前回は、問題の原因を絞り込む際に、問題ごとに異なるデータ分析手法を使い分けることで、より早く原因を絞り込むことができるというお話をしました。前回は【ファネル分析手法】についてお話ししましたが、今回はさらにいくつかの手法を加えてご紹介したいと思います。

1. 比較分析

比較分析法は、生活や仕事でよく使われます。比較分析法とも呼ばれ、2つ以上の相互に関連する指標データを比較し、その変化を分析し、物事の本質的な特徴と発展法則を理解します。

データ分析では、時間比較、空間比較、標準比較の3 つのカテゴリが一般的に使用されます。

1. 時間の比較

最もよく使用されるのは、前年比と前月比です。一定期間にわたってデータを比較することで、現在のデータ レベルを把握できます。

前年比: 特定のサイクル内の期間を、前のサイクル内の同じ期間と比較します。たとえば、今年の 6 月と昨年の 6 月を比較したり、今週の月曜日と先週の月曜日を比較したりします。

月間比較: 今週と先週など、特定の期間を同じ長さの前の期間と比較します。

前年比と前月比の比較を分析する場合、比較の範囲だけでなく、前年比と前月比をいつ使用するかにも注意する必要があります。たとえば、活動の効果を測定する場合、前回の活動と現在の活動のデータを前年比で分析する必要があります。

ビジュアル出力を行い、前年比や前月比のデータを表示する際に、前年比の計算に慣れていない場合は、BDP の前年比機能を参考にして、データの状況に応じて比較する時間を自由に選択することができます。

2. 空間コントラスト

つまり、同じ時間範囲内の異なる空間指標データと比較するということです。

たとえば、異なる部門、異なる業務担当者、異なる地域などを比較し、たとえば、省間の受注販売データの違いを比較することで、製品の有利な地域を突破口の焦点とし、人的資源と物的資源のバランスをとるべきであると結論付けることができます。

3. 標準比較

ビジネスデータは通常、目標計画を設定します。標準比較は、現在のデータと設定された目標計画を比較することで、現在の開発プロセス、完了の進捗状況などを把握するために使用できます。ギャップを理解した後、戦略を適時に調整できます。

例えば、目標値、平均値、中央値などの基準をチャートに設定し、実際のデータとの標準的な比較を形成して、データの状況を分析します。

2. ユーザー分析方法

ユーザー分析はインターネット運用の中核です。一般的に使用される分析方法には、アクティビティ分析、リテンション分析、ユーザーセグメンテーション、ユーザープロファイリングなどがあります。先ほど述べた RARRA モデルでは、ユーザーのアクティビティとリテンションが非常に重要なリンクです。ユーザーの行動データを分析することで、製品や Web デザインを最適化し、ユーザーを適切に誘導することができます。

通常、私たちは「デイリーアクティブユーザー」や「マンスリーアクティブユーザー」などの毎日のユーザーアクティビティデータを監視して、新しいアクティブユーザーデータや、製品やウェブページがより多くの注目を集めているかどうかを把握します。しかし同時に、新規ユーザーが実際に維持され、常連ユーザーになっているかどうかに注意を払うために、リテンション分析も行う必要があります。リテンションデータは実際のユーザー増加データであり、一定期間にわたる製品の使用状況を反映できます。

アクティブ率とは、一定期間におけるアクティブユーザーの総ユーザー数に対する割合のことです。時間によって、日次アクティブ率（DAU） 、週間アクティブ率（WAU） 、月間アクティブ率（MAU）などに分けられます。

ただし、アクティブ ユーザーの定義は製品によって異なる場合があります。一部のアプリは開かれたときにアクティブとみなされますが、他のアプリはログインしたときにのみアクティブとみなされます...

アクティビティ率はなぜそれほど重要なのでしょうか?

これは言うまでもありません。「新規顧客のコンバージョンコストはアクティブ顧客のコストの約 3 ～ 10 倍である」や「2-8 の原則」は、アクティビティがいかに重要であるかを示しています。オペレーターの重要なKPIですが、その分析方法を本当にご存知でしょうか？

シナリオ例: (1四半期はライフサイクル)

ユーザー A は製品をダウンロードして使い始めました。自分のニーズをすべて満たしていることがわかり、手放せませんでした。ほぼ毎週ログインし、ログイン時間は 2 時間以上でした。

ユーザーBさんは製品をダウンロードして使い始めましたが、数日後に使用をやめてしまいました。製品がアップデートされた後、新機能が素晴らしいと思い、再び使い始めました。その後の使用頻度は2週間に1回程度になりました。

ユーザー C は、オンラインで検索して気軽に登録し、数日間製品を使用したところ、平均的な製品だと感じました。製品に多くの割引やプロモーションがあったため、1、2 回再度使用しました。四半期中に 5 回未満使用されました。

新規ユーザー獲得キャンペーンがあるとき、ユーザーDはアプリをダウンロードして登録した後、アンインストールするか使用を断念し、四半期全体でのアプリの使用回数は0回または1回です。

上記の 4 種類のユーザーは、アクティビティ レベルに応じて次のカテゴリに分類できます。

アクティブユーザー: (ユーザーA)

ユーザーアクティビティパス: 新規-アクティブ-忠実

対策:連絡頻度を確保するが、プロモーションのインセンティブは提供しない

サイレントユーザー: (ユーザー B)

ユーザーのアクティブ パス: 追加-非アクティブ-復帰-アクティブ

対策:連絡頻度を確保し、小さなマーケティング割引を提供する

睡眠中のユーザー: (ユーザー C)

ユーザーのアクティブパス: 追加 - 非アクティブ - 戻る

対策：限定的な接触を抑制し、割引で引き換える

解約期間中のユーザー: (ユーザー D)

ユーザーアクティビティパス: 追加 - 非アクティブ - 失われました

対応策： 「ダブルイレブン」などの大きなプロモーション期間中のみ、連絡をブロックし、ユーザーに通知します。ユーザーのアクティブパスに基づいて操作とマーケティング計画を決定し、ユーザーの最終的なコンバージョンを促進する必要があります。

では、アクティビティ率、保持率、その他のデータが正常かどうかを確認するにはどうすればよいでしょうか? データの変化を示すいくつかの指標に注意する必要があります。

1. 変動幅：短期間で大きな変動があるかどうか

2. 変更の永続性: データの変動は永続的ですか?

3. 変更の規則性: データの変更には一定の規則性がありますか?

4. 各種指標の変化の相関性：同時に上昇と下降、同じ変化傾向など、さまざまな関心指標の変化の間に一定の相関性があるか。

3. セグメンテーション分析

データ分析の概念が広く評価されている今日では、大まかなデータ分析では真の問題発見は難しく、洗練されたデータ分析が真に有効な方法となっています。そこで、セグメンテーション分析法は、元のデータ分析をより深く、より洗練されたものにするためのものです。

例えば、北京のカリキュラム転換状況を分析するには、異なる生徒タイプ、小中高の異なる段階の生徒、北京の異なる地域、海淀、朝陽、西城の異なる状況、異なる科目などに細分化する必要があります。データ分析の過程では、大まかなデータから細かいデータへと進み、大まかなデータを使用して全体の状況を示し、次にローカルに絞り込んで具体的な理由を分析します。

セグメンテーション分析のポイントは、データを分類し、カテゴリごとに個別に分析することです。

実装方法は 2 つあります。

1. 多層掘削

各データ レイヤーをネストし、異なるディメンション データをクリックしてセグメンテーション分析を実行し、マルチレイヤー ドリルダウンを通じてチャート内を直接クリックしてセグメント化されたデータを表示します。各データ レイヤーでは、適切なチャート タイプを選択して表示できます。

2. 掘り下げることに焦点を当てる

フォーカス分析は、データ内の一部の重要なデータに対して行われます。全体分析では、特に気になる一部のデータの詳細を確認したい場合は、フォーカス機能とドリルダウン機能を使用して自由に分析を行うことができます。

4. インデックス分析方法

実際の業務では、この方法が最も広く使用されています。また、他の分析方法を使用しながら、問題の重要なポイントを強調する方法でもあります。平均、最頻値、中央値、最大値、最小値など、統計におけるいくつかの基本的な指標を直接使用してデータ分析を行うことを指します。どの基本指標を使用するかを選択する際には、結果の方向性を考慮する必要があります。

平均: 異なる期間の同じタイプのデータを表示でき、傾向をまとめたり、一般的なルールの問題を見つけたりするのに使用されます。さらに、異なる地域や異なる状況での類似データの違いを比較することもできるため、合計額や個別の値よりも説得力があります。

中央値: 中央値とも呼ばれ、順序付けられたデータ セットの中央の位置にある数値を指します。これは、サンプル、母集団、または確率分布内の値を表し、値のセットを 2 つの等しい部分に分割できます。ソートによって取得されるため、最大値と最小値の影響を受けません。たとえば、今四半期の市場における採用給与を計算する場合、最大値や最小値が少数である可能性があるため、中央値として提示する方が意味があります。

一部のデータの変化は中央値に影響しません。データセット内の個々のデータが大きく変化した場合、中央値はデータセットの中心的な傾向を表すために使用されることがよくあります。

最大値（最小値） :

最大値（最小値）は、多くの場合、データ内の「異常な」状況を示すために使用されます。一部のデータ分析では、外れ値を無視できますが、一部の最大値（最小値）の分析では、影響要因を調査し、ビジネスの成長を促進するための画期的なアクションや回避可能な方法を見つけることができます。

5. ファネル分析

ファネル分析モデルはビジネス分析における重要な手法であり、マーケティング分析で最もよく使用されます。マーケティングプロセスにおける各主要ノードは最終結果に影響を与えるため、洗練された操作が広く使用されている今日の世界では、ファネル分析手法は各変換ノードの効率を把握し、ビジネスプロセス全体を最適化するのに役立ちます。

その中で、私たちは次の 3 つの重要なポイントに注目することがよくあります。

まず、最初から最後までの全体的な変換効率はどれくらいでしょうか?

次に、各ステップのコンバージョン率はどれくらいでしょうか?

3番目に、どのステップで最も損失が発生し、その理由は何ですか?離脱したユーザーの特徴は何ですか?

ファネル分析は、通常、コンバージョン率の問題だけでなく、それ以上のことも解決するのに役立ちます。洗練されたファネル分析は、次のようなことにも役立ちます。

1.ファネル比較分析：違いから最適化方法を見つける。さまざまなユーザーグループとさまざまなマーケティング手法を比較するファネル分析により、ユーザー特性やマーケティング手法のコンバージョンの利点を迅速に発見し、コンバージョンプロセスでさまざまなユーザー向けに最適化できるステップや、マーケティング手法で強化できる領域を見つけることができます。

2.コンバージョン率を使用して、コンバージョンに最も効果的な主要な方法を見つけます。ほとんどの商業実現プロセスは、ファネルに分類できます。通常、コンバージョンを増やすためにさまざまな方法を採用します。ファネル分析は、ビジネスプロセス全体を整理し、最も重要なコンバージョンノードを特定するのに役立ちます。したがって、分析プロセスでは、メインプロセスのコンバージョンに影響を与える他の重要でないプロセスがあるかどうかを確認し、トレードオフと最適化を行うことができます。

ファネルモデルの典型的なケース

AARRR分析モデル

獲得、アクティベーション、維持、収益、紹介、つまり、ユーザー獲得、ユーザーアクティベーション、ユーザー維持、ユーザー収益、ユーザー普及です。

図からわかるように、これは段階的に減少する典型的なファネル チャートです。各リンクのコンバージョン率の変化を分析することで、最終的なコンバージョンを達成するための主要な方法を特定し、継続的に最適化と反復を行うことができます。

インターネット製品が全体的にレッドオーシャンにある現状において、成長の専門家もモデルに新たな考えと最適化を加えています。AARRRモデルでは、ユーザー獲得に最も重点が置かれ、ファネル上部のトラフィックプールを拡大することで最終的なコンバージョンが向上します。現在の市場状況では、顧客獲得は成長の最も重要な指標になることはほとんどありません。再定義されたRARRAモデルは、ユーザー獲得からユーザー維持に焦点を移すのに役立ちます。そのためには、ユーザーアクティビティと維持データにさらに注意を払う必要があります。これは、後で説明するユーザー分析方法の重要な分析指標でもあります。

著者: Little Strawberry?

出典: Little Strawberry?