運用データ分析手法（データに基づく運用）

データ駆動型オペレーション

「

記述統計を使用して指標の特性を迅速に評価し、分析の方向性と突破口を見つけた後、多次元分析と相関分析を使用して指標の変化の理由を突き止める必要があります。

「

この記事では、主にDAUレポート、公会計の年間閲覧量、ビジネスコンバージョン率の3つのケースに多次元分析手法を適用し、それぞれ分析手順と理由を分析します。

1. 多次元分析の定義

データ駆動型操作で最も頻繁に使用され、広く使用されている分析方法: 多次元分析。その機能は、主に次の 2 つの方法を含め、より多くの視点と次元から問題を検討するのに役立ちます。

• キャリバー分析：指標のビジネスキャリバーから理由を分析する
• ディメンションドリルダウン：指標の細分ディメンションから問題の原因を分析する

多次元分析では、口径分解と次元掘削という 2 つの手法を使用して、物事の原因に影響を与える主要な要因とつながりを論理的に表示し、問題を 3 次元化します。

2. キャリバー分析：指標のビジネスキャリバーから理由を分析する

指標の口径に基づく分析方法は、さまざまな種類の指標に適しています。 DAU、MAU、登録ユーザー数などの概要指標が含まれます。維持率、コンバージョン率などの比例指標。

事業範囲には当然他の指標も含まれるため、含まれる他の指標から理由を見つけることができます。

• 要約指標は通常、他の指標の算術集計から導出されます。そのため、サマリー指標に変更があった場合には、指標体系における指標の定義に従って、それを構成するサブ指標を確認し、これらのサブ指標の変更を分析して理由を探ります。

よく知られている DAU を例にとると、DAU は典型的な要約指標であり、一般的な口径は次のとおりです。

DAU = その日に追加された新規ユーザー + 前日に保持したユーザー + 静かに目覚めたユーザー

したがって、DAU が変化する場合は、そのキャリバーの 3 つのサブ指標の変化を分析して変化の理由を判断します。

【事例1 情報フロー製品のDAUレポート】

下の図は、情報フロー製品の DAU レポートです。 DAUの変化に影響を与える要因を見てみましょう。

ステップ 1: 「アクティブ ユーザー数」のボックス プロットを作成し、データの特性と外れ値があるかどうかを確認します。

この指標には、異常に大きい値が 1 つと異常に小さい値が 2 つを含む、3 つの異常値があることがわかりました。次の分析の方向性は非常に明確であり、これら 3 つの外れ値の原因について詳細な調査を実施します。

ステップ2：異常に大きな値が出現したのは2019年6月6日であることがわかりました。その日のDAUは432,510で、前月比16%の増加でした。

ステップ 3: 前月比の成長率は非常に高いです。 「当日追加された新規ユーザー数、前日維持ユーザー数、当日覚醒ユーザー数」の指標のうち、どの指標が前月比でより大きな成長を示したかを見てみましょう。

そこで、2019 年 6 月 6 日に次のことがわかりました。

同日の新規ユーザー数は前月比20.8%増加

昨日の継続ユーザー数は前月比-0.3%増加しました

同じ日に起床したユーザー数は前月比127.7%増加

私たちはビジネス上の結論を導き出しました。2019年6月6日のDAUの大幅な増加は、その日のサイレントウェイクアップユーザーと新規ユーザーによるものであり、その中でもサイレントウェイクアップユーザーの影響が大きかったということです。

そのため、サイレントユーザー操作を担当する学生とコミュニケーションを取り、以前に何らかの覚醒活動が行われ、DAUが大幅に増加したかどうかを確認する必要があります。

• 比率指標

比率指標は通常、他の指標を割ることによって得られます。したがって、比率指標が変化すると、指標システムにおける指標の口径の定義に従ってサブ指標を決定し、これらのサブ指標の変化を個別に分析して理由を見つけます。

電子商取引の運営において、購入コンバージョン率は重要な指標であり、その水準は通常次のようになります。

購入コンバージョン率 = 支払いに成功した人数 / 商品を閲覧した人数

購入コンバージョン率が変化する際には、一般的にキャリバー分析に基づくと次のような状況が考えられます。

1. 購入コンバージョン率が向上し、支払い成功数が増加し、商品を閲覧する人の数が増加、減少、または同じままでした。
2. 購入コンバージョン率が上昇し、支払い成功数が増加、減少、または同じままになり、商品を閲覧する人の数が減少する。
3. 購入コンバージョン率が低下し、支払い成功数が減少し、商品を閲覧する人の数が増加、減少、または同じままになります。
4. 購入コンバージョン率が低下し、支払い成功数が増加、減少、または変化せず、商品を閲覧する人の数が増加します。

【事例2 公文書の閲覧率の分析】

公開アカウントが2018年通年のツイート閲覧データを収集しました。閲覧率がどのように分析されるか見てみましょう。

元の詳細データから、読み取り率のピボット テーブルを作成しました。読み取り率は、読み取り回数/配布回数に基づいています。

2018 年第 2 四半期の読書率は他の 3 四半期よりも 20% 近く高いことがわかったので、下図に示すように、各四半期の平均読書量と平均配布量をピボット テーブルに追加しました。

第 2 四半期の読書量と配布量は、第 1 四半期と比較して次のようになりました。

視聴回数は34,584回から31,136回に減少し、9.9%の減少となった。

発行部数は218,152部から162,633部へ減少し、25.4%の減少となった。

明らかに、読書量（読書率の分子）の減少はツイート量（読書率の分母）の減少よりもはるかに小さく、これはユーザーの読書習慣やツイートの質に明らかな変動はないが、ツイート量は大きく変動していることを意味します。

ツイートの送信数はフォロワー数と密接な関係があるため、第 2 四半期にフォロワーが減少したかどうか、またはツイートの送信数が大幅に減少したその他の理由があるかどうかを引き続き調査する必要があります。

特に注目すべきは、指標の口径に基づいて指標の変化の理由を分析すると、さまざまな状況があるように思われることです。実は、こうした状況は尽きることなく、実際の業務運営においては、すべての状況の発生確率が均等に分布しているわけではなく、1～2 の状況に集中しているため、口径に基づく分析方法は非常に効率的です。

3. キャリバー分析：指標のビジネスキャリバーから理由を分析する

「ディメンション ドリルダウン」を使用して指標の変化の理由を分析するということは、指標が変化したときに、指標に関連付けられたディメンションに基づいて変化の方向を分析するとともに、粗いディメンションを細かいディメンションに徐々に絞り込むことで、理由を正確に判断することを意味します。このプロセスを「ディメンション ドリルダウン」と呼びます。

この分析方法は、あらゆる指標、特に原子指標に適用できます。原子指標は分解できず、指標の口径から原因を見つけることができないためです。唯一の方法は、関連する次元から理由を見つけることです。

ディメンション ドリルダウンには通常、日付ドリルダウン、地理ドリルダウン、カテゴリ ドリルダウン、顧客グループ ドリルダウン、プロセス ドリルダウンなどの方法が含まれます。今日は、日付のドリルダウンとプロセスのドリルダウンに焦点を当てます。他のドリルダウン方法の使用方法とロジックはこれら 2 つと変わらず、同じように適用できます。

• 日付ドリルダウンは、その名前が示すように、日付ディメンションをドリルダウンすることです。年、四半期、月、日などの日付フィールドを使用してレイヤーごとにドリルダウンすると、よりきめ細かい分析が可能になり、指標の変化の理由を判断するのに役立つより詳細な情報が得られます。

【事例3：公的アカウントの年間読書量データ】

上記の公式アカウントの例に引き続き、日付ドリルに基づいた分析方法を見てみましょう。

まず、元の詳細データから日付と読書量のピボットテーブルを作成しました。行は日付になっており、平均読書量はデフォルトで四半期ごとに表示されていることがわかります。第 3 四半期には平均読書量の伸びが鈍化したことがわかりました。

この時点で四半期の観点から分析すると、日付の粒度が粗すぎて、より有効な情報が得られません。四半期から月へと掘り下げてみます。面白いことが起こりました。第 3 四半期の 7 月、8 月、9 月まで詳細に調べたところ、8 月の平均読書量が大幅に減少し、明らかな谷が形成されていることがわかりました。基本的に、第 3 四半期の減少は 8 月のデータの低下が原因であると結論付けることができます。

しかし、8月の寸法はまだ少し粗いです。分析の方向性が見つかったとしか言えないので、引き続き日付ディメンションを掘り下げて、8 月のどの日に平均読書量が減少しているかを確認します。

明らかに、8 月には 4 日間ツイートを投稿しており、8 月 7 日と 8 月 16 日の平均読み取り値は 8 月の月間平均読み取り値よりも低くなっています。基本的に、この 2 日間のツイートに問題があり、それが 8 月の平均値を下げた可能性があると判断できます。

根本的な問題は発見しましたが、原因はまだ見つかっていません。どのツイートの閲覧数が最も少ないかを調べるには、さらに詳しく調べる必要があります。

8 月 7 日 (613) と 8 月 16 日 (795) のセルをダブルクリックして、対応する詳細データを表示します。

• 明らかに、8月7日にはツイートが4件あり、ツイート2と3の閲覧量は非常に少なく、300件強に過ぎず、平均閲覧量をはるかに下回っています。

• 8月16日は5件のツイートがありました。見出しを除いて、残りの 4 つのツイートの読者数は非常に少なかった。

そこで、これらのツイートの読者数が少ない理由を検証・分析し、今後同様の問題を回避するために経験をまとめてみましょう。

このケースで紹介した日付ドリルダウンに加えて、よく使用されるドリルダウンには、地理ドリルダウンやカテゴリ ドリルダウンなどがあります。ドリルダウン プロセスは日付ドリルダウンと同じです。

地理的ドリルダウンは、eコマースの売上データ分析で、都市クラスターから州、都市、地区へとドリルダウンして原因を見つけるためによく使用されます。

カテゴリ ドリルダウンは、電子商取引やコンテンツ プラットフォームでよく使用されます。下の図に示すように、第 1 レベルのカテゴリから第 2 レベルのカテゴリ、さらに第 3 レベルのカテゴリへとドリルダウンして、データの変更の理由を段階的に見つけます。カテゴリ ドリルダウンは、コンテンツ プラットフォームでもよく使用されます。第 1 レベルのチャネルから第 2 レベルのチャネル、さらに第 3 レベルのチャネルへとドリルダウンして、コンテンツの読み取りやクリックなどの指標の理由を見つけます。

• プロセスドリルダウン

プロセス ドリルダウンとは、ユーザー プロセス内の全体プロセスを経てサブプロセスまで段階的にドリルダウンし、プロセス内のさまざまな指標の変化の理由を分析することです。最も一般的なシナリオはファネル分析であり、通常はコンバージョン率と解約率を調べます。

【事例4 ファネル下のコンバージョン率分析】

コンバージョン率を例に挙げてみましょう。ドリルダウン プロセスは、ファネル全体のコンバージョン率からファネル内の各ステップのコンバージョン率まで行われます。このプロセスでは、どのステップのコンバージョン率の変化が全体のコンバージョン率の変化を引き起こすかを調べます。

まず、全体のコンバージョン率の時間的傾向から、12月5日のコンバージョン率が大幅に低下していることがわかりました。その理由を突き止めるために、下の図に示すようにプロセスを掘り下げ、ファネルの各ステップを詳細に調べてコンバージョン率を調べます。 12 月 5 日の最初のステップのコンバージョン率が大幅に低下し、それが 12 月 5 日の全体的なコンバージョン率の低下の原因であると結論付けるのは簡単です。

実際の製品運用業務では、プロセスを掘り下げて特定の業務プロセスにおけるユーザー損失を見つけ、ユーザーポートレートに基づいてリテンション戦略を策定することがよくあります。

例えば、ある金融商品の融資業務プロセスでは、全体的なコンバージョン率が徐々に低下していることがわかりました。そこで、私たちは融資ビジネスのファネルを詳しく調べたところ、プロセスの最後から2番目のステップで多くのユーザーが離脱し、全体的な融資コンバージョン率が低下していることを発見しました。

そこで、この段階で離脱するユーザーのポートレート分析を実施し、製品側にリテンションポップアップの仕組みを設けます。つまり、ユーザーがこのプロセスを 15 秒以上継続するか、戻るボタンをクリックすると、ユーザーを保持するためのダイアログ ボックスがポップアップ表示され、保持権限がダイアログ ボックスで設定されます。この仕組みを追加した後、ビジネス全体のコンバージョン率が約14％増加し、その効果は非常に明白でした。

実際、多数のディメンションがドリルダウンをサポートしています。たとえば、ユーザー デバイスの場合、ブランドからモデルまでドリルダウンできます。ブラウザの場合は、タイプからバージョンまでドリルダウンできます。製品バージョンの場合、メジャー バージョンからマイナー バージョン、さらに小さいバージョンへとドリルダウンできます。

すべてを掘り下げることができると言っても過言ではありません。さまざまな次元で継続的にドリルダウンすることで、正しい分析方向で指標の理由を効率的に見つけることができます。

読んでくれてありがとう、

多次元分析は、データ分析全体の中で最も魅力的なプロセスです。完全かつ厳密な指標システムでは、指標に関連付けられたディメンションと属性が明確に定義されるため、ビジネス ロジック、データ情報、問題の原因についてより適切に検討できるようになります。

特に、初めて新規事業を引き継ぐ場合には、事業運営指標システムを取得できれば、すぐに事業に着手でき、データ分析の仕組みも確立できます。しかし、指標システムがない場合はどうでしょうか?それでは、少し時間をかけてチームと一緒に構築してください。これは、ビジネス開発やロングテール効果に非常に有益なデータ作業です。