スタートアップ企業がデータドリブンな運用をうまく行うには、まずこれら 6 つの問題を明確にする必要があります。

データ分析は、 BAT のような特に大規模な国内企業でのみ真剣に受け止められています。もちろん、これは長期にわたる蓄積と、データと業務のより優れた統合によるものです。これは私が中国に帰国して全体的に感じたことです。中国企業のデータそのものや、データが提供できる価値に対する理解は、米国ほど深くなく、その差はかなり大きいです。
なぜ多くの企業でデータ分析が形式的なものになってしまうのでしょうか? 主な違いは次の 3 つの側面に反映されます。価値認識多くの企業が急成長期にあり、誰もが衝動的に下した意思決定によって多くの価値が生み出されている可能性があります。この場合、データに基づく意思決定が急成長よりも大きな価値を生み出す可能性があることに企業が気づくのは困難です。基本的な方法論の理解中核的だがシンプルな方法論を意味します。現時点では、中国では基本的な方法論についてあまり知られていない。おそらく、米国が数十年にわたって開発してきたのに対し、国内の開発期間は比較的短いためだ。実際の運用方法の理解国内の第一線で働く従業員は、データを活用して業務を遂行していますが、商品、顧客、販売などの分野での実践経験は比較的少ないのが現状です。一方では開発期間が短いため、他方ではデータ利用概念の蓄積は比較的小さいです。しかし、国内企業ではこの意識が急速に高まってきています。しかし、この認識は段階的に、徐々に進むプロセスです。米国では、認識と方法論が徐々に統一され、テクノロジーとビジネスがデータと統合されてきました。中国では、テクノロジーとビジネスの間に大きなギャップがあります。エンジニアはデータシステムの構築を求められていますが、ビジネス側をあまり理解しておらず、ビジネス側もテクノロジーにあまり精通していないため、既存の技術手段では多くの要件を直接満たすことができません。相互理解の欠如により、データ使用のペースが遅いことがさらに悪化します。異なる方法で話すと、効率が低下し、価値を実現できなくなります。どちらの側も利益を得ることができず、結局は実際のデータ操作ではなく感情に基づいて決定が下されることになります。多くの企業がゼロからスタートする場合、テクノロジープラットフォームの構築に多くの時間を費やします。まず、技術プラットフォームは非常に複雑で、さまざまなエンジニアリング人材が必要です。次に、多くの企業がゼロから模索していますが、データ分析システムには一連のプロセスと人材が必要であり、それぞれが弱すぎてはならず、真に接続できません。現在、中国では競争が激化し、ビジネスが急速に発展しています。 BAT やGoogleのような優れたものを生み出すには時間が足りません。これは、多くの企業がデータの価値を理解できない理由でもあります。国内の起業家の多くは、最初はデータの価値に気づいていませんが、データの価値に気づいたときには、期待が非常に高くなることがよくあります。この大きなギャップは、価値を真に実現することを不可能にし、さらには「この価値は本当に実現できるのか」という疑問や忍耐力の欠如さえも生み出します。どのような企業がデータに注目する必要があるのでしょうか? 一般的に、中国でデータに注目している企業は、インターネット金融、電子商取引、取引プラットフォーム、SaaS、オンライン旅行会社など、平均注文額が高く、コンバージョンに重点を置いている企業です。このタイプの顧客は平均注文額が高く、トラフィックだけに頼らないため、起業家はコンバージョンを増やす動機を持つことになります。一般的に、起業家は 4 ～ 5 回の製品および企業のライフサイクルを経験します。最初の段階はコールドスタートと呼ばれます。現時点では、同社は非常に初期段階にあり、エンジェルラウンドやAラウンドの資金調達もまだ完了していません。この段階の企業にとって、顧客数が限られており、サンプルサイズが不十分であるため、ビッグデータを推進力として活用することは誤った提案です。潜在的顧客のニーズをより深く理解し、顧客にこの製品を使用するよう「懇願」する必要があります。 2 番目の段階 (初期成長段階) は、コールドスタートがほぼ完了したときです。経験豊富な起業家は、日々/毎月の活動や維持など、成長に関連するいくつかの主要な指標を計画し始めます。これらのメトリックの目的は、製品の現在のパフォーマンスを測定することではなく、将来の成長のための比較ベンチマークを提供することです。そして、これらの指標は、いつ成長すべきかを教えてくれます。製品自体に粘着性がなければ、成長のためにお金を費やしても、実際には成長しません。損失率が成長率を上回っているからです。過去には、競争がそれほど激しくなく、ユーザーの選択肢がそれほど多くなかったため、多くの金を燃やす企業が成功することができました。しかし今日では、製品の品質が悪く、顧客維持率が低く、口コミも良くなければ、いくらお金を費やしても、真の核となる自然な成長を達成することはできません。第三段階は成長期です。この段階で、優れたスタートアップと普通のスタートアップの大きな違い、つまり効率性がわかります。 PRにしてもイベントの開催にしても、人手と時間的なコストがかかります。成長中に最も効率的なチャネルを見つけるにはどうすればよいでしょうか?これがスタートアップの核となる競争力だと思います。データに基づいたことをせず、直感だけに頼ると、1、2回はうまくいくかもしれませんが、カジノに行って1万回連続で勝つことはできません。そのため、企業がさまざまなチャネルを迅速に最適化し、単位時間あたりのコンバージョン効率を向上させるには、直感とデータを組み合わせる必要があります。単位時間あたりの変換効率を継続的に改善し、積み重ねていくことで、企業の中核的な競争力となることができます。データ駆動型ではない企業と、データ駆動型である企業。同じ運営戦略、同様の資本準備金、同じ顧客を前提とすると、データから素早く学習できる企業が確実に勝利するでしょう。第4段階は収益化期間です。ビジネスを収益化するには、非常に大規模なユーザーベースが必要です。一般的なインターネット製品の場合、優れた体験をした少数の非常にアクティブなユーザーが有料ユーザーに転換されます。それは継続的にスクリーニングする漏斗のようなもので、ここで重要なのは操作の効率です。たとえば、eコマースユーザーのコンバージョンファネルは一般的に、訪問 - 登録 - 検索 - 閲覧 - ショッピングカートに追加 - 支払い、または将来の再訪という流れになります。これは非常に長いファネルです。データ主導の運用を真に実装するには、ファネル内のすべてのリンクを継続的に追跡する必要があります。なぜ？成長は測定できないため、達成することが困難です。優良企業、特に将来的に収益を生み出すことを計画している企業は、各部門と各リンクの変換効率に注意を払う必要があります。この変換効率は、マーケティング手法、製品の改善手法、さらには顧客運用手法を通じて達成できます。各リンクを少しずつ改善することで、指数関数的な改善が実現します。データ駆動型の業務に携わったことのない人にとって、このような増加がどれほど巨大なものになるか理解するのは困難です。例えば、以前LinkedInでデータドリブンなコンバージョンを行っていたとき、あるEDMを10万人にプッシュしたい場合、即断即決によるコンバージョン率は0.01%でした。しかし、データドリブン部門がシンプルなデータモデルを作り、同じメッセージをプッシュしたところ、コンバージョン率は0.3%と大幅に上昇しました。これを毎週行うと、変換効果は非常に大きくなります。各業界には独自の KPI があります。例えば、SaaS 業界では、ユーザー登録が成功するかどうかは非常に単純な質問ですが、多くの企業はそれを見落としている可能性があります。ユーザーが正常に登録した後、製品のコア機能を特定し、ユーザーがコア機能を使用しましたか?ユーザーが再び戻ってくるのは、どのコア製品機能のおかげですか? また、どの機能がそうでないのでしょうか?これらはすべて製品分析に記録される必要がありますが、データがない場合はどのように分析すればよいでしょうか?どうやって測るんですか？多くのアメリカ企業はこれらをまとめ、10年以上活用しています。多くの国内企業はこれらの経験を模倣し、そこから学ぶことができます。盲目的にもう一度経験する必要はありません。それは時間とリソースの無駄です。もう一つのポイントは、企業が運用化される必要があるということです。どんなコンセプトですか?つまり、データ分析はキャンペーンではなく、日常的な問題であり、私たちは毎日、毎週、毎月、四半期ごとにこれらのことを検討しています。継続的な調整、学習、促進は非常に重要なプロセスです。しかし、習慣を身につけるのは非常に困難です。多くの起業家は非常に忙しく、そういったことに目を向ける時間がないからです。中国企業はデータに関してどのような誤解を抱いているのでしょうか? 国内企業には、データ分析に対する2つの極端な認識があるように思います。1つは、データ分析は純粋なテクノロジーであると信じているもので、もう1つは、ビッグデータに取り組んでいればハイエンド企業になれると迷信的に信じているものです。どちらのアプローチにも、ある種の誤解があると思います。根本的には、自分が作ったものが価値があり、効果的であるかどうかだと思います。最も直接的な測定方法は効果によるものです。他の企業の中には、独自のプラットフォームを構築し、大規模なチームを編成したいと考えているところもありますが、その効率と成果は比較的低いです。この点については皆さんも慎重になることをお勧めします。エコシステムが発展し続けるにつれて、多くのツールが非常に便利になり、それらの使い方を学ぶ必要があります。これらは起業家が成功するための素晴らしい助けになります。ツールの使い方を知っているからといって、起業に成功するとは言えませんが、優れた起業家はこれらのさまざまなツールを必ず使って目標を達成できるでしょう。優れたデータ分析とはどのようなものでしょうか? 適切なデータ分析は、社内の全員に利益をもたらします。これは特権ではなく、また社内の1人か2人だけの特権でもなく、社内のすべての業務部門、特に最前線で戦っている人たちに直接利益をもたらすものです。通常、私たちは戦略と全体的な方向性についてのみ話し合い、それを CEO、VP、またはオペレーション部門にのみ示しますが、これでは十分ではありません。最前線の従業員が使用できるように提供する必要があります。これは、データ駆動型企業と非データ駆動型企業との大きな違いだと思います。効率性の向上は、1 人または 2 人の改善ではなく、全員の改善を意味します。企業が完全なデータ分析の仕組みを構築したいのであれば、まずはビジネスから始めるべきです。すべてのデータ分析操作またはデータシステムは、ビジネスと顧客から始まる必要があります。このデータ分析システムは、1 つまたは 2 つの非常に限定された問題を解決するだけでなく、システムと全体像も必要とします。そして、実はデータ分析で最も難しいのは、データの収集と整理です。このプロセスは、おそらく最初の計画が十分に徹底されていなかったために、最も時間がかかります。したがって、計画的なデータ収集とデータ整理に細心の注意を払う必要があります。結局のところ、データ分析はレポート作成だけに留まることができず、その価値はまだ十分ではありません。結局のところ、それらの数字が明らかになったら、他の人に何をすべきかを指示することは正しく、効果的です。ここには多くの深い知識が関わっており、強力な運用能力が必要です。したがって、企業は広い視野を持ち、実現可能性にも重点を置く必要があります。一般企業が自ら構築したいのであれば、まずは一つの点から突破し、変革点を見つけ、その価値を見出し、その実践を通じて次の実践の方法を学ぶべきだと私は提案します。これも学習プロセスです。データサイエンスフレームワークを構築するために、巨大なシステムを構築したり、50 のデータサークルを組み合わせたりすることから始めないでください。これを一般的に行うと、多くのリソースがない限り、間違いなく失敗すると思います。データが十分に活用されないという悪循環を断ち切るにはどうすればよいでしょうか? 過去数か月間、私たちは顧客とやり取りしてきましたが、一部の企業は当社の製品を非常にうまく活用している一方で、他の企業はまあまあの活用にとどまっていることがわかりました。通常、社内にデータを担当する人がいる企業では、データを非常にうまく活用しています。一方、この件についてフォローする中心人物がいない企業では、パフォーマンスは平均的です。そのため、運用部門にはデータ分析について一定の理解を持つ人が少なくとも 1 人必要です。高度な外科手術機器を会社に導入しても、誰もその操作方法を知らないと役に立たないようなものです。知識を得るには、実践を通して学ぶのが一番だと思います。実際に操作するには、ある程度知識があり、数回操作を指導できる人がいることが前提条件です。次に、応用と学習を始めます。これがデータ分析の知識を習得する最も速くて効果的な方法です。ただ本や教科書を読んだり、外部のビッグデータガイドブックを見たりするだけでは、このような効果は得られないと思います。この人がいれば、この分野や自社製品を理解している人たちから方法論的なサポートを受けることができ、この学習の仕組みが確立されます。これは非常に重要です。そうでなければ、システムが強力であっても、誰もその操作方法を知らない場合は十分に活用することはできません。スタートアップ向けFAQ 特に初期段階の企業では、重点を置くものは非常に標準化されています。たとえば、新規ユーザー、継続ユーザー、強力なチャネル、新規ユーザーが使用する製品機能などについて知りたいと考えています。どの企業にもそれぞれ長所と短所があります。2 つの例を挙げてみましょう。たとえば、SaaS 企業のクライアントがいます。この企業は、オフラインでの活動を多く行い、その後トラフィックをオンラインに誘導しています。しかし、彼は自分の登録コンバージョンを観察したことがありませんでした。その結果、量は増えましたが、コンバージョン率は非常に低く、実際の登録数も依然として非常に少なかったのです。その後、登録プロセスを単純に最適化することで、コンバージョンが3〜4倍に増加しました。たとえば、電子商取引のクライアントの場合、取引に来た人数、取引額、そして週ごと/月ごと/四半期ごとの成長率を調べていました。しかし、早期に参入するユーザーは一般的にコアユーザーであり、成長率はより速くなります。そしてすぐに停滞期に入りました。なぜでしょうか? その理由は、その中の多くの事柄が十分に詳細化されておらず、多くが薄められているからです。例えばオークションでは、多くのユーザーが来て賑わっているように見えますが、カテゴリーが多すぎると、商品ごとの入札者数が減ってしまいます。数量が減少すると、価格が下がります。減少後は、GMV と成長率が低下します。この場合、比較的少数の製品に多くのユーザーを集中させ、平均注文額を増やすことを検討する必要があります。これを行う利点は、販売者が売上を増やし、プラットフォーム上でより積極的に販売できるようになることです。また、購入者も希少な商品を購入したと感じるでしょう。定着率は、スタートアップが成功したい場合に解決しなければならない最も核心かつ最も差し迫った問題です。維持率があれば、基本的には成長率がわかります。一般的に、初期段階で引き付けられたコアユーザーは定着率が高く、後期段階で引き付けられたユーザーは定着率が比較的低くなります。より成功するインターネット製品は通常、初期段階でコアユーザーに焦点を当て、そのニーズを満たし、その後下位層に広がり続けます。したがって、保持にはさらに注意を払う必要があります。同時に、保持されたユーザーも分解する必要があります。残っているユーザーの中には、新規ユーザーもいれば、古いユーザーもいます。同じ時間で計測しているように見えますが、実は違います。多くのスタートアップでは、それをカテゴリーに細分化していないことがあります。たとえば、維持ユーザーのうち、新規ユーザーは何人で、古いユーザーは何人いるのか、古いユーザーの維持率はどれくらいで、新規ユーザーの維持率はどれくらいか、などです。 Facebook はユーザーを 7 つのレベルに分類します。これら 7 つのレベルは何を意味するのでしょうか?つまり、今週は各ユーザーの活動レベルが異なります。7日間来る人もいれば、6日間、5日間、4日間、3日間、2日間来る人もいます。毎日のユーザーアクティビティを非常に詳細なカテゴリに分類します。次に、このディメンションに基づいて、新規ユーザーと既存ユーザーにさらに分割されます。内訳後は、ユーザーの種類ごとに操作を行うことができます。例えば、週5日以上使用しているユーザーがどの機能を使用しているかを分析できます。私の提案は、製品の初期段階では、新製品を追加する前に製品の維持に重点を置くべきだということです。こうすることで、創設者のエネルギーがより集中します。なぜなら、新規顧客を引き付けながら同時に既存顧客を維持しようとすると、努力が 2 つに分かれてしまい、両方に対応できなくなるからです。高いリテンション率を持つことは、新規ユーザーを引き付けることにも役立ちます。リテンション率の高いユーザーを獲得するためのチャネルを見つけ、その操作を継続的に複製することができます。 2 つ目のポイントは、良好な保持率が得られれば、すぐに拡大できるということです。なぜなら、拡大後はユーザーが留まり、成長率が加速するからです。実のところ、ここには既成の方法論があります。なぜなら、良好な維持率が得られなければ、運営しているビジネスは金の無駄遣いになるからです。資金調達環境が悪ければ、事業は失敗する可能性が高くなります。しかし、ユーザーの粘着性が非常に高い場合は、運用コストが非常に低くなるため、創設者がリソースの割り当て全体を管理できます。この基本的な考え方は、製品がコールドスタートした後に必要であり、成長段階では極度の集中が求められると思います。初期の頃は直感に頼っていましたが、後期には科学に頼るようになりました。データの基盤を早く構築すればするほど、企業にとって有益になると思います。それは継続的な反復と蓄積のプロセスです。ただし、アプリをリリースした直後に AB テストを行うのは本末転倒です。十分なユーザー数を獲得しておらず、分析されたデータが代表的ではないため、不必要です。最後に、データ分析の 5 つの段階を簡単にまとめます。 ➤第一段階は何も無い段階です。 ➤第二段階は、企業が歴史を遡れるようにする必要があります。自社製品に何が起こっているかを知ることです。これは最も基本的で原始的な段階です。 ➤第三段階は、社内で製品、運用、マーケティングに携わる人々がなぜかを問う必要があります。この段階は予測です。つまり、特定のグループの人々が次に何をするかを予測することで、製品をターゲットを絞ったより良い方法で開発することができます。 ➤第四段階は解決策を持つことです。つまり、このグループの人々がこれを行うと予測し、より良い解決策を提供することで、より良いコンバージョンとリテンションを実現し、より良い新規顧客獲得効果をもたらすことができます。 ➤第五段階は最適化です。多様化した製品ラインがどのようにして最適なバランスポイントを見つけることができるかです。価格、マーケティング、製品設計、販売のすべての側面にバランスポイントがあります。このバランスポイントは、起業家の利益が最大化されるポイントであり、ユーザーがこの製品を最も気に入るポイントでもあります。これら 5 つの段階には、時間と継続的な積み重ねが必要です。飛ばさないでください。飛ばすと失敗につながることが多いからです。基礎から始めましょう。

<<: Baidu 入札データ分析スキル、入札データ分析ではどのような側面を考慮する必要がありますか?

>>: 27の州が旅客路線を再開しました！それはどの27の州ですか?リストを添付します！