ユーザーアクティビティの低下を分析・判定！

ユーザーの行動データは、インターネット時代のユーザーを理解し認識する上で基盤となるものです。まず、私たちの業務はユーザー中心ですが、ユーザー分析の観点からは、主に以下の2つのモデルが考えられます。

1 つ目は、皆さんによく知られている「ページ分析モデル」です。中国では、主に Umeng と Baidu Statistics が代表的です。これはページ ジャンプを中心に展開し、分析に役立つデータを収集します。これにより、新しい問題が発生します。ユーザーがこのページに留まる理由がわからず、ユーザーが見たものや得たものを正確に復元できません。そのため、このページ分析モデルは詳細度が十分ではなく、柔軟性も十分ではありません。

2 つ目のタイプは、ユーザー認知に基づく行動イベント分析モデルです。ページ分析と比較すると、ユーザー行動分析モデルはデータ収集においてより包括的かつ柔軟です。

私たちは通常、運用を行う際に、アクティビティの整理、コンテンツの作成、新規顧客の誘致やアクティベーションの促進などのビジネス目標に沿ったコピーライティングの設計、ユーザーにプッシュするターゲットを絞ったアクティビティの設計など、多くのことを行います。また、多くの運用方法に注意を払い、人間の視点からさまざまな運用戦略を設計する必要もあります。

つまり、私たちは、ユーザーに製品と私たちの事業の価値を認識してもらいたいという願いから、これらすべてのことを行っています。しかし、私が聞きたいのは、私たちが行ったこれらのことが私たちの期待と同じであるかどうかご存知ですかということです。

この質問に答えるために、まずは運用の有効性を評価するために必要なデータを見てみましょう。通常、私たちは累計ユーザー数、アクティブユーザー数、リテンション、滞在期間などを調べます。これらは私たちがよく使う指標の一部です。

すると、私たちが多くのことを行う理由は、これらのデータをより良くするためだけではないのかと疑問に思うかもしれません。これらのデータの改善は、当社のビジネスが繁栄していることを証明しているので、これらの指標は正確で価値があると言えます。しかし、問題は、期待するデータ特性が表示される前に、ユーザーが本当にあなたのしていることを認識できるかどうかです。

もう 1 つの簡単な例を挙げると、アプリのプッシュによってアクティブ ユーザーが急増する可能性があります。これらのアクティブ ユーザーは、プッシュが特にタイムリーで関連性が高く、製品にアクセスした後に欲しいものを手に入れたと感じているでしょうか。それとも、プッシュを見た後に非常に動揺して嫌悪感を覚え、製品を確認するためにクリックしてからアプリをアンインストールするでしょうか。

したがって、私たちの焦点は、少なくとも運用中にプロセスに集中するために多くのエネルギーを費やすことです。正しいパスを通じてデータ指標を達成する必要があります。OKRであれ目標であれ、正しいパスを通じて達成することが私たちの重要なポイントです。

では、私たちがやっていることが正しい方向に向かっているかどうかは、どうすればわかるのでしょうか?ページ上でのユーザーの行動（「いいね！」、閉じる、不満を言う、アプリを離れるなど）を通じて、パスが正しいかどうか、期待に応えているかどうかを評価する必要があります。

事例を一つお話ししましょう。これは実際の事例であり、背景にあるのはコンテンツ製品です。

ある日、コンテンツオペレーションディレクターが緊急で私のところに来て、ホームページの見出しの読了コンバージョン率という指標を監視していたが、最近このコンバージョン率が低下していると話しました。さまざまなプランを試しましたが、改善されていないことも多くありました。しかし、全体的な製品の健全性の観点からは、ユーザー数が増加し、リテンションもわずかに増加しました。

この観点からすると、ユーザーは比較的健全なはずなので、特に今は矛盾が生じています。これらのデータをまとめると、理解できないのです。ユーザーはアクティブであるのに、なぜ読書コンバージョン率は下がり続けているのでしょうか。

コンテンツ製品として、ユーザーがコンテンツを閲覧したり読んだりしていない場合、ユーザーは何をしているのでしょうか? この時点で、誰もが何らかの憶測を抱くでしょう。例えば、何らかの宝くじ活動が人々を交流エリアに誘導したのか、見出しがあまり魅力的ではないのか、コミュニティグループ内で何らかの争いがあり、誰もが見出しを読む時間がないのか、などです。少なくとも、本当の理由が誰にもわからないため、的を絞った調整を行うことはできません。

問題は、どのようなデータと分析機能が必要なのかということです。私はクライアントのコンピューターを使用して、クライアントのサイトで 1 時間半かけて分析を行いました。そのロジックを簡単に説明しましょう。

まず、問題の核心を特定する必要があります。先ほどの説明から、問題の核心はホームページの見出しの閲覧率が低下したことであることがわかります。さて、この時点で、まず記事閲覧イベントの基本統計を見て、見出しの品質に本当に問題があるかどうかを確認します。しかし、一人当たりの平均閲覧量は減少しておらず、以前のコンテンツ調整の時間ノードによると、まだ浮き沈みがあることがわかりました。これは、コンテンツの制作方法とコンテンツの品質が良好であり、ユーザーからの反応を得ていることを証明しています。

見出しを読まなかったユーザーには何が起こったのでしょうか?

ここでもう少し詳しく話したいことが 1 つあります。見出しを読んでいないユーザーには何が起こったのか、と私が結論付けたのはなぜでしょうか。平均読書量はどれくらいですか?一人当たりの平均閲覧量とは、記事を読んだユーザー数、つまり記事を読んだユーザー総数を記事を読んだユーザー数で割った数を指します。一人当たりの平均閲覧量が減少していない場合、記事を読んだ人々は依然として真剣に記事を読んでおり、あなたに惹かれていることを証明しています。

読書の変換率が低下する場合、唯一の可能なソースはどこでしょうか?

これは、見出しを読んでいないユーザーが増え、全体的なコンバージョン率が低下している可能性があることを意味します。そこで、見出しを読んでいないユーザーに問題があることを突き止めました。このとき、ユーザーグループ化機能を使用して、見出しをトリガーするイベントを条件として、2つのグループに分割することができます。

見出しを 1 回以上読んだユーザーを対象に「見出しを読んだユーザー」というユーザー グループを作成し、次に見出しを読むトリガーの回数が 0 回という条件に基づいて「見出しを読んでいないユーザー」というユーザー グループを作成し、これら 2 つのユーザー グループを比較することができます。

ユーザーポートレートを通じて、いいね、コメント、プライベートメッセージなど、製品内のいくつかの重要な動作を含め、これら 2 種類のユーザーの新規追加時間、地域、チャネル ソース、バージョンなどを比較しました。

最終的に、Toutiao を読んでいないユーザーは、実際には全体的な行動があまりアクティブではないことがわかりました。記事に「いいね！」したり、プライベート メッセージを送信したりする活動が十分ではありませんでした。最終的に、この問題を新しいチャネルにロックし、チャネル A と名付けました。

このチャンネルに何か問題があるようです。見出しを読んでいないユーザーのほとんどは、過去 7 日間にこのチャンネルから来ました。

これを踏まえて、私は推測しました。チャネル a のユーザー品質に問題があるのでしょうか? 過去 7 日間のチャネル a のユーザーをグループ化し、同じグループ化ルールに従いました。次に、すべてのユーザーの平均と見出しのコンバージョン率と比較したところ、チャネル a の平均値がはるかに低いことがわかりました。これで、チャネル a のトラフィック品質が実際に比較的低いという仮説を立てることができます。

この時点で、彼らは非常にアクティブで、保持力と活動性も良好であるのに、なぜまだ品質が低いと言うのかと疑問に思う人がいるかもしれません。

私たちはどんな製品を作るときも目標を念頭に置いています。そうでなければ、製品を作るという当初の意図にはならないでしょう。どの会社も多かれ少なかれこのようなことに遭遇しており、これまでずっと全員が消極的でした。そのため、当時この結果を見て全員が非常にイライラし、苦労の末にコンテンツの問題だと思っていたのに、実際にこのチャンネルに登場してしまうとは予想していませんでした。

チャネルを評価するためにリテンションと滞在時間を使用するのはやや信頼性が低く、今後は主要な行動をトリガーする条件を追加する必要があると考えました。実際、プロセス全体でグループ化を多用していることがわかります。グループ化は、比較という非常に基本的な分析方法を表しています。比較に基づく分析は、非常に基本的ですが、絶対に効果的な分析手段です。

まとめると、データの本質はシーンの復元であり、それがデータの背後にある最大の価値です。結局のところ、私たちはユーザーに真に同行することはできず、ユーザーの行動を少しずつ観察することは困難です。そして正直に言うと、ユーザーと一緒にいて、彼の使用シーンを観察したとしても、反映された行動は必ずしも実際の行動ではないかもしれません。

実際、データは私たちにとって鳥瞰図のようなものです。すべてのユーザーの状況を記録し、統計的手法でデータの傾向を示すことができます。データのニーズに関しては、ユーザー中心である必要があります。最も重要なことは、データを柔軟に分割して分析を実行できることです。オペレーターがこれらのニーズを満たすデータを取得できれば、すべてのオペレーション担当者の効率が確実に向上し、最も価値のあることにエネルギーを集中できると信じています。

著者: 諸葛 io

出典: Zhugeio