ユーザデータに基づく運用（データに基づく運用の理論と実践（実践編におけるユーザ運用））

データベース操作の理論と実践（実用アプリケーションにおけるユーザー操作）

前回の記事では、データを活用して製品運用を推進する方法について説明しました。本日は、データを活用してユーザーの操作を促進する方法について説明します。

1. ユーザー操作とは何ですか?

ユーザーオペレーションとは、ユーザーを中心に据えた運用戦略や仕組みを策定し、さまざまな手段を使って新規ユーザーの獲得、既存ユーザーの維持、ユーザーアクティビティの維持、課金コンバージョンなどの目標を達成することを指します。定義からわかるように、ユーザー操作は、潜在的ユーザー、新規ユーザー、既存ユーザーに至るまで、ユーザーのライフサイクルを中心に行われます。ユーザー操作の焦点は段階によって異なります。同時に、洗練された運用を実現するためには、ユーザーをプロファイリングして分類し、適切な薬を処方し、正確なポリシーを実行し、ユーザー価値と製品価値を高めるというビジネス目標を達成するための適切な対策を講じることも必要であることがわかります。

2. ユーザーの操作を促進するためにデータを使用する必要があるのはなぜですか?

ユーザー操作におけるデータの役割を重視する理由は、データ要素がユーザー操作の意思決定と操作プロセスに次の 3 つの変化をもたらすことができるからです。

（１）ユーザーの洞察：漠然としたものから明確なものへ

データの助けを借りて、より包括的なユーザーラベルを取得し、ユーザー情報のこれまでの盲点を排除し、より明確で鮮明なユーザーポートレートを形成することができます。ユーザーのより詳細な階層化と分類と相まって、ユーザーに対する理解はより包括的かつ明確になります。ユーザーに関する洞察が漠然としたものから明確なものへと変化するにつれ、ユーザーのライフサイクル全体にわたってより正確で効果的な運用戦略を策定するのに役立ちます。

（２）業務上の意思決定：定性的なものから定量的なものへ

これまで、ユーザー運用戦略を策定する際には、経験や衝動、リーダーの指示などに基づいて策定することが多く、十分なデータ分析に基づいた運用判断ができていませんでした。データ分析を基盤として、業務上の意思決定を定性的から定量的へと変革することができます。データ分析に基づいて運用上の決定を下すことで、個人の経験への依存が減り、判断がより正確になり、決定がより科学的かつ合理的になり、運用上の道筋と目標がより明確になることは間違いありません。厳密なデータ分析と議論に基づいて意思決定を行うことで、ユーザー操作時に部門間の意見の相違を解消し、操作の実装に必要なリソースを調整することができます。

（３）運用：大規模から大規模への転換

従来のユーザー操作では、データ認識の欠如やデータ サポート テクノロジの不備により、操作の制御が粗雑で、高度な洗練性が得られないことがよくあります。データ駆動型のユーザー操作により、操作プロセス全体のデータ監視と指標分析が実現し、操作プロセスにおける情報共有がより十分かつ透明になり、各アクションの有効性の評価がよりタイムリーかつ包括的になり、部門間の共同作業の効率が向上します。主要な指標に基づく早期警告により、運用の詳細をタイムリーに調整し、ユーザーのニーズに迅速かつ柔軟に対応し、運用をよりスマートかつ効率的にすることを思い出させることもできます。

データはユーザー業務に非常に多くのプラスの影響をもたらす可能性があるため、当社はデータを使用して業務を強化し、業務を最適化することを推奨しています。

3. データ駆動型のユーザー操作を実行するにはどうすればよいでしょうか?

前述のように、データは核となる手がかりとして、ユーザーのライフサイクルのあらゆる段階に浸透し、ユーザー操作の全プロセスを包括的に監視することもできます。これを踏まえると、データ駆動型ユーザー操作のシナリオは、主に次の 6 つの側面に分けられます。

1. 運用監視: データを使用して運用プロセス全体を監視および指示する

ユーザー操作システムの監視は、ユーザー規模、ユーザー品質、ユーザーアクティビティ、ユーザー価値の 4 つの側面を中心に実行できます。規模はユーザー数に関連し、品質はユーザーレベルと純度に関連し、アクティビティはユーザーの行動活動に関連し、価値はユーザーの消費貢献に関連します。

あるゲーム運営会社のユーザー操作監視指標システムを例にとると、ユーザー操作の有効性や運営の健全性は、規模、品質、活性度、価値の4つの側面から評価できます。

例：ユーザー操作監視表示システム

2. ユーザーの洞察: データを使用してユーザーを表現するラベルシステムを構築する

ユーザーインサイトは、ユーザータグやポートレートモデルと切り離すことはできません。いわゆるユーザーラベリングとは、ユーザー特性の視覚的かつ数学的な概要と表現を指します。いわゆるユーザーポートレートとは、ラベリング手法によるユーザーの分析と説明を指します。ユーザー タグは、ファクト タグ、モデル タグ、予測タグに分かれています。タグベースのユーザーポートレートは、ユーザー操作のさまざまなシナリオを幅広くサポートできます。たとえば、精密マーケティングやパーソナライズされたサービスなどです。

通信事業者のデータを例にとると、人口統計属性、コミュニケーション特性、位置軌跡、対人コミュニケーション、信用情報の 6 つの次元からユーザー ラベルを抽出し、ポートレート モデリングを実行できます。抽出されたユーザー タグは、タグ ワード クラウドの構築に使用できます。ラベル付けされたユーザーポートレートは、ユーザー特性の包括的な理解に基づいて差別化された運用戦略を策定するのに役立ちます。

例: ユーザーペルソナ

3. 正確な顧客獲得: 精密マーケティングモデルを使用して、より多くの新規ターゲットユーザーを獲得する

プレシジョンマーケティングの最も基本的な考え方は、適切な製品を適切なユーザーにマッチさせることです。ユーザータグをフィルタリングして組み合わせることで、商品ポジショニングにマッチしたターゲットユーザーを獲得し、適切なチャネルを通じてリーチしてコミュニケーションを図り、精密なマーケティングを実現します。

通信事業者のユーザータグを使用して「ホワイトカラーローン」を販売する銀行の例を見てみましょう。 「ホワイトカラーローン」とは、貸し手が借り手の信用度や貢献度に応じて、借り手に一定額の人民元信用を提供する信用貸付サービスを指します。借り手は、信用の有効期間と信用限度額の範囲内で、必要に応じて貸し手に指定の目的のための人民元ローンを申請することができます。 「ホワイトカラーローン」の与信限度額は、300,000人民元、200,000人民元、150,000人民元、100,000人民元、50,000人民元です。融資期間は最長3年間で、1回の融資期間は1年を超えないものとします。 「ホワイトカラーローン」の対象利用者は、公務員、教師、医師、企業や機関の中高級管理職などです。これに基づいて、対象利用者の選考のための「3段階」モデルを設計しました。ステップ 1: 許可されるユーザーの範囲を固定し、ユーザーの ID と年齢などをロックします。ステップ 2: 製品要件を満たさないユーザー、特に金融業界のユーザーを除外します。ステップ 3: 質の高い人材を優先し、マーケティングへの反応の可能性が高い人材を優先します。

例: ホワイトカラーローンの精密マーケティングモデル

同銀行が上記の精密マーケティングモデルを適用し、電話マーケティングの対象ユーザーを絞り込んだところ、以前に比べて通話接続率と意向率が大幅に向上し、「ホワイトカラーローン」のユーザー規模も拡大した。

4. サイレントアクティベーション：データを活用してユーザーを活性化できる「興奮ポイント」を見つける

モバイル インターネット アプリケーション開発者は、ユーザーがアプリをダウンロードした後、長時間開かなかったり、アプリの更新に気づかなかったり、アプリ内のアクティビティに参加しなかったりするなどの状況に遭遇したことがあります。このようなサイレント ユーザーをアクティブ化する方法を知ることは、誰にとっても頭の痛い問題です。データ分析手法の助けを借りて、このサイレントユーザーグループの触媒となる習慣と興味を特定し、業界横断的なパートナーと共同マーケティングを実施し、正確なコンテンツ設計とメッセージプッシュを通じてこれらのユーザーを効果的に覚醒させることができます。

ある銀行を例に挙げてみましょう。同銀行は生活福祉アプリを立ち上げたが、一部のユーザーがアプリをダウンロード後に「休眠状態」にしていたことが判明した。アプリは携帯電話にインストールされていましたが、過去 1 年間開かれていませんでした。データ分析により、これらのサイレントユーザーは通常、iQiyiとYoukuのビデオをより頻繁に使用し、韓国ドラマに高い関心を持っていることが判明しました。そこで、同銀行は越境マーケティングでiQiyiなどの企業と協力し、アプリで割引を享受できる活動を開始し、沈黙しているユーザーにターゲットを絞ったメッセージをプッシュした。しばらくすると、沈黙していたユーザーが徐々に目覚め、沈黙していたユーザーの 32% が活性化しました。

APPのサイレントユーザーアクティベーション

5. 在庫管理：在庫を維持し、その価値を高めるために複数の対策を講じる

既存市場におけるユーザー運営については、一方では、既存ユーザーが適切なレベルのアクティビティを維持できるよう、既存ユーザーのケアと維持に重点を置く必要があります。一方で、既存ユーザーの価値を高めるために、クロスセルやアップグレードマーケティングなどの手段を採用する必要があります。

たとえば、アプリの毎日のアクティブ ユーザー数を増やしたい場合、ユーザーの行動とフィードバック データを分析してユーザーの好みの傾向を特定し、「ユーザーの好みに応える」ことでユーザーの好みに応え、シード ユーザーにインセンティブ特典を提供してアクティビティを強化できます。

たとえば、通信事業者はトラフィックを操作する際に、セグメント化されたユーザー グループのコンテンツの好みを調査し、ユーザーに適切なコンテンツを推奨し、ユーザーのインターネット習慣を統合するための高度なトラフィック アクティビティを実行することがよくあります。ユーザーのトラフィックがオーバーフローしていることが判明した場合、すぐにリマインドされ、パッケージアップグレードプロモーションへの参加が促され、グループテキストメッセージや発信通話などの方法を通じて、ユーザーに価値の高いトラフィックパッケージへのアップグレードが促され、ユーザー価値が向上します。

例: データプランのアップグレード手順

6. 離脱警告: ユーザー離脱警告モデルは維持効率の向上に役立ちます

ユーザー減少段階では、多くのユーザー離脱が発生します。ユーザーの離脱を防ぐために、離脱リスクの高いユーザーのリストを見つけるための警告モデルを確立し、これらのリストに対してターゲットを絞った保持戦略を設計し、ユーザーの離脱を最小限に抑えるための適切な対策を実施することができます。

例: ユーザーのオフライン警告インジケーターとルール

通信事業者のユーザー離脱警告を例にとると、過去 6 か月以内のネットワーク全体のすべてのユーザーの通話記録データ、請求書データ、ユーザー情報、パッケージ情報、製品情報、カスタマー サービス センターのインタラクション データなどを収集し、ニューラル ネットワーク、決定木、ルール抽出などのデータ マイニング アルゴリズムを使用して、ユーザーの離脱傾向を予測できます。データ マイニング アルゴリズムは、データ セットから暗黙的なユーザー離脱パターンを抽出し、テスト データ セットを通じてパターンの正確性と安定性を検証します。オフグリッド警告モデルに基づいて、オフグリッド傾向の高いユーザーのリストを取得し、段階的な警告ルールを設定し、これらのユーザーの保持戦略を設計できます。これらの維持戦略は、特定のチャネルとタッチポイントに割り当てられて実装され、最終的にはユーザーの離脱を減らし、ユーザーのライフサイクルを延長するという目標を達成します。

上記の 6 つの側面は、ユーザー操作の主なシナリオの大まかな紹介にすぎません。実際、ユーザー ライフサイクルの各段階で実行できることははるかに多く、データが役割を果たすシナリオも数多くあります。これは単なる出発点に過ぎません。