データ分析の操作方法（データ分析：核となる考え方の3つのステップ）

データ分析: コア思考への3つのステップ

編集者注: データは製品のあらゆるプロセスにおいて重要な役割を果たします。では、データに問題がある場合、どのように効果的なデータ分析を実施し、最終的に問題を解決できるのでしょうか?この記事では、著者は比較的構造化されたソリューションを提供しており、それが皆さんの役に立つことを願っています。

製品、運用、マーケティングのいずれの部門に所属していても、次のような状況によく遭遇しますか?

• 新しい製品や機能を発表するときは、全体的なパフォーマンスとセグメント化されたディメンションの両方を見て、製品/機能の効果を監視する必要があります。
• マーケティング キャンペーンを計画する際には、キャンペーンのターゲット ユーザー グループを特定し、どのソリューションが最高のキャンペーン効果をもたらすかを特定する必要があります。
• あるチャネルを立ち上げると、そのチャネルの ROI に大きな変動が生じ、そのデータ変動の原因を突き止める必要があります。

問題を一つ一つ分析していく明確な方法がなければ、現在の問題を解決しても、新たな問題に遭遇したときに途方に暮れてしまいます。したがって、製品、運用、マーケティングのいずれの場合でも、データ分析は必須科目です。

本質的に、データ分析の最終的な目標は問題を解決することです。

取り組んでいるプロジェクトに専用のデータ分析プラットフォームやデータの背景がない可能性もありますが、データによって提示される問題をどのように解決するかを考えることを妨げるものではありません (Excel を使用すると、遭遇する多くの問題を解決できる可能性があります)。

本日ご紹介したいのは、職場でデータの問題に遭遇したときに、そのデータの問題を分析する方法です。

問題を解決することが目的なので、問題を解決するためのアイデアも含まれていなければなりません。

前回のプロジェクトマネジメント試験の【問題解決ツール】を紹介します。データに関する問題を解決する際に、構造化されたソリューションアプローチを採用するのに役立つことを願っています。

問題を発見したり課題に直面したりしたときは、構造化された問題解決アプローチを使用すると、主に次の中核となるアイデアを含む長期的かつ効果的な解決策を開発するのに役立ちます。

一般的に使用されている閉ループ反復フレームワークであるデミング サイクル PDCA も、問題を解決するための方法であり、日常業務に適用して構造化された思考を行うのに役立ちます。

主に、計画 (Plan)、実装 (Do)、確認 (Check)、実行 (Act) の 4 つのステップが含まれ、これらがサイクルで繰り返されて継続的な改善が行われます。

実は、T（考える）思考と要約のリンクを追加することができます。

問題解決ツールとデータ分析の共通プロセスを組み合わせることで、データ分析の核となるアイデアを抽出できます。

すべての分析の源泉は、解決すべき重要な問題が何であるか、そしてなぜそれが最も重要なのかをまず特定することです。それが何であるか、なぜそれが重要であるかを判断すると、データ分析の目的が徐々に明確になります。

1) X問題を定義するテクニック

問題の種類に応じて、次のように「どのように、かどうか、なぜ」を含む疑問文を使用できます。

• 検証タイプ- 仮説と複数の可能な解決策を使用して、結果を検証します。「戦略 A、B、C のどれがコンバージョン率を向上させることができるか」 「戦略Aはコンバージョン率を向上させることができますか？」
• 原因を見つける- 特定のデータが劇的に変動した場合、その背後にある理由と解決策を見つけます。「コンバージョン率が急激に低下した理由は何ですか?」
• 予測タイプ- 「学生の休暇がコース販売コンバージョン率に影響するかどうか」など、次に何が起こるかを予測するために、起こっていることのパターンを見つけます。

2) 質問は具体的かつ広範すぎないものにしてください。そうしないと、データ収集が難しくなります。例えば、ある商品のデータは改善されましたか?

したがって、問題 X を定義し、データ分析の目的を明確にした後、問題がどこにあるのかを探し始める必要があります。したがって、データ分析にはいくつかの方法があります。一般的な分析方法をいくつか紹介します。

1) フルリンク分析

一般的なフルリンク解析である、よく知られているファンネルモデルや AARRR モデルなど、リンク全体の各ノードを分析します。

ビジネスモデルにおけるユーザーライフサイクルや製品ライフサイクルだけでなく、製品の各ノードや全体の運用についても分析を行います。

フルリンク分析の中心的な手順は次のとおりです。

1. リンクのキーノードを分類し、キーノードのデータインジケーターを決定します。
2. 各主要ノードのデータインサイトを実施して問題点と成長点を特定する

2) 構成因子分析

特定の分類基準に従って、全体的な目標をさまざまなコンポーネントに分解します。全体的な目標では、目標を達成した結果しか見えず、どのように達成されるか、および実装の詳細は見えないからです。

因数分解のヒント:

3) インパクトファクター分析

多くの場合、要因が結果に与える影響は、構成要素のような定量的ではなく定性的なものであり、そのため、結果を複数の要因の合計に完全に分解することはできません。このとき、影響因子分析を使用して、結果に影響を与える要因をリスト化し、1つずつ分析することができます。

例えば、売上高は製品、会員、顧客サービス、トラフィック、活動などの要素によって影響を受けますが、売上高 = 製品 + 会員 + 顧客サービス + トラフィック + 活動とは言えませんよね?

4) 列挙法

このデータに影響を与える可能性のあるすべての要因を簡単かつ大まかにリストします。列挙方法には、おそらく次の 3 つのステップがあります。

リスト化する際に、親和図法を使用したり、カテゴリ別にリスト化したりすることもできます。

また、ソートの考え方（特定の指標を降順または昇順に並べる）も必要です。たとえば、競合他社の自然検索キーワードを分析する場合、大量のデータに直面したとき、まず、最大の利益をもたらすためにデータのどの部分に焦点を当てるべきかを判断します。

たとえば、競合する Google オーガニック検索キーワードのトラフィックを分析すると、次のようになります。

• さまざまなキーワードを分類して列挙します（非ブランドワードとブランドワードは何か）。
• 異なるカテゴリの単語のデータを並べ替えます。
• 非ブランド語を検索ボリュームの降順で並べ替えて、ユーザーが最も多く検索する単語を確認します。
• ブランド ワードのトラフィック (%) を降順に並べ替えます。どのブランド ワードがトラフィックの最大の割合をもたらすかを確認します。

優れたデータ結論とは、大量のグラフを取得することではなく、価値のある結論を取得することです。 「終わりを念頭に置いて始める」という考え方を養い、最終結果から始めて、プロセスや原因を逆に分析し、重要な要素を見つけ、結果を達成して問題を解決するための対応する戦略を採用します。

では、どうすれば価値あるデータから結論を導き出せるのでしょうか?一般的にはいくつかのステップがあります。

1. ビジネス目標を明確にする。
2. 「増減」分析：利益を増やし、損失を減らします。利益の増加、つまり収益の増加、コンバージョン率の改善、エクスペリエンスの最適化、ユーザー エンゲージメントの向上など。損失を削減する、つまり故障率や解約率などを削減する。
3. ビジネスを分析する (ステップ 2: 問題を特定し、根本原因を特定する);
4. 結論を裏付けるデータを提供します。

この記事はもともと @璇哥 によって Everyone is a Product Manager に掲載されました。無断転載は禁止です。

タイトル画像はCC0プロトコルに基づいたUnsplashからのものです