC、タブレット、携帯電話のユーザーがいます。 2つ目の方法は、コミュニティに週3回サインインするユーザーと週3回未満サインインするユーザーの違いなど、行動の組み合わせに基づいてユーザーをグループ化することです。これについては、後ほどリテンション分析で詳しく紹介します。 4. ユーザーの監視 前述のように、ユーザー行動データもデータの一種です。製品内でのユーザーの行動経路を観察することは、非常に直感的な分析方法です。ユーザーのグループ化に基づいて、通常 3 ～ 5 人のユーザーが詳細な調査のために選択され、グループ化されたユーザーの行動パターンのほとんどをカバーできます。製品の登録プロセスを例に挙げてみましょう。

ユーザーは、[公式サイトにアクセス] - [クリックして登録] - [番号を入力] - [認証コードを取得] という操作プロセスを実行しました。非常にスムーズなプロセスのはずでしたが、ユーザーが [認証コードを取得] を 3 回連続でクリックした後、送信をあきらめていたことが判明しました。これは奇妙です。なぜユーザーは確認コードを複数回クリックするのでしょうか? 現時点では、製品を実際に試用し、登録手続きを行うことをお勧めします。 [認証コードを取得] をクリックした後、認証コードが届かないことが多く、その後 [認証コードを取得] をクリックし続けると、上記のような状況が発生します。ほとんどの製品には、多かれ少なかれ人間に反する設計やバグが存在します。ユーザーが注意深く検査することで、製品の問題を簡単に発見し、適時に解決することができます。 5. ファネル分析 ファネルは、コンバージョン効率を測定するために使用されるツールです。モデルが最初から最後までファネルに似ていることから、この名前が付けられました。ファネル分析では、2 つの重要なポイントに注意する必要があります。まず、全体的なコンバージョン率を見るだけでなく、コンバージョンプロセスの各ステップのコンバージョン率にも注意を払う必要があります。次に、ファネル分析は複数のディメンションに細分化する必要があります。細分化すると、異なるディメンションのコンバージョン率も大きく異なることがわかります。ある会社の登録プロセスはメールを使用しており、登録コンバージョン率は27％と常に非常に低くなっています。ファネル分析により、主な損失は[認証コードの送信]段階で発生していることがわかりました。

調査の結果、メール認証中に登録したメールアドレスにメールが届かないことがよくあることが判明しました。原因としては、メールエージェントがブロックされている、センシティブな言葉を含むメールがスパムメールボックスに送信されている、メールの配信に時間がかかりすぎる、などが挙げられます。登録コンバージョン率には制御できない要因が多数影響するため、別の検証方法を試してみましょう。 SMS認証に切り替えた後、全体のコンバージョン率は43％に増加し、非常に大きな増加となりました。 6. 保持分析 リテンションとは、その名の通り、新規ユーザーが留まり、製品を使い続けることを意味します。保持率を測定するための一般的な指標には、翌日保持率、7 日間保持率、30 日間保持率などがあります。リテンションは、新規ユーザーのリテンション率と製品機能のリテンションという 2 つの側面から分析できます。

ケース 1: コミュニティ Web サイトを例にとると、「週 3 回チェックインする」ユーザーの維持率は、「週 3 回未満チェックインする」ユーザーの維持率よりも大幅に高くなります。サインイン機能により、コミュニティユーザーの定着率と維持率が目に見えない形で向上したため、多くのグループやコミュニティがこの機能を推進しています。

2つ目のケース：Weiboに初めて登録すると、Weiboは10人のインフルエンサーをフォローすることを推奨します。LinkedInに初めて登録すると、LinkedInは5人の同僚を推奨します。クレジットカードを申し込むと、発行元は4回以上のクレジットカード取引を行うと[ドローン]大賞の抽選に参加できると言います。多くのソーシャルプロダクトでは、週に5回サインインすると、ユーザーは2倍のポイントまたは仮想通貨を獲得できると規定しています。その中でも、「10 のビッグ V をフォローする」、「5 人の同僚をフォローする」、「4 回購入する」、「5 回チェックインする」が、私がお話ししたいマジックナンバーです。これらの数字は、長期的なデータ分析や機械学習を通じて発見されます。実践により、これらの特性を満たすユーザーの維持率が最も高くなることがわかっています。運用担当者は、ユーザーがこの基準を満たすように常に促し、動機付けることで、維持率を向上させる必要があります。 7. A/B テストと A/A テスト A/B テストは、2 セットのプランを採用して目標を達成することです。1 つのユーザーグループはプラン A を採用し、もう 1 つのユーザーグループはプラン B を採用します。実験を通じて、2 つのソリューションセットのデータ効果を観察し、2 つのソリューションセットの長所と短所を判断します。 A/B テストに関しては、 Google は努力を惜しみません。検索結果の表示については、Google はさまざまなプラン (コピータイトル、フォントサイズ、色など) を開発し、検索結果の広告のクリック率を継続的に最適化します。ここで注意すべき点は、A/B テストの前に A/A テストまたは同様の準備を行うことが最善であるということです。 A/A テストとは何ですか? A/A テストは、2 つの実験グループが同じレベルにあるかどうかを評価するものであり、A/B テストが意味を持ちます。実は、これは学校での制御変数法、実験群と対照群、二重盲検試験などと本質的に同じです。 3. プロセス: マクロ、メソ、ミクロ 1. マクロ 1. 古代中国のシンプルな分析哲学 実は、データ分析は古代から存在していました。古代中国の多くの著名人も実際にデータ分析に従事していました。彼らの肩書きはデータ分析者ではなく、「宰相」「軍事顧問」「顧問」といったもので、張良、管仲、蕭何、孫斌、桂姑子、諸葛亮などがその例です。彼らは、古代中国のシンプルな分析哲学の重要な部分である「歴史的統計」-「経験の要約」-「未来の予測」を通じて、組織に大きな価値を生み出しました。 2. リーンスタートアップのMVPコンセプト シリコンバレーで人気のリーンスタートアップは、小さなステップを踏みながら高速に実行することで、継続的に製品を最適化し、ユーザーを増やすことを目指すMVP（Minimum Viable Product）という概念を提唱しています。

私たちの業務においては、大胆に実験し、アイデアを製品や業務方法に変換する必要があります。次に、データを分析して、製品または操作の有効性を測定します。良いものであれば、それを維持して積極的に推進し、良くないものであれば、問題点をまとめ、適時に改善します。このプロセスは、「構築」-「測定」-「学習」の継続的なサイクルで徐々に最適化されるため、運用作業に非常に適しています。 2. 中観派 書籍「Who Says Newbies Can't Do Data Analysis」では、より具体的な分析プロセスを紹介しています。1. 分析の目的とアイデアの明確化 → 2. データ収集 → 3. データ処理 → 4. データ分析 → 5. データのプレゼンテーション → 6. レポート作成。このプロセスは、前後のプロセスを「データ」の観点から説明するだけであり、ビジネスの現実と結びついていません。また、データ分析の最終的な目標は、レポートを作成することではなく、実践を導くことであるため、データ分析の足掛かりを「レポート作成」に位置付けるのは誤解を招きます。ただし、このプロセスには依然として参考価値があり、特に「分析の目的とアイデアの明確化」は初心者にとって一定の指導的意義を持っています。 3. マイクロ 以下は非常に詳細な分析プロセスです。特定の分析ツールの助けを借りて、このアイデアに従って Web サイト/アプリの詳細な分析を実施できます。

これは、GrowingIO のビジネスアナリスト Tan Runyang 氏が「ユーザー維持、製品、市場、運用を改善する方法とは?」で紹介したプロセスです。ほとんどの運用データ分析に当てはまると思います。前提は、データ分析ツールを使用してデータの収集と監視を実行し、ビジネス分析に重点を置くことです。このプロセスの核となるのは、「MVP」のコンセプトであり、「問題の発見」-「実験の設計」-「結果の分析」、そしてデータを通じて製品と業務を継続的に最適化することです。 IV. アプリケーション: システムと分析 （I）事例1：データ分析システムの構築 シャオ・チャンさんは今年卒業したばかりで、ある企業のニューメディア部門で働いており、 WeChatの日常業務を担当しています。張暁氏はWeChat運営の核心目的を明確にしておらず、さまざまな方法を試した。多くの記事を作成、翻訳、書き直し、WeChatに投稿したが、読者数は変動し、概ね平均的だった。マネージャーは張三に、WeChatの運営を改善し、WeChatのフォロワーと読者の数を増やす方法を見つけるよう依頼したが、張三はどこから始めればいいのか分からなかった。これは多くの業務の真実の描写です。些細な作業は人々に考えることを忘れさせやすく、これはあなたや私の周りでも起こり得ることです。私たちはデータ分析の観点からこの症例を診断し、Xiao Zhang が直面している問題を以下のようにまとめました。

どのコア指標に重点を置く必要があるかわからない。
対象ユーザーの特性（ユーザー属性、ユーザープロファイルなど）が不明である。
過去の仕事の体系的な分析（データの収集、監視、分析）の欠如。

ビジネスの成長の観点から、私はXiao Zhangのコンテンツワークの発展をサポートするためにデータ分析システムをカスタマイズしました。 最初のポイントはコンテンツの位置付けです。 運用では、目標または KPI を明確に把握した上で、監視のためのコアキーインジケーター (OMTM) を選択する必要があります。スタートアップ企業であれば、初期段階では新規ユーザーを獲得する必要があるかもしれないので、登録ユーザー数や新規訪問ユーザー数が中心となる指標となります。影響力や報道を重視する情報メディアであれば、WeChat閲覧数やウェブページPV数を中核指標とすべきでしょう。 2つ目のポイントは、ユーザーのポートレートです。 どのような運用ポジションにいても、（ターゲット）ユーザーが誰であるかを明確に把握する必要があります。これらの人々の特徴と、彼らの懸念や問題点は何でしょうか?ユーザーがプロダクトマネージャーの場合、プロダクトマネージャーの Web サイトで関連する質問をクロールし、テキスト分析を行うことができます。これは定量的な分析です。同時に、調査やアンケートを通じて、ユーザー特性に関するより詳細な情報を得ることができます。これは定性的なレベルでの分析です。 3番目は継続的な監視です。 データ分析ツールの助けを借りて、コア主要指標 (OMTM) が継続的に監視されます。異常な指標については、タイムリーに分析し、改善する必要があります。 4番目はデータ分析です。 過去のコンテンツからデータを収集して分析し、どのコンテンツ、タイトル、形式、チャネルがより効果的かを調べ、その方向で継続的に最適化します。 事例2: コアビジネス指標の分析 メールマーケティングは、現在でも多くの企業が活用しているマーケティング・運用手法です。インターネット金融会社は、EDMを通じて新規ユーザー（メールアドレスを持っているが登録していないユーザー）にアクティベーションメールを送信しています。登録コンバージョン率は、常に20％から30％の間で維持されてきました。8月18日に登録コンバージョン率が急落し、それ以降は10％前後で推移しています。

これは非常に深刻な不況であり、その原因を直ちに調査する必要がある。 EDM チャネル登録のコンバージョン率には多くの要因が関係しており、1 つ 1 つ確認する必要があります。データアナリストは、考えられる原因をリストアップする作業を支援しました。 技術的な理由 ETL (データの抽出、変換、読み込み) の問題により、バックエンドデータが BI レポートにタイムリーに表示されませんでした。 マクロ的な理由 季節要因（休日など）、その他のメールショック（他の部門もユーザーにメールを送信し、ユーザーの注意を薄める） マイクロ原因 メールのタイトル、コピー、レイアウトデザイン、CTA デザイン、登録プロセスデザイン。単純なビジネス指標でもさまざまな要因の影響を受ける可能性があるため、継続的に最適化するためには、関連する要因を詳細に測定する必要があります。最終的に、製品マネージャーが登録プロセス中に「クレジットカードのバインディング」手順を追加したため、登録コンバージョン率が大幅に低下したことが判明しました。 5. 学習: ビジネス、ツール、リソース 1. ビジネスレベル データ分析は想像するほど不可能なことではありません。関連する概念、アイデア、プロセスを習得すれば、運用によってデータ分析をうまく行うことができます。ここで強調する必要があるのは、データ分析の目的はビジネス実践を導くことであるということです。実践から切り離されたデータ分析や分析のためのデータ分析は単なるフーリガン行為です。プロのデータ分析者やデータサイエンティストとは異なり、運用担当者が適切なデータ分析を行うための前提条件は、ビジネスに対する高度な理解です。ビジネスの観点から見ると、データは単なる数字ではなく、ユーザーの声です。運用担当者は、データから問題を特定し、継続的に最適化し、ユーザーエクスペリエンスを向上させ、ユーザーにとってより多くの価値を生み出す必要があります。 2. ツールレベル ナイフを研ぐことは薪割りを遅らせることにはならず、優れたデータ分析ツールが不可欠です。以下に、実際のニーズに応じて運用で導入できるツールをまとめました。 Excel は最も一般的で基本的なデータ分析ツールです。Excel のグラフ、関数、ピボットテーブルは、あらゆる人の基本的なニーズを満たすことができます。 Access は Microsoft Office スイートの一部であり、小規模なリレーショナルデータベースです。Excel データの量が多く、テーブル間の接続、クエリ、更新が頻繁に行われる場合、Access は非常に適しています。 Python は近年急速に発展した高水準プログラミング言語です。データ分析、プログラミング、クローリングに使用できます。R 言語は統計で広く使用されているデータ分析ツールです。現在、Python はインターネット上の情報を取得するためのクローラープログラムの作成に広く使用されており、オペレーターにとって非常に役立っています。 Google Analytics、Baidu Statistics、 Umengは一般的なウェブサイトトラフィック分析ツールですが、Mixpanel、Heap、GrowingIO はユーザー行動データ分析ツールであり、前者よりも豊富な機能と詳細な分析を備えています。 3. リソースレベル 運用データ分析を始めるのに複雑な数学理論を学ぶ必要はありませんが、ビジネス運用とデータ分析を組み合わせることが重要です。ここでは 2 つの Web サイトと 2 冊の本を推奨します。役立つことを願っています。

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

この記事の著者は@官世强で、( Qinggua Media )が編集・出版しました。転載の際は著者情報と出典を明記してください。

<<: WeChat ミニプログラムはユーザーと企業にとって何を意味するのでしょうか?

>>: 妊婦が触れると流産の原因になるもの：ウェブサイト最適化コンテンツが検索エンジンにインデックスされやすいのはいつですか？