生放送ルームデータモデルの分解！

10,000 語を超えるこのデータ分析記事では、ライブ放送データの世界にご案内し、ライブ放送プロセスにおけるデータの問題を専門家の観点から包括的に解釈します。

なぜデータ分析を行うのでしょうか?

それはデータ分析のためですか、それとも遭遇した問題を効果的に解決するためですか?

この問題を明確に理解して初めて、毎日放送した後、生放送のレビューのように見えても、実際には何も問題を解決できないことに気付くでしょう。

本当にデータ分析が可能なチームは、データの 3 つのレベルを理解する必要があります。

まず、一般的なレビューでは結果を提示することしかできず、問題の本質に到達することはできません。

ライブブロードキャストデータには、トラフィック、ユーザー、製品、コンテンツ、配信、ファネル、アンカーなどの 10 個のモジュールが含まれます。優れたデータ分析は、単なる要約プレゼンテーションではありません。

第二に、タイムラインとクロスデータ分析がないため、最適なソリューションに近づくことが不可能になります。

ライブデータのどの要素も、単一の時間枠で見るだけでは意味がありません。パターンを発見するには、定期的に前年比や前月比のデータを導入する必要があります。

ライブ放送データのどの要素も、一方向の次元から見るのは意味がありません。たとえば、フローレートを考慮せずにオンラインデータを見ると、何が見えるでしょうか?

第三に、データ分析の焦点は、モードや段階が異なるアカウントごとに異なる必要があります。

ライブ放送の方法が異なれば、焦点となるデータも異なり、段階の異なるアカウントも焦点となるデータも異なります。データ分析では、規模の大きさではなく、正確さだけを追求します。

以下のデータ分解は、上記 3 つのポイントを統合し、データモジュールの観点からデータモデルを産業的に分解します。

1. レビュー要約表のモジュール

ライブ放送の直感的な分析にはデータ要約表が必要です

日々の分析では、レビューテーブルをトラフィックデータ、ユーザーデータ、トランザクションデータ、製品データの 4 つのカテゴリに分けます。

トラフィックデータには、視聴者、ピーク値 (オープニング、クロージング、人気、平均)、フローレート (オープニング、ミッドゲーム、クロージング) が含まれます。

ユーザーデータには、滞在時間、インタラクション数とインタラクション率、ファン数とファン増加率、グループ数とグループ増加率、古いファン数と割合が含まれます。

取引データには、GMV、千件の取引、UV値、視聴コンバージョン率、クリックスルーコンバージョン率、古いファンの取引比率が含まれます。

商品データには、売れ筋商品、販売数、販売人数、返金率、返金総額、返金回数などが含まれます。

上記の 4 つのモジュールをまとめると、基本的にライブ放送のデータを見ることができますが、前述したように、データ分析の結果はデータを取得することではなく、データの潜在的な問題を分析することです。

問題を発見するにはどうすればいいでしょうか?

最も簡単な方法は、タイムラインを組み合わせて複数のデータを周期的に配置することですが、問題が発生します。

ストアバックエンドは大容量のデータディスクを提供していますが、セクターデータの比較分析が欠けています。電子商取引コンパスが非常に機能的であると思わないように注意してください。実際には、開発者はユーザーの視点で問題を考えたことがありません。積み重なった多数の機能の多くは非常に強力に見えますが、実際には役に立たないものです。

したがって、最善の方法は、データディメンションに独自の基準を設定し、バックグラウンドでデータをダウンロードし、タイムラインに従ってテーブルを作成することです。

タイムラインを比較することで、期間中にどのデータが増加し、どのデータが異常であるかがわかります。分析のロジックを説明するために、いくつか例を挙げてみましょう。

1) 開通流量とオンラインフローデータの分析

誤解している人がいます。アカウントのウェイトの成長を比較するとき、全体の視聴者数、フロー率、GMV の規模を比較するのが好きです。しかし、より正確な観点から見ると、オープニングの急速なフローの規模の方がウェイトをよりよく表すことができます。

オープニングフローレートとオンラインデータを使用して、定期的に重みの変化を確認できます。一般的に、アカウントが増加傾向を示している場合、オープニングラピッドフローは基本的に安定しているか増加していますが、重みが下降する場合は、複数の低下が発生します。

2) ユーザーデータにおけるユーザー行動の分析

コールドスタートした新しいアカウントの場合、ライブブロードキャストの推奨を取得したい場合は、インタラクティブ指標を増やす必要があります。次に、表で、保持率、インタラクション率、ファン変換率、グループ変換率の増加を確認する必要があります。これは、コールドスタートが上昇しているかどうかを判断するための適切で直接的な方法です。

コールドスタートで失敗したアカウントの場合、インタラクティブデータレイヤーでインジケーターのスパイラル上昇が確実に欠落していることがわかります。客観的なデータ分析と組み合わせることで、たとえばアカウントに問題があるかどうかなど、トレーダーやプラットフォームが責任を負う主観的な仮定を大幅に減らすことができます。

3) 取引データにおける取引指標の分析

視聴エントリー率は、映像（生放送・ショートビデオ）の品質を表します。トラフィック構造が変わらない場合、視聴エントリー率は低下し続けます。ショートビデオトラフィックに重点を置いている場合は、作品の誘導に偏りがないか検出する必要があります。前川配信の場合は、配信コンテンツにどのような問題があるかを検出する必要があります。

4) 商品データにおける返金指標の分析

1週間のデータ統計によると、GMVは安定または着実に上昇している段階にあるが、返金率の増加率が取引率よりもはるかに高いと仮定すると、返金率の上昇につながった要因を分析する必要があります。モデルの変更によるものか、ライブ放送ルームのリズムレンダリングの問題によるものかです。

最近の配送環境の異常性を考慮すると、返金指標を定期的に分析することがさらに必要になります。配送環境において、疫病による配送遅延の影響、または先行販売モデルにより、返金率が急上昇していることが明らかな場合は、配送エリアの調整に影響を与えるか、配送規模を縮小するかを検討する必要があります。

上記を覚える必要はありません。全体的なレビューの体系性とデータ情報マイニングの方法を表現したいだけです。

上記のすべてのデータがイベント後からイベント中に変更された場合、その意味は変わるでしょうか?

露出エントリー率をリアルタイムで最適化できますか？はい、クリックスルーコンバージョン率をリアルタイムで最適化できますか?確かに、GPM 自体はリアルタイム最適化に使用されるのではないですか?

レビューが途中でなくなった後、データレビューは2/8ルールです

時間的に見ると、ほとんどの時間をイベント後のレビューに集中させていますが、解決する問題は 20% 未満です。イベント中 (リアルタイム) のレビューは、その場での分析のように見えますが、アカウントの問題の 80% を解決できます。

1 点目では、レビュー概要表でレビューの根本的な問題は解決できると述べましたが、問題の本質をさらに深く掘り下げるには、多様化したセクターデータを組み合わせる必要があります。

私のレビューフレームワークには、トラフィック、ファネル、配信、コンテンツなど複数のモジュールがあります。これは、すべてのモジュールデータを分析する必要があることを意味しますか?

答えはノーです。各ライブ放送ルームには独自のトラフィック、製品、運用システムがあります。この部分に関して、セクションデータの使用に重点を置いている方法を詳しく説明します。

2. トラフィック構造モジュール

日々のデータ分析では、トラフィック構造には、自然な推奨、スクエア、ショートビデオ、前川、先心推、注目、検索などのチャネルが含まれます。同時に、各チャネルの下では、タイムラインを使用して、トラフィック、インタラクション、トランザクションデータを定期的に比較します。

単一構造のトラフィックであれば、トラフィック構造分析を行う必要はありません。たとえば、アクティビティアカウントの作成と注文保留方式を備えたライブブロードキャストルームは、基本的に自然なトラフィックに依存しており、トレーダーとしては、統計に頼らずに、各ライブブロードキャストの推奨の割合を覚えておくことができます。

もう1つの例は、Qianchuanの個別製品です。これらは基本的に有料トラフィックに基づいています。Qianchuanの生産部分のデータを改善することに集中するだけで十分です。分析するデータの種類が多すぎると、無駄になるだけでなく、時間コストも増加します。

しかし、ショートビデオトラフィックと自然推奨トラフィックと前川トラフィックの両方が存在するような多様化したトラフィック構造である場合は、トラフィック構造のデータ分析を行う必要があります。

分析を行わない場合、どのような結果が生じますか?隠蔽の例を見てみましょう。

例えば、1週間のデータが急激に減少した場合、合計表だけではどの部分が変化したのかわかりません。この場合は、交通構造のブロックデータを使用する必要があります。

当初は配信側に問題があると思っていたのですが、チャンネルを確認してみたところ、自然なおすすめが減っていることが分かりました。

例えば、露出エントリ率が急激に低下しており、合計表だけでは判別できない場合は、トラフィック構造のブロックデータを利用することで、動画トラフィックの急増など、特定のチャネルのトラフィックの変化が全体の露出エントリ率の低下につながっていることが分かります。

トラフィック構造サマリーテーブルは、アカウントのトラフィックチャネル分布を反映できます。自然な推奨を主に頼るライブブロードキャストルームの場合は、自然なトラフィックの増加率とそれに応じたトラフィック量を常に観察する必要があります。

トラフィック構造分析によっても問題を解決できます。各チャネルのトラフィックシェアに加え、各チャネルのトラフィック品質やもたらされるトランザクション量に関する詳細な情報を取得できます。これは、トラフィックサポートに重点を置くための重要な参考資料となります。

3. 製品データモジュール

日次データ分析では、商品分析では、単発商品、主力商品、7日間商品、15日間商品の4つの軸に分けて分析します。それぞれの軸ごとに、日次分析の理由を説明します。

シングルゲーム分析では製品のスケジュールを解決でき、7 日間の分析では製品のグループ化を解決でき、15 日間の分析では製品の品質を解決でき、キー分析では売れ筋製品を解決できます。

シングルゲーム分析は、終了したばかりのショーの製品データの分析を指す製品スケジュールを解決します。そのディメンションには、露出クリックスルー率、クリックスルー率、未払い注文率、返金率などが含まれます。

1回のライブ放送を分析することで、開店段階の商品データや発注期間中のさまざまな商品の変換効率を把握でき、多様なデータの組み合わせが可能になります。

滞在時間とインタラクションデータを組み合わせることで、最初の商品を交換する必要があるかどうかを判断できます。商品のクリックスルー率とクリックスルーコンバージョン率を組み合わせることで、最適な注文期間中にどの商品を用意すべきかを判断できます。

7日間の商品グループ分け分析とソリューションは、7日間のデータディメンションの沈殿を通じて、ライブ放送室が比較的安定した商品データを形成することができ、どの商品に重点を置く必要があるか、どの商品を削除すべきかというデータが検証されたことを意味します。

15日間の商品分析と解決は、商品のアフターセールスの観点から行われます。ユーザーが注文してからアフターセールスまでの期間は基本的に終了しています。生放送室は、返品、アフターセールスコストなどの観点から、過去15日間の商品を判断し、製品を再度開く必要があるかどうかを判断する必要があります。

ホット商品の分析と解決の焦点は、取引量が最も多い商品を指します。一般的に言えば、それらをホット商品として分類します。ただし、ホット商品にはライフサイクルがあります。商品のクリック、取引コンバージョン、取引額、取引シェアの観点から商品の盛衰を分析する必要があります。

一般的に、人気商品が衰退すると、取引データにおけるシェアも減少します。このとき、ライブ放送室が行うべきことは、新たな人気商品を育成することです。

上記の4つの次元の製品分析に基づいて、単一製品のライブ放送ルームの場合は、単一製品のデータ分析をうまく行うだけで十分だと思います。複数カテゴリのライブ放送ルームの場合は、すべての次元を分析する必要があります。

製品分析に関しては、ストアのバックエンドは比較的詳細な製品コンパスを提供していると思いますが、初心者にとってはまだ十分に使いやすくはありません。構造化された分析が必要な場合は、私の毎日のスプレッドシートを参照することをお勧めします。

4. ショートビデオデータモジュール

日常のデータ分析では、ショート動画の場合、自然な流れのショート動画と配置ショート動画を区別する必要があります。

自然に流れるショート動画のデータ分析は、すべての生放送ルームで行う必要はありません。例えば、オーダーを控える生放送ルームの多くは、動画トラフィックにまったく注意を払っていません。ショート動画のデータを分析する意味は何でしょうか？

ショートビデオ分析は、主にショートビデオを特集するライブ放送ルームに焦点を当てています。データは主に 2 つのディメンションに分かれています。最初の部分はアカウント品質ディメンション、2 番目の部分は製品品質ディメンションです。

アカウント品質ディメンションには、ショートビデオの毎日の再生量、完了率、いいね率、コメント率、転送率、フォロワークローズ率などが含まれます。重み付けされたデータは、競馬のメカニズムと組み合わされて、基本的にアカウントのトラフィックレベルを決定します。

売上の質的側面には、生放送露出、生放送取引率、対応する生放送取引額などがあり、これらはショートビデオ作品の生放送ルームへの貢献率を最もよく反映します。

私は、短いビデオデータのポイントをカウントするためにテーブルを使用することに慣れています。Doudian Compass のバグは、データを 1 つの次元でしか整理できず、複数の要素を組み合わせてデータを整理できないことです。

日常生活において、短編動画データはどのように活用されるのでしょうか？日常生活でデータを活用して短い動画の意思決定を行う方法について詳しく見ていきましょう。

1) ショートビデオチームのパフォーマンスを評価する

ショートビデオチームの評価は、作品の質と彼らがもたらす成果物の質によって決まります。

この部分のデータは Doudian Luopan のビデオポートから取得されます。2 つの次元のデータは上記にリストされています。必要なのは、毎日の評価データ標準、最小ライン、高報酬ラインを策定し、チームに KPI を中心に実行するように要求することです。

2) Doujiaに作品を配置するかどうかを決定する

ショート動画の再生完了率、再生回数の増加、インタラクティブデータは、基本的にアカウント品質の観点から動画のボリューム生成能力を反映していますが、これだけでは十分ではありません。ショート動画のGPMと取引額を組み合わせて、収益の可能性があるかどうかを判断することも必要です。

ショートビデオが短期間で増加し続け、1,000件の取引が1日の平均売上データよりも高い場合は、少額の重複投資を通じてROIをテストし、プラスであれば再投資を続けることができます。

3) ダークホースとなる短編ビデオはどれですか?

表の逆選択ツールの助けを借りて、トラフィック数をマイナス、ライブ放送ルームのGPMと取引額をプラスとすることで、コントラストを形成し、GMVは低いが取引率が高い作品であるショートビデオのタイプを導き出すことができます。

このタイプの作業では、支払いを通じてトラフィック規模を拡大し、また、少額の投資で ROI をテストすることもできます。プラスであれば、投資を継続できます。

4) エラー訂正ビデオテンプレート

良い作品とは、爆発的なアクセス数と高額取引の両方を兼ね備えたものでなければなりません。しかし、作品によってはアクセス数が多くても実際の取引額が非常に少ないものも少なくありません。

露出率が低い/エントリー数は多いが取引額が低い作品は、作品の内容よりも形式を重視し、商品のセールスポイントの探究が不足しているため、ユーザーが作品を見た後に離脱してしまうことがほとんどです。このような作品が長期間発見された場合は、再度最適化するか、テンプレートを構築するかを選択できます。

上記は、自然なショートビデオトラフィックのデータ分析です。配信素材のショートビデオについては、後続の銭川記事シリーズで別途展開する予定です。

5. ファネルデータモジュール

日々のデータ分析では、マーケティングファネルは上から順に、露出エントリー率、商品露出率、商品クリックスルー率、注文作成率、注文コンバージョン率に分割されます。

ライブブロードキャストルームはマーケティングファネルの影響から逃れることができないため、すべてのライブブロードキャストルームにデータセクションが必要です。

前回の記事「100以上のライブブロードキャストルームを最適化した後、このファネルモデルを作成しました」では、具体的なマーケティングファネル分析方法について説明しました。この新しいトピックに関連して、引き続きいくつかの追加を行っていきます。

閉ループライブ放送室データ検証方法は、データの提示 - 問題のマイニング - ソリューションの組み合わせ - 最適化のフォローアップです。

ファネルに適用すると、各レベルのデータが基準値と比較され、データが異常かどうかが調べられます。このとき、各円の値が減少した理由を調べる第 2 ステップに入ります。

ファネルの最適化は比較的複雑ですが、多くの要因を定性的に分析できます。たとえば、露出クリックスルー率は、商品ディスプレイのビジョン、アンカーのガイダンス、フィールドコントロールのクリックなどの要因によって影響を受けます。別の例は、注文コンバージョン率です。これに影響を与える要因には、アンカーのセールストーク、価格要因、アフターサービスのリマインダーなどがあります。

唯一判断が難しいのは、マルチチャネルトラフィック下での露出エントリ率です。この部分は、この章の冒頭で細分化されており、つまり、トラフィックチャネルテーブルを使用して各部分の露出エントリ率を確認し、ターゲットを絞った最適化を実行します。

これまでのファネル分析では、クラブはファネル最適化表を公開しました。初心者の方は、最適化マップを直接参照できます。

ファネル分析の難しさの一つは、基準値を設定することです。例えば、各レベルの効率性についてどのような結果を達成すべきかなどです。

この問題は実はとても簡単に解決できます。以下の表に従って、1 週間分のファネルデータを週ごとに入力し、今週の各レベルに最適な指標を翌週のターゲット指標として使用します。

表の計算式を使用すると、新しい週のゲームが以前の最高指標を超えた回数を確認できます。超過数が多いほど、方法が検証され、データが最適化されていることを意味します。効果が良くない場合は、引き続き戻って問題層を確認してください。

6. ユーザーデータモジュール

日々のデータ分析では、ユーザーデータはトランザクション、非トランザクション、ファン、非ファンの 4 つのカテゴリに分類されます。ただし、具体的な使用状況に応じて、各ディメンションには異なる細分化シナリオがあります。

過去 1 年間のストアの最も優れた機能はユーザーデータです。ユーザーデータは主に 3 つの方法で使用されます。

1) ユーザータグの成長

新規アカウントのコールドスタートから受け入れ、そして人気商品のテストまでのプロセスは、ライブブロードキャストラベルの垂直化のプロセスです。毎日の電子商取引の大画面には基本的なラベルしか表示できません。アカウントの最近の詳細なラベルを表示するには、電子商取引コンパスの群衆のポートレートをクリックしてください。

このセクションでは、Luopan はユーザーレイヤーの基本属性、コンテンツの好み、購入の好み、および 8 つの共通グループを紹介します。ただし、これらのデータは単一の次元から見ると意味がありません。なぜでしょうか。

たとえば、ライブブロードキャストルームで現在やり取りしているユーザーのタグが大規模なコンバージョンをサポートできるかどうかを確認したい場合は、単一のディメンションで表示するのではなく、データを比較し、コンテンツが到達するユーザーを選択して、消費者グループと比較する必要があります。

一般的に言えば、コンテンツがリーチする視聴者が消費者プロファイルに近いほど、ライブ放送ルームはより肯定的になり、コンバージョン率はよりスムーズになります。そうでない場合は、コンバージョンギャップの問題について考える必要があります。

同様に、「商品展示群」と「商品取引群」のポートレートを比較することで、すでに取引を完了した人々のユーザーポートレートがどのようなものかを確認できます。これにより、商品の選択方向や配信の方向性について適切な決定を下すことができ、ユーザー層と取引層の空洞化を回避できます。

2) ユーザータグの修正

ライブ放送室には正確なラベルというものはありません。ラベルは常に変化しています。イベントや大規模な取引のスケジュールが間違っていると、ラベルがずれてしまうことがあります。

日常生活では、生放送のラベルが突然不正確になるケースが確かにあります。この場合、知覚層で判断できない場合は、Compass のユーザーデータを使用して分析できます。

どうやってやるんですか？過去 1 日または 7 日間に製品に触れた集団を選択し、過去 30 日間に製品に触れた集団と比較すると、集団ラベルの変動を明確に確認できます。

古いファンの割合が高すぎる、自然な推奨の割合が低い、新しいファンの転換率が低すぎる状況では、シーンと群衆のポートレートを使用して多要素比較を行う必要もあります。古いファンのポートレートはどのようなもので、それをどのように維持しますか？新しいファンの転換率は低い、新しいファンだが転換していないユーザーのポートレートはどのようなもので、マッチングソリューションは何ですか。

3) ユーザータグ配信

ストアのバックエンドの正確な人々のグループは、Qianchuan と組み合わせてプッシュして使用できますが、使用戦略にはデータの選択が含まれます。

通常、Qianchuan のバックエンドプランはすべて 1 つの製品に対して作成されます。製品母集団パッケージはそれぞれ異なります。バックエンドで選択する場合、バックエンドポートレートを直接インポートすることはできません。代わりに、最初に製品母集団を入力し、単一の製品ディメンションを選択してから、単一の製品ディメンションに基づいて選択する必要があります。

単品クラウドパッケージの場合、ABテストでは、クリック、カートに追加、取引完了するクラウドを選択してバッチテストを行うことをお勧めします。一般的なクラウドパッケージのプッシュはより正確であり、より競争力のある入札と組み合わせることで、ボリュームを測定すれば良好な生産を達成できます。

4) ライブ放送ルームでユーザータグを管理する

これは、部分的には、アイアンファンシステムで使用される戦略に対応するためです。アイアンファン戦略は、単にファングループを維持するだけでなく、ユーザーを階層的に管理します。

データは、ライブ放送の観客に関する洞察を通じて取得でき、ユーザーをファンとトランザクショングループ、ファンと非トランザクショングループ、非ファンと非トランザクショングループの 3 つの主要グループに分類します。

これら 3 つのグループは、それぞれレベル 1 から 3 のユーザーのポートレートを表しており、ライブブロードキャスト戦略では、異なるポートレートに基づいて対応するメンテナンス対策を採用できます。

7. Qianchuan Dataのモジュール

日々のデータ分析では、Qianchuan のキャンペーンには、計画サイクル分析、マーケティングファネル、リアルタイム分析、データポイント、事故分析が含まれます。

1) 計画周期分析

Qianchuan データを分析する方法はいくつかあります。データポイントがプランのライフサイクルから切り離して判断できるとは思いません。これは、私が示した例のようなものです。

人間の行動の観点から見ると、大人と子供は一つのことに対して全く異なる反応を示します。例えば、子供が食べたくない場合、それは子供が空腹ではないからかもしれませんが、大人の場合は機嫌が悪いのかもしれません。

そのため、同じデータパフォーマンスに対して、一律に原因を分析することはできません。代わりに、すべてのバックエンドプランをサイクルに分割し、サイクル内のデータパフォーマンスに基づいて差別化された処理を行うという効果的な方法があります。

銭川が作成したすべての計画は、新しい段階、栽培段階、成熟段階、衰退段階、活性化段階、および死の段階に分けることができます。

新製品発売時期に大量の新企画が発売されたとき、まだ消費がない、または消費が少ない状態です。この場合、分析を行う必要はありません。優先すべきは、入札を通じて価格を引き上げ、入札リスクを排除することです。2番目は、賢く量を増やし、方向性リスクを調整することです。そうして初めて、材料を交換することができます。

潜伏期間中、消費を増やす計画が現れ始めますが、データは多様性を示しています。消費はしているが生産は低い、消費と生産は適格、消費と生産はわずかに低い、消費は安定しているが生産は変動している、消費は変動しているが生産は安定しているなどです。さまざまな状況については、以前の投資分解で答えを出しており、次の銭川シリーズの記事で詳細な分解を行います。

成熟段階とは、不安定な段階を過ぎたことを意味します。適格な生産を基礎として、消費は安定して増加しています。この部分で行う必要があるのは、材料と計画の価値を継続的に深く掘り下げ、差別化された複製を作成することです。

衰退段階とは、プランがライフサイクルの終わりに入ったり、プランが衰退したり、素材が衰退したりすることを意味しますが、本質的には競争力の低下であるため、価格を上げて競争力を高めたり、賢く量を拡大してより多くの人々を開拓したりする必要があります。

活性化期は、不況期戦略の後に回復のチャンスがまだある計画であり、この段階では計画は絶望的な状況に追い込まれ、ROIが減少するまで継続的に価格を引き上げ、売上を増やします。

デスステージとは、いかなる最適化によってもプランの体積が増大し続けることができないことを意味し、爆発的な体積を持つマテリアルモデルを継続的に継承するために、マテリアルの分裂と再撮影が再度実行されます。

2) マーケティングファネルの最適化

最初からすべてのバックエンドプランにサイクル管理を実装することで、プランの効果をリアルタイムで最適化できます。ただし、キャンペーンはキャンペーン自体によって完全に決定されるわけではなく、ライブ放送室の人、商品、場所も関係します。そのため、ライブ放送室のマーケティングファネルを分析する場合は、Qianchuanの独立したマーケティングファネルを分解する必要があります。

方法論は上で概説されているため、このセクションでは詳細には説明しません。

3) リアルタイムデータ分析

銭川は、定期的な最適化計画に加えて、リアルタイム配送プロセス中にデータをリアルタイムで調整する必要があり、大量のデータが関与します。日常配送でビッグデータスクリーンをどのように使用するかを見てみましょう。

千川大画面のコアデータは、広告制作、露出エントリー率、エントリーコンバージョン率、GPM、オンラインユーザー数、滞在時間で構成されています。

市場全体のROIは段階的な結果に過ぎません。最も確認すべきは、前川の主な消費計画のタイムシェアリング生産であり、これに基づいて計画を調整するかどうかを判断します。

露出進入率は、現在の素材の品質を測定します。直接投影スクリーンの場合は、パラメータ値を事前にライブ放送進入率の高電圧線として設定し、ライブ放送中にデータの変化に応じてリアルタイムでライブ放送のリズムをガイドします。

取引率は GPM と合わせて見る必要があります。異なる価格帯の製品は、この 2 つに異なる影響を与えます。注文ランキングが高いと取引率は低下することが多いですが、一定の確率で GPM は増加します。

オンラインユーザー数は、フローレートとGPMと組み合わせる必要があります。オンライン数を分析することは、現在の消費速度を分析することではなく、現在のオンライン状態で正常なGPMが保証できるかどうかを分析することを意味します。各アンカーのフローレートは異なります。最大300人のオンラインユーザーを処理できるアンカーもあれば、最大50人を処理できるアンカーもあります。

ホストの収容能力に関しては、高いフローレートが発生し、トラフィックを収容するためにホストを置き換えることができない場合は、恐れることなくトラフィックを引き受けるよりも消費を減らす方がよいことに注意することが重要です。

大画面では、トラフィックのソースを気にする必要はありません。マーケティングファネルは今日のレビューで確認でき、上記の要件に応じてリアルタイムで最適化できます。クリエイティブソートについては、プランの背景を入力してリアルタイムソートを表示します。放送後、今日のレビューのショートビデオ素材ライブラリ分析に直接ジャンプします。

企画の仕分けも同様です。大きな市場はキャプチャと表示のためだけのもので、最適化のためにバックグラウンドでより多くの作業が行われます。商品の仕分けについては、複数の商品がリリースされる場合は、ライブ放送の終了とリリースの終了を一致させるために、ライブ放送室と常に連絡を取り合うことが重要です。

4) データポイントと事故分析

このパートでは、主に、上記ではまとめきれない日々の配信におけるデータ問題やアカウント異常などを、マイニング可能なデータの分析を通して取り上げます。銭川シリーズは4月から執筆していきますので、次回以降の記事をご覧ください。

8. アンカーデータモジュール

日々のデータ分析では、アンカーのデータ層の分析には、トラフィック誘致力、維持力、インタラクション力、ファン誘致力、コンバージョン力、トラフィック効果の 5 つの側面が含まれます。

私はこれをアンカーの 5 つの力のモデルと呼んでいます。

トラフィック誘引能力とは、ホストがライブ放送ルームにユーザーを誘引する能力を指します。具体的なデータは、ライブ放送ルームの入場率です。

ユーザー維持能力とは、ホストがユーザーを引き付けてライブ放送ルームに留まらせる能力を指します。滞在時間が長いほど、維持能力が強くなります。具体的なデータは、ライブ放送ルームに滞在する時間の長さです。

インタラクティブ能力とは、ホストがユーザーを惹きつけ、いいねやコメントを促す能力を指します。具体的なデータには、コメント率やいいね率が含まれます。

ファン獲得力とは、ホストがユーザーの注目を集め、ファングループを形成する能力を指します。具体的なデータには、ファン増加率とファングループ増加率が含まれます。

コンバージョン能力とは、ライブ放送ルームでユーザーを誘致して取引を行うホストの能力を指します。具体的なデータはクリックスルー率、GPM です。

あらゆるライブ放送室で使用できるアンカートレーニングとPKツールのセットです。

個人のライブ放送ルームであれば、キャスターがライブ放送を開始した日から、データテーブルにキャスターの5大能力指標を記録し、指標ごとにキャスターの長所と短所をランク付けし、毎週キャスターのライブ放送ルーム効果を継続的に最適化することができます。

カルーセル型のライブ放送ルームの場合は、ストアの背景を通じてアンカーを監視するか、サードパーティのデータツールのフィールド制御機能を使用してアンカーのタイムシェアリングライブ放送記録を監視し、データをドラッグしてダウンロードすることができます。

さまざまなアンカーのデータを通じて、さまざまなアンカーの機能セクションが完全に異なり、最適化して異なる方法で使用できることをより現実的に発見できます。

最適化の面では、指標上の欠点を持つアンカーは、強みを持つアンカーを参考にし、ベンチマーク学習を通じて欠点を最適化するように促すべきです。応用の面では、重要なセッションのアンカーについては、コンバージョン能力の高いアンカーを選択してサイトに留まり、さまざまなアンカーの長所を十分に発揮させることができます。