製品運用の観点からのデータ分析

データ分析とは何ですか?

データ分析は目標であり、ツールであり、考え方です。水仙が水に映るように、データ分析は製品運用の鏡のようなものです。パフォーマンスを反映し、仕事の目標を動機付け、運用結果をテストすることができますが、最も重要なのは、それが仕事の能力であり、考え方であるということです。

データ分析にもライフサイクルがあるとすれば、それは「データを信じる – データを疑う – データを作り直す – データについて考える」ということになります。これはデータ分析のビジネス プロセスであり、データ アナリストの精神的な旅です。また、データ アナリストのキャリア ステージ、つまり新人、初級、中級、上級にも対応しています。

1. カイニャオのスタートアップ：データを信頼する

データ分析を行うには、まずデータを信じなければなりません。資格のある製品運用の新人として、データをさらに調査する前に、まずそれを基準として従い、ベンチマークとして尊重する必要があります。具体的には、日報、週報、月報から始めて、KPIのデータ指標を把握し、主要データを中心に関連データへと広げていくことができます。

例えば、KPI の主要データ指標がシェアデータである場合、それを中心に、シェア者数、シェア数、シェアリターン UV などのセグメント化されたデータディメンションに焦点を当てることができます。アクティブデータはシェアデータと密接に関連しているため、アクティブ性や新規ユーザーの獲得などの関連データにも焦点を当てることができます。

しかし、「データを信じる」というのは、データをデータとして扱うこと、データをデータとして見る、データのためにデータを行うことなど、多くの人が誤解している点です。このようなデータの解釈は表面的なもので、物事の本質に深く入り込むことなく、表面だけに留まります。

最も一般的な状況は、仕事の目標である KPI データを中心に作業し、データによって動かされることは、データの債務者となり、長い KPI の道のりで重い負担を背負っているようなものです。

もう少し高度なアプローチとしては、作業 KPI を大から小、小からミクロへと細分化し、より詳細なデータ次元を通じて作業を実行して KPI 目標を達成することです。

例えば、WeChatグループの「友達数」のデータは、キャンプを開始した友達の数、キャンプを終了した友達の数、1対1の連絡がある友達の数、有料の友達の数などのサブ指標にさらに細分化できます。山登りと同じように、一歩ずつ進んでいけば、最終的には頂上に到達できます。プロセスは少し遅いですが、カタツムリでもピラミッドに到達できます。

2. 初期の変革：データを疑う

信念から疑いへ、これは非常に困難なプロセスであり、世界観を作り直すことと同じくらい困難です。しかし、これは新入社員が中堅社員になるための、蝶に変身するのと同じ、必要な変革期間でもあります。プロセスは困難ですが、見通しは明るいです。この製品運用期間を経て、私は突然の悟りを感じました。

データを疑うということは、主にデータの信憑性と有効性を疑うことを意味します。データソースと統計結果は真実ですか?最終結果はすべて有効ですか?有効なサンプルサイズはどれくらいですか?なぜこのようなことが起こるのでしょうか?

APP を例に挙げてみましょう。製品に残された過去の問題により、登録ユーザーが入力する必要のあるフィールドが変更されました。ユーザー詳細テーブルには欠落しているデータが多数あります。これらの欠落しているフィールドは無効なデータです。

例えば、クレジットカードを申し込む場合、「個人年収」欄は、記入する人の収入が固定されていないこともあり、完全に正確に記入されないことがあります。基本給のほかに、四半期ごとのボーナス、業績ボーナス、年末ボーナス、各種補助金などがある場合があります。

一方、申込者の給与は変動しており、勤続年数の増加や転職により変動します。また、利用者の中には、より高い与信限度額を得るために、虚栄心やわがままから、より高い給与を記入する人もいます。

上記の状況は、データの信憑性を示しています。スポンジが十分な水を吸収すると、当然「重量が増す」ことになります。

では、データの有効性とは何でしょうか?有効性の反対は無効性です。無効データが生成されやすい状況は主に、データサンプル容量が小さすぎたり、網羅性が不十分であったりすることです。例えば、100人の大学生の調査データを使用して数千万人の大学生の学習状況をまとめることは、筒を通して豹を見るようなものです。データサンプルは、事前に設定された条件を満たしていません。例えば、ホワイトカラー層の給与状況を調査しているのに、ブルーカラー層にアンケート調査を依頼しているなどです。また、不適切な調査方法や誤った分析方法などの複雑な要因もあります。

データの信憑性や妥当性を疑うだけでなく、いかなる疑いも捨てず、その疑いの根底を突き止めることで目標を定め、ビジネスにフィードバックする必要があります。

「このようなデータ分析は必要なのか？」「データ分析の結果がおかしいのではないか？」このようなデータに関する疑問を解決するには、部門を超えたコミュニケーションや連携が必要になることがよくあります。このような「データ調査」を通じて、データの裏にある真実を発見し、ビジネスの成長に貢献することができます。

3. 中間の飛躍: データの再構築

状況が改善したら、土地を囲い込んで自分のビジネスを営む必要があります。自己操作は自己満足や自己娯楽を意味するのではなく、自己反省を意味することに留意すべきです。内省を通じてデータ分析の運用レベルを向上させ、独自のデータ思考ロジックを再構築し、独自のデータ分析方法論を確立します。

この段階に達した製品運用では、独自のニーズや目的に応じてデータをフィルタリングして提示することができ、特定のデータに影響を与える主な要因を十分に認識しています。

データのフィルタリングを例に挙げると、さまざまな粒度（日次、週次、月次など）のデータを選択できるほか、データの主要項目（性別、地域、経験年数など）を選択することもできます。

それで、データをどのように提示するのでしょうか?最もよく使用されるのは、絶対数と相対数です。たとえば、業務報告書を作成する際に絶対値は目立たないが、相対的な数値（前月比、前年比など）が非常に目立つ場合は、提示するデータとして相対的な数値（割合、比率など）を選択できます。

データは結果を示しますが、その結果の背後にある理由をどのように分析するかが鍵となります。ビジネスシナリオから真実を見つけ、常識と論理から答えを見つけ、データ結果の背後にある原因を深く掘り下げます。

例えば、全体のシェア数は、ビジネスの観点から見ると、各部分のシェア数を累積したもので、予備的に「全体 = 部分 A + 部分 B + 部分 C +...」とまとめることができます。また、論理的常識に基づけば、アクティブ、新規、オフラインのビジネス シナリオはすべて、データ共有に一定の影響を与えるため、総合的に考慮して全体としてまとめることができます。

4. 高レベルのピーク期間：データを反映する

高度なデータ分析に参入し、キャリアの頂点に達した。この段階での製品運用は主にデータを反映します。つまり、より包括的なアプローチで経験をまとめ、過去のデータ分析事例を再利用可能かつ移転可能な知識資産に変えます。

振り返ってみると、どのデータをより適切に分類、整理、相互分析できるでしょうか?どのデータを製品にフィードバックして反復的な最適化を促進できますか?自動データレポートにできるデータはどれですか?

どのようなデータをデータダッシュボードに作成できますか?実際のビジネス状況を反映し、ビジネスを推進するデータはどのようなものでしょうか? …

このようなデータの問題を深く考察することで、製品オペレーションはデータの経験を整理し、データ要件ドキュメントの作成、BI ツールの最適化の推進、データ分析ツールの使用、データディメンションの整理、データの収集とスクリーニング、データの分解とセグメント化、データの原因の分析、データの結論の要約など、独自のデータ分析手法をまとめます。

データの反映のプロセスは、実際にはすべてを網羅しています。ビジネス、活動、運営、ブランド、市場などの要素はすべて重要な項目です。データの反映は、作業のレビュー、誘導、再利用であり、過去のデータ経験を貴重な個人経験の節約に内面化していると言えます。

データを信じ、データを疑い、データを作り直し、データについて考える。製品運用においては、これはデータ分析作業を行う自然なプロセスであり、新人、初級者、中級者から上級者へのキャリア成長の道でもあります。データ分析の真髄を習得し、変革的な成長を達成するには、経験の蓄積と一貫性と粘り強い姿勢が必要です。

上記はあくまでも私の個人的な意見ですので、ご批判やご指摘をいただければ幸いです。

著者: 李 独々

出典: 李度度