データが業務を推進する方法（データを通じてビジネス開発を推進する方法）

データを通じてビジネス開発を推進する方法

近年、モバイルインターネットの急速な発展に伴い、ビッグデータの概念がますます普及し、多くの企業がデータに基づく経営を推進しています。それでは、今日はデータ管理についてお話ししましょう。

まず、データ管理に関する誤解を見てみましょう。

大量のデータがあっても、それが必ずしもビジネス開発を促進できるわけではありません。データがビジネスにうまく適用されない要因が数多くあるからです。

（１）要因１：データ品質の問題

一方で、多くの企業は、データを収集する際に、シミュレーターやウールパーティがボリュームをブラッシングするなど、多くのダーティデータを収集します。不正行為防止識別が実行されない場合、このデータをフィルタリングすることは困難になります。一方、データを収集する際には、標準化された定期的なレポートが実現されません。そうすると、データマイニング分析を行う際に有効な情報を得ることが難しくなります。データの正確性と安定性は、データ サイエンス管理の基礎です。これら 2 つの点が満たされない場合、ビジネス上の意思決定に多くの問題が生じます。

（２）要因２：データはビジネスと密接な関係がない

データは、ビジネスに強く関連している場合にのみ価値があります。私たち自身も多くの指標を持っており、おそらく 70 を超えます。ただし、日常の分析では、そのうちのいくつかを頻繁に使用します。その他の場所はほとんど訪問されないか、時間の経過とともに徐々に放棄されるでしょう。

（３）要因３：データ収集は簡単だが、活用は難しい

テンセントは長年データ分析に携わり、多くの経験を積み重ねてきました。独自の分析システムが完備しているので、当然データ活用にも問題はありません。しかし、中国移動、中国聯通、中国電信などの通信事業者や保険会社、銀行など、多くの伝統的な企業は、この問題について特に困惑しています。大量のデータを持っているが、それをどう扱えばよいか分からない。このように盲目的にデータを収集することは、実のところあまり意味がありません。

必ずしもそうではありません。アナリストはビジネスを理解していないことが多く、機械的な分析結果しか提供できず、ビジネス開発を効果的に導くことができないからです。

たとえば、当社では以前、ビジネス開発に役立つアイデアやガイダンスをさらに提供したいと考え、アナリスト チームをビジネス運営に導入しました。しかし、しばらく分析してみると、効果はあまり良くないことがわかりました。その理由は、アナリストは通常​​、レポート ディメンションのデータに基づいて分析結果を提供するからです。たとえば、データに突然の変動があった場合、アナリストはそれが休日によるものだと考えるかもしれませんが、実際には業務全体でどのような活動を行ったかはわからない場合があります。そのため、データ分析とビジネスは分離されています。

この問題を解決するために、私たちは新たな試みをしました。私たちはデータ分析チームとビジネスチームを集め、パイロットを実施するための共同プロジェクトチームを立ち上げました。その後、アナリストが各指標を設計する際に最前線の運用スタッフとコミュニケーションをとったため、結果は非常に効果的であることが判明しました。

• 実際のユーザーの行動はどのようなものでしょうか?
• これらのデータはどの期間、どのようなシナリオでトリガーされますか?

このようにして、目標を達成することができます。

誰もが毎週、あるいは毎日、このような分析レポートを作成していると思いますが、私たちの分析結果は本当に対象ビジネスにとって最適なソリューションなのでしょうか?結果は否定的なものになることが多いです。ここでもいくつか問題があります:

（１）問題１：分析次元が単一であり、結論を支持するには不十分である

バージョン、チャネル、地域、デバイス属性、特定の動作特性など、分析の次元は多数あります。現在、すべての APP 分析は基本的にバージョンとチャネルという 2 つの次元に基づいています。カスタムイベントの場合、イベントIDのみで分析すると、制限するためのパラメータが足りず、分析結果のサポートや判断が難しくなります。

（２）問題２：データ品質が分析結果に影響を与える

分析結果がビジネス開発を効果的に反映し、効果的な最適化戦略を提供できるかどうかを判断する重要な要素の 1 つは、データの品質です。データの品質が標準に達していない場合、データに基づく分析結果は大幅に低下します。私たちが接するアプリの多くは、程度の差はあれトラフィックの急増を経験しています。こうしたデータは、企業に経済的損失をもたらすだけでなく、通常のデータにも影響を与え、データ分析を困難にします。

こうした誤解を認識した上で、どのようにすれば科学的にデータ管理を行うことができるのでしょうか?

科学的なデータ管理には、包括的なデータ分析だけでなく、データ分析の結果に基づいたアクションがさらに重要です。したがって、以下では、データ収集、データ分析、アクション戦略、迅速な実行という 4 つの側面からデータ管理のアイデアについて説明します。

現在収集しているディメンションには、基本データ統計、ユーザー属性、ユーザーソース、ユーザー行動、モデルデータが含まれます。

（１）基本データ

基本データは、新規追加、アクティビティ、起動数、保持など、私たちが毎日確認するデータです。

（２）ユーザー属性

Tencent Mobile Analysis がカバーする多数のアプリと Tencent のビッグデータの利点に基づいて、さまざまな人々のグループに異なるラベルが抽出されます。

ユーザー属性には、性別、年齢、職業、学歴、興味、趣味などの基本的な自然人属性が含まれます。さらに、ユーザーが使用するモデル、ブランド、ネットワーク方式などのデバイス属性分析も実行されます。

（３）ユーザーソース

これは、ユーザーがどこから来たのかを分析するのに役立つ非常に重要な指標でもあります。ここには多くのディメンションが存在する可能性があります。たとえば、チャネルは 1 つのディメンションであり、バージョンもディメンションであり、リージョンとモデルも異なるディメンションとしてカウントできます。

（4）ユーザーソース

ユーザー ソースは、ユーザーに対する製品の粘着性を分析し、製品パスを最適化するのに役立ちます。これには、ユーザーの使用時間、使用頻度、ページアクセスパスなど、大量のデータが含まれます。行動に関しては、報告されるデータは標準的かつ規範的である必要があり、それが後の分析に役立つことを強調したいと思います。そうしないと、最後に収集されたデータは単なるダーティデータとなり、その後の分析には意味がなくなります。

（５）モデルデータ

モデルデータは、基本的なデータ分析に基づいた高度なモデルであり、ユーザー向けにさらに高度な分析を実行できます。新規ユーザー獲得モデル、アクティベーションモデル、チャーンモデルなど、ユーザーライフサイクルの各段階ごとにモデル分析を行います。

データ自体には価値がなく、分析にのみ価値があります。

分析を行う際には、主に以下の側面が含まれます。

• 多次元クロス分析
• ユーザーグループ分析
• 製品品質分析

データ分析を行う場合、多次元クロス分析は優れた分析方法です。データの全体的な傾向を見ると、事業展開において問題があるのか​​、チャンスがあるのか​​は分かりますが、どこに問題があるのか​​、どこにチャンスがあるのか​​は分かりません。私たちは、チャネル、バージョン、国、デバイス属性、自然属性などの多次元ドリルダウン分析を推奨します。これらはクロス分析の次元として使用でき、最終的に問題がどこにあるのかを特定できます。

ユーザー人口分析は、さまざまなグループの人々の属性特性と行動特性を分析するのに役立ちます。異なる人口特性に基づいて差別化された運用戦略を策定し、運用効果を最大化します。

製品品質分析は、当然のことながら、アプリのクラッシュ状況、電力消費、ネットワーク速度などのデータを含む、製品の品質を測定するために使用されるデータ指標です。

データ分析の結果に基づいて、問題や機会を発見した後、まずいくつかの行動戦略を策定する必要があります。このステップは、データ分析とアクションのギャップを埋めるための鍵となります。新規顧客獲得戦略、アクティベーション戦略、失客リコール戦略など、ライフサイクル管理の一般的な戦略を例に挙げてみましょう。

戦略が策定されたら、次のステップはそれを迅速に実行することです。アクションは、データ分析の結果と戦略の有効性を検証するための最終ステップです。速く走れば走るほど成功する可能性が高くなるため、うまく実行することが非常に重要です。テンセントは、小さなステップを踏み、迅速に繰り返すという原則も遵守しています。スピードさえ確保できれば、ミスをしても大丈夫です。

これまでデータ管理の誤解や考え方についてお話ししてきましたが、次はデータ運用システムを0から1に構築するにはどうしたらいいのかについてお話ししましょう。

私はデータ分析のニーズを持つ多くの開発者と接してきましたが、最初はどのようなデータを収集してカウントするかが特に明確ではないため、この領域での計画が非常に必要です。特にデータ構築の初期段階では、指標を明確に定義する必要があります。そうしないと、後のデータ分析段階で問題が発生しやすくなります。

もう一つは寸法設定です。バージョンとチャネルに加えて、地域、モデル、ネットワーク タイプなどのカスタム属性を追加することもできます。設計するディメンションが多ければ多いほど、その後のデータの精緻な分析に役立ちます。新しい追加を例に挙げてみましょう。新規追加が急速に減少していることに気付くかもしれません。バージョンとチャネルの 2 つの次元のみを設計すると、この 2 つの次元からのみ分析できます。より深いドリルダウン分析を行いたい場合、ポジショニングを続行することはできません。

最後の重要な要素: 更新サイクル。データがリアルタイム、毎日、毎週のいずれで更新されるかにかかわらず、事前に計画する必要があります。データ計算には多くのリソースが消費されるため、最も価値のある場所で最適なリソースを使用する必要があります。

指標を計画したら、次に行うことはデータ収集です。データ収集には、フィールド分類、データ埋設、データ報告という 3 つの作業側面が含まれます。フィールド分類は非常に重要です。詳細であればあるほど、その後のデータ分析に役立ちます。データトラッキングとは、その名の通り、収集したいデータを追跡することでビジネスデータの統計を収集することです。

データを収集した後は、ビジネスの変化を分析するために、レポートの形式でデータを提示することを検討する必要があります。

上記の手順を完了し、最終的にこのシステムが実行可能であることが確認できれば、データ全体の製品化と機能の反復を検討できます。

（１）工法

次に、データ分析システムの構築方法について説明します。

現時点では構築方法は 2 つしかありません。1 つは自分で構築する方法、もう 1 つはサードパーティのサービスを利用する方法です。

セルフビルドのメリットは何ですか?トラッキングポイント機能は柔軟で便利です。ニーズに応じてポイントを追跡し、ビジネスデータに接続できます。この方法でのみ、データ分析をビジネスに真に適用できるからです。ただし、現在起動段階にある一部のアプリには、これが実行できないと思います。

自社建設のデメリットは、莫大な投資が必要になることです。まず第一に人件費があります。また、サーバーリソースの維持にもコストがかかります。また、外部操作ツールとの接続はできません。新規ユーザーの獲得を例に挙げてみましょう。ユーザーを明確に理解し、ユーザー グループの属性と行動特性を把握する必要があります。収集したタグに基づいて広告プラットフォームに広告を掲載すると、一致が十分に正確でないことがよくあります。なぜなら、両者のラベリングシステムが一貫していない可能性が高いからです。

（２）反復最適化

建設段階全体を通して、すべてを一度に完了する必要はありません。アプリ開発のさまざまな段階に応じてオンデマンドで構築し、段階的に反復することができます。

まず、APP 開発ライフサイクルの 4 つの段階、つまり開始、成長、成熟、衰退について見てみましょう。各段階で注意を払う必要があるデータ指標は異なるため、段階的に構築することができます。

①初期段階で注目すべき指標は何か？

• 一つ目は成長率です。データの増加が直線的であるかどうか、そして将来的に可能性があるかどうかによって異なります。初期段階では、基本的にいくつかの追加、アクティビティ、起動時間、保持を行うだけで十分です。
• 2つ目は、ユーザーのソースです。新規ユーザーを引き付けるプロモーション効果を最適化するには、どのチャネルのプロモーション効果が優れているかを知る必要があります。

②成長段階では、ユーザーの成長率だけでなく、ユーザーの行動データにも注意を払う必要があります。

成長段階では、ユーザーの質を見極める必要があるため、ユーザーの成長率だけでなく、ユーザーの行動データにも注意を払う必要があります。プロモーションを例に挙げてみましょう。データ全体の増加だけでなく、コアユーザーが増加したかどうかも確認する必要があります。次に、ユーザー行動の観点からコアユーザーが誰であるかを特定する必要があります。次に、使用頻度、使用期間、ページアクセスパス、消費行動などのディメンションに関するデータを構築する必要があります。

③成熟期にはデータ需要が高まり、ユーザー価値を深く探究する必要がある

成熟段階に達すると、データに対する需要はますます深くなり、ユーザーの価値を深く探究することが必要になります。次に、この段階でいくつかのデータ モデルの作成を検討する必要があります。

例えば、アクティブモデルでは、アクティブユーザーは全体ですが、アクティブユーザーの質は異なります。たとえば、100 日以上、300 日以上、あるいは 2 年以上アクティブになっているユーザーの場合、異なるユーザー グループごとにパーソナライズされた運用戦略が必要になります。

もう 1 つのモデルは、チャーン モデルです。ユーザーベースが一定規模に達すると、損失を避けることは難しくなります。成熟段階に達すると、一部のユーザーの活動は徐々に低下し、最終的には失われてしまいます。このとき、メッセージのプッシュ、効果的なインセンティブ、テキストメッセージなど、何らかの手段を使ってユーザーに干渉する必要があります。

肖像画の洞察もあります。成熟段階に達すると、すべてのデータが収益化の対象として検討されるようになると考えています。収益化するには、まずユーザーの外見を知る必要があるため、ポートレートインサイトの構築を議題に上げることができます。

③不況期の深刻なユーザー離れ

不況段階に達すると、APPは基本的に大規模なユーザー喪失を経験し始めており、ユーザーを呼び戻すことは非常に困難であるため、関心の変化に注意を払い、新しいビジネス成長ポイントを探す必要があります。

（３）MTA指標システム

これは、基本指標、ユーザー属性、ユーザーソース、ユーザー行動、モデルデータに分かれたMTA指標システムです。新規追加、アクティブユーザー、解約については前回の記事で触れたので、ここでは繰り返さないことにします。品質監視に重点を置きます。品質監視では、主にユーザーがアプリを使用する際のクラッシュ状況、ネットワーク速度の監視、インターフェースの呼び出し状況をカウントします。

次に、詳細なデータ分析の部分についてお話ししましょう。

多次元ドリルダウン分析の利点は、全体的な傾向から問題を発見し、よりきめ細かい分析を通じて最終的に問題を特定し、それに応じた実行戦略を策定できることです。実際には、チャネル、バージョン、地域、ページ、タグ、ユーザー グループなど、分析のディメンションは多数あり、これらはすべてユーザーを分析するためのディメンションとして使用できます。

次に、日常生活でよく使われるファネルモデルを見てみましょう。

ファネルモデルは非常に重要な手段です。ファネルは、最初のステップから最終的なコンバージョン結果までの主要なパスを分析するだけでなく、各ステップ間のコンバージョン率を分析するのにも役立ちます。基本的に、コンバージョン ファネルのすべてのステップで損失が発生するため、100% のファネルは存在しません。

ファネルの使い方は？単一のファネル分析は意味がありません。ファネル分析の重要性は、トレンドの観察、ディメンションの比較、ディメンションのセグメンテーションを通じてのみ反映されます。

次に例を挙げます。

Tencent Mobile Analytics の使用は、大まかに、登録、テスト、起動の3 つのステップに分けられます。

最初のステップは登録からテストへの変換、2 番目のステップはテストからリリースへの変換、3 番目のステップはテストからリリースへの変換です。データを分析した結果、5 月と 6 月のコンバージョン率は良好であることがわかりました。しかし、7月のデータを見ると、登録からテストまでのコンバージョン率は21.7％にとどまりましたが、テストから発売までのコンバージョン率は22.6％でした。変化はなく、全体のコンバージョン率は4.9％でした。 5月、6月と比較するとデータは減少しています。

この問題の原因は何ですか?このファネルに関連するデータを分析してみましょう。最初のデータは新しく追加されたもの、2 番目はテスト、3 番目は最終的にリリースされたアプリケーションの数です。 7 月には新規申請数が大幅に増加しただけでしたが、適切なテスト データは得られませんでした。テストされたアプリケーションは 1,300 個のみで、明らかな増加はなく、最終的にリリースされたのは 294 個のみでした。これは、新規ユーザーが増加していることを示していますが、この部分のユーザーのコンバージョン率はそれほど高くありません。全体的に見て、これが新規ユーザーの急増の理由であるはずです。次に、チャネルディメンションでドリルダウン分析を実施したところ、多数の新規ユーザーが公式ウェブサイトから来ていることがわかりました。関連するプロモーション活動を分析すると、今月は賞品付きのクイズイベントを開催し、多くのユーザーがアカウント登録やアプリ作成を行ったことがわかりました。これらのユーザーは賞品目当てで来たのであって、弊社のユーザーではないので、コンバージョン率は非常に低かったです。最終的に、データ変換の減少の原因が特定されました。

データ分析は、ユーザー管理戦略を策定するための基礎となります。分析の話が終わったら、次は戦略に関する内容についてお話しします。

ユーザーライフサイクル管理は、次の 6 つの段階に分けられます。

1. 潜在的ユーザー段階
2. 初心者ステージ
3. 効果的なアクティブステージ
4. 能動的降下段階
5. ステージを失いそう
6. 損失ステージ

異なるユーザーライフサイクルにおいて、ユーザー価値を最大化するために差別化された運用戦略を実装する必要があります。例えば、潜在ユーザー段階では、ユーザー特性に基づいた新たなユーザー獲得戦略を策定する必要があります。初心者段階では、ユーザーにリアルタイムのユーザーケアを提供し、適切な初心者タスクシステムを策定する必要があります。効果的なアクティブ段階では、独自の製品探索ガイダンスと積極的なインセンティブを提供します。積極的な衰退段階では、解約防止介入を実施する。解約が差し迫っている段階では、解約警告を実施します。解約段階では、解約ケアを開始します。次に例を挙げて説明します。

（１）新規顧客を的確に獲得する

潜在ユーザー段階では、新規ユーザーを誘致する際に、過去のデータに基づいて関連分野を整理し、過去のプレイヤーをサンプルデータとして使用して、対応する新規ユーザー獲得モデルを開発します。実験グループのプロモーション効果を市場全体のプロモーション効果と比較することで、新規顧客獲得効果を評価します。

実際、このような分析を行うと、新規顧客獲得の効果は大幅に向上します。最終的に、実験グループはランダムグループと比較して 30% ～ 60% の改善が見られました。実際、このモデルの効果は初期段階ではあまり明白ではなく、そのような効果を達成するには継続的なトレーニングが必要です。したがって、データ分析は、一夜にして良い効果を得るのではなく、段階的に反復的にアップグレードする必要があります。

（２）新規ユーザーへの配慮

適切な新しいユーザーケア方法により、ユーザーの滞在期間を延ばすことができます。たとえば、ユーザーの興味や好みに基づいて、パーソナライズされた初心者タスク システムとパーソナライズされたレベルの報酬を設定できます。たとえば、ユーザーの性別に基づいて異なるギフトを贈ったり、異なるタスクの難易度を設計したりできます。

（３）積極的な成長

優れたコンテンツ推奨および成長システムは、ユーザーのアクティビティを増加させ、ユーザーのポートレートを描写することで適切なコンテンツを推奨することができます。たとえば、ゲームでは、ソーシャル属性を追加するとユーザーのアクティビティが増加する可能性があります。そして、ユーザーの属性や行動特性に基づいて適切なチーム情報を推奨することができます。ユーザーがチームに参加すると、アクティビティ レベルを効果的に向上できます。

（４）損失を防ぐための早期警告

一部の行動データを使用して、ユーザーが解約するリスクがあるかどうかを判断できます。たとえば、アクティビティの減少や使用時間間隔の増加などが典型的な特徴です。次に、この一部のユーザーを特定した後、いくつかの運用ツールを使用して、失ったユーザーを呼び戻すことができます。たとえば、メッセージプッシュ、テキストメッセージ、広告プラットフォームを通じてユーザーにリーチできます。アクティビティ レベルが低下した場合は、より多くの小道具を送ったり、より興味深いゲームプレイを紹介したりして、ユーザーの離脱を防ぐことができます。

（５）失われたリターン

経験上、一度ユーザーを失うと、取り戻すのは困難です。したがって、失ったユーザーを取り戻すことにエネルギーを費やすのではなく、ユーザーの興味の変化を分析して、新たなビジネスの成長ポイントを見つける方がよいでしょう。

ユーザーグループ分析は非常に優れた方法です。人口分析や問題の特定に役立つだけでなく、ユーザー自身も気づいていないニーズを発見するのに役立つこともあります。

では、クラスターはどのように作成するのでしょうか? 1 つはユーザー属性に基づいており、もう 1 つはユーザーの行動特性に基づいています。たとえば、PPT に記載されている年齢や性別、または非課金ユーザー、複数課金ユーザーなどです。

多様な人々が集まる中で、私たちは何ができるでしょうか?さまざまなグループの特徴を分析するだけでなく、差別化された運用計画を立て、さまざまなユーザーに対して正確に新規ユーザーを引き付けることもできます。

次に事例を見てみましょう。

これは当社のサービスを利用する電子商取引アプリです。ユーザー数は順調に伸びているものの、取引量が伸び悩んでおり、データをどのように活用して事業展開を進めていけばよいのかとのご相談をいただきました。

そこで私たちはこの事例に基づいて一連の分析を行いました。まず、取引ユーザーと高価値ユーザーの特性を分析するためのクラスターを構築しました。次に、一般のユーザー市場と比較したところ、市場全体では男性の方が多いものの、取引ユーザーや高価値層では女性の割合が高く、女性の方が取引を完了する可能性が高いことがわかりました。

さらに、これら 3 つのユーザー グループの人口の嗜好を比較しました。一般ユーザーと比較して、取引ユーザーと高価値ユーザーはショッピングと金融に関心が高いです。これは私たちが到達した分析の結論です。

さて、質問に戻りますが、量は期待に応えられませんでした。最初の可能性は、チャネル ユーザーに品質上の問題があるということであり、2 番目の可能性は、製品の位置付けに問題があるということです。市場全体では男性ユーザーの方が多いため、男性向けの商品推奨が十分でなかったり、男性向けの商品カテゴリーが少ないのかもしれません。これらはすべて可能性です。

他の 2 つの理由と比較すると、最初の理由の検証サイクルは短くなるため、まずは最初の理由を分析してみましょう。上の図に示すように、これらは私たちが取得したいくつかのチャネルです。 D と E が主なトラフィックソースであり、D の週次維持率も良好であることがわかります。しかし、取引量から判断すると、Aのデータも良好なので、Aも高品質なチャネルである可能性があります。

これは私たちの分析結果の一つです。次に、チャネル A がトランザクション人口と高価値人口の特性を満たしているかどうかを確認する必要があります。データによると、チャネルAの女性の割合は62％で、ショッピングへの関心も市場全体よりも高い。これは、当社のトランザクション ユーザーと高価値ユーザー グループの特性と一致しています。

この分析結果に基づいて、開発者に配信チャネルの戦略を調整し、Aの配信比率を高め、BとCの配信比率を下げることを推奨しました。戦略を実施してから1週間後、データを追跡しました。このグラフは全体的なコンバージョン率を示しています。前のグラフは最適化前、後ろのグラフは最適化後です。全体的なコンバージョン率は 10 パーセント以上増加しました。これが分析プロセス全体です。皆さんにインスピレーションを与えていただければ幸いです。

著者：劉 立明、テンセント ビッグデータ シニア プロダクト マネージャー。主にテンセント社内のデータ指標システムの構築と、テンセント モバイル アナリティクス (MTA) 製品の運用を担当しています。彼は 4 年間データ プロダクトの運用に携わっており、以前は Umeng でシニア プロダクト オペレーターを務めていました。製品運用とデータ分析において豊富な経験を持っています。