電子商取引データ運用のコアデータ指標は（電子商取引設計を行う際に知っておくべき10のデータ指標）

電子商取引を設計する際に知っておくべき 10 のデータ指標

データインジケーターとは何ですか? ——データにアプローチする角度です。データ インジケーターが存在することによってのみ、どのデータを収集する必要があるか、どのデータを継続的に監視する必要があるか、過去のパフォーマンスとの比較にどのような角度を使用するかがわかります。

データインジケーターにはさまざまな種類があります。 DAU、新規登録ユーザー数、PV などの指標が広く使用されています。いくつかの指標には強いビジネス特性があります。例えば、ライブ放送プラットフォームでは新しいキャスターの数に重点を置くかもしれませんし、ホテル予約ビジネスでは部屋の予約に重点を置くかもしれません。

では、電子商取引のシナリオではどのようなデータ指標に注目すべきでしょうか?以下では、仕事でのデータ分析の経験に基づいて、電子商取引データの基本的なロジックと観点を整理し、電子商取引のシナリオでよく見られる 10 個のデータ指標を詳細に解釈します。

電子商取引では、データを見る基本的なロジックは

1. 物事が起こる順序の観点から：トラフィック → 行動 → トランザクション

電子商取引のデータを見るときは、まず物事がどのように起こるかというロジックからデータを理解する必要があります。イベントの順序としては、まずユーザーが来訪し（トラフィック）、次に閲覧してカートにアイテムを追加することを選択し（動作）、最後に支払いを行います（トランザクション）。つまり、トラフィック → 行動 → トランザクションです。これら 3 つの主要なステップが順番に実行されることで、完全な電子商取引トランザクション イベントが構成されます。

2. トラブルシューティングの観点から：トランザクション → トラフィック → 動作

実際のビジネスシナリオに直面した場合、データを最も効率的に表示するにはどうすればよいでしょうか?

木の成長を見るとき、葉っぱをすべて剥がして見るのではなく、全体的な成長を見て、木が高く茂っているかどうかを確認します。同様に、推奨される分析角度は、マクロからミクロ、つまりトランザクション → フロー → 動作です。

まず、最終結果であるトランザクションデータを見てみましょう。明らかな上昇と下降があるかどうかを確認し、このサイクル/操作イベントの成功または失敗の基調を設定します。

取引データに明らかな変動が見られる場合、それがトラフィックデータの変動によるものかどうかをさらに判断します。トラフィック データは、最終的なトランザクション サイズを決定する最も重要な要素の 1 つだからです。どれだけ洗練された運営戦略を立てても、どれだけ商品の割引率が高くても、トラフィックがなければ取引は急増しません。

最後に、トラフィックの増減に顕著な高低が見られない場合は、行動から分析して、注目に値する主要な行動のデータに異常があるかどうかを確認できます。たとえば、電子商取引における注文の黄金プロセスに問題があるかどうかを調べたい場合は、検索、製品の詳細、カートに追加、注文という主要なパスのトラフィックファネルに分解して、特定のノードで特に大きなジャンプがあるかどうかを確認できます。 618 のメイン会場であれば、ページの受注量を主要フロアの受注量とセカンダリフロアの受注量に細分化して、主要なプロモーションフロアの受注量が期待どおりかどうかを確認できます。

上記の手順は、電子商取引データに関する基本的な視点を迅速に確立するのに役立ちます。しかし、さらなる分析には指標のより深い調査が必要です。

共通データ指標

1. トレーディング：究極の目標

GMVと注文量（GMV：注文金額）

分析する前に、これら 2 つの指標は結果の説明であることを認識する必要があります。これらは取引の成否を判断するために使用できますが、限界もあります。これらは最も表面的でマクロな値にすぎず、これらに影響を与えたり決定したりする変数は多数あります。したがって、結果（良いか悪いか）を説明することしかできず、結果の理由（なぜ良いか悪いか）を直接示すことはできません。

したがって、これらのマクロ指標を特定の原因に結び付けて、直接的に因果関係を結論付けることには注意が必要です。たとえば、GMV が増加したからといって、単純に当社の運営戦略が成功したと結論付けることはできません。結果と原因の間にはさらなる証拠が不足しており、さらなる調査が必要です。このような即断を避けるにはどうすればよいでしょうか?式から推測する方が、より客観的なアプローチです。次の図は Shulan の分析機能です。 UVが大幅に低下したため、コンバージョン率は大幅に向上したにもかかわらず、依然として注文数の大幅な減少につながり、最終的には紹介注文量の減少につながることがわかります。

△ GMV フォーミュラ分析、Shulan 分析プラットフォームからのチャート

コンバージョン率（コンバージョン率 = 受注数 / トラフィック）

カテゴリの特性によって最初に影響を受けるトラフィックの変換効率特性について説明します。たとえば、高級品のコンバージョン率は消費財のコンバージョン率よりも低くなる可能性があります。コンバージョン率に影響を与えるもう一つの要素は運用方法です。たとえば、より多くのクーポンを配布すると、ユーザーのコンバージョンも容易になります。もう 1 つの要素は、導入されたトラフィックと現在のランディング ページとの一致度です。例えば、価格に敏感なユーザーを新製品トピックのチャンネルページに誘導すると、コンバージョン率が低下するリスクがあります。

平均注文額（平均注文額 = GMV / 受注数）

各注文の平均取引金額を表し、比較的強いカテゴリ特性を持っています。例えば、高級品の平均注文額は当然のことながら消費財よりも高くなります。同時に、共同購入や割引などの運用戦略を実施すれば、ユーザーが1回の注文でより多くの商品を購入するように促すことができ、平均注文額を増やすこともできます。

UV 値 (UV 値 = GMV / トラフィック)

各 UV によって生成された平均金額を示し、トラフィックの品質やトラフィックとビジネスの一致度を間接的に示すこともできます。ページを想像してください。 UV 値が高い場合、同様のトラフィックをさらに導入することで、より大きな GMV を生み出せることを意味します。そのため、UV値も非常に重要な指標となります。コンバージョン率と合わせて、どのビジネス/ページにさらにトラフィックを投資する価値があるかを評価するために使用できます。

考えてみてください。UV 値と平均注文値の違いは何でしょうか?

• さまざまな影響要因: UV 値はトラフィックの品質によって大きく影響されます。一方、平均注文額は販売される商品によって大きく左右されます。
• さまざまな使用シナリオ: UV 値を使用して、ページ/モジュールが価値を生み出す可能性を評価できます。平均注文額は、カテゴリや製品の機能を比較するために使用できます。しかし、平均注文額が高いページだからといって、必ずしも価値創造力が強いというわけではありません。このページのカテゴリは高価格帯のカテゴリに近いとしか言​​えません。

2. トラフィック: 成功か失敗かを決める

UV と PV (ページビュー数、ページ訪問数)

UV は訪問者数を表し、非常に重要なデータ指標です。その数によって最終的な GMV が決まることがよくあります。 UV は、オフサイト広告、サイト内のリソース割り当て、ユーザーによるアクティブなリターン トラフィック、ソーシャル分裂活動からの共有や転換など、さまざまなチャネルから発生します。

PVは訪問回数を表します。たとえば、ユーザーがこのページに 1 日に 3 回アクセスした場合、PV は 3 回、UV は 1 回として計算されます。つまり、PV には UV よりも、一定期間内にユーザーが複数回訪問したという情報が多く含まれています。ページのトラフィックのレベルを確認したい場合は、UV または PV のいずれかを確認できます。

一人あたりの平均ページビュー数（一人あたりの平均ページビュー数 = ページ訪問数 / ページビュー数）

このメトリックは、一定期間におけるユーザーあたりの平均ページビュー数を表します。シナリオによって値は異なるため、特定のシナリオに基づいて高値または安値を判断する必要があります。ユーザーが複数回戻ってくる必要があるゲームプレイや、時間分割操作の戦略（例：1 日に 3 回の赤い封筒の雨）など、特定のシナリオの特定の分析が必要なゲームプレイがある場合、PV は UV よりもはるかに高くなる場合があります。

3. 行動：ルーツを辿る

クリックスルー率（クリックスルー率 = モジュールのクリック数 / ページビュー数）

このモジュールをクリックしたユーザーの数（ページに入るすべてのトラフィックの割合）。これは、モジュールに対するユーザーの需要の強さを判断する指標の 1 つとして考えることができます。ページトラフィックとページGMVの関係と同様に、モジュールのクリック率はモジュールの出力と強く相関しています（下の図に示すように、横軸は各モジュールを表します）。

△各モジュールのクリック率と注文額の比較、グラフはShulan Analysis Platformより

クリックスルー率に影響を与える要因は次のとおりです。

• ページ上のモジュールの位置: モジュールを上位に配置すると、下位に配置されたモジュールよりも多くのユーザーの目に留まりやすくなり、クリック率が高くなる可能性が高くなります。結局のところ、ページの下に行くほど、それを見るユーザーは少なくなります。
• モジュール自体の魅力: たとえば、モジュール自体がクーポン収集フロアであれば、特典のない通常のモジュールよりも魅力的になり、クリック数が増える可能性が高くなります。さらに、モジュールのスタイル設計、テーマの明確さ、ユーザーに対するテーマの魅力、潜在的なユーザーベースの規模はすべて、モジュールの魅力に影響します。

露出クリック率（露出クリック率 = モジュールクリック数 / モジュール露出数）

このモジュールをクリックしたユーザーの数（このモジュールを見たすべてのトラフィックの割合）。クリックスルー率の計算式と比較すると、クリックスルー率の分母はページに入るすべてのトラフィックですが、ユーザーの閲覧行動では、閲覧が深くなるほどトラフィックが少なくなるということがわかります。これはまた、モジュールの位置が深くなるほど、クリックスルー率の計算において不利になることを意味します。これは、かなりの量のトラフィックがこのモジュールを見ずに分母にカウントされるためです。露出クリックスルー率は、ページ位置がモジュールに与える影響を排除した上で、各モジュールの魅力を比較的公平に比較​​できるデータ指標です。

考えてみてください。クリックスルー率はどのようなシナリオで使用され、露出クリックスルー率はどのようなシナリオで使用されるのでしょうか。

• ユーザーにとってのフロアの魅力を単純に評価したい場合は、露出クリック率を見ることができます。
• フロアの全体的な効果と貢献を総合的に評価したい場合は、クリックスルー率に注目してください。クリックスルー率は、結局のところ、フロアの GMV とより相関しています。
• 露出には特別なトラッキング ポイントが必要であり、ページのパフォーマンスに影響する可能性があります。そのため、露出データを取得する方法がなく、クリックスルー率しか確認できないことがよくあります。

露出クリック率の使用に関する注意事項:

最初の画面内のフロアの露出クリック率は正確ではない可能性があります。最初の画面の露出UVは最も大きく、その中には入った途端にページから飛び出してしまうなど、さまざまな異常事態も含まれており、これも露出としてカウントされます。その結果、ファーストスクリーンの露出クリック率は小さくなることが多く（下図参照）、他のフロアと比較することはできません。ファーストスクリーンの状況を比較したい場合は、クリック率と合わせて見るのがおすすめです。

△ スクリーンごとの露出度とクリック率の違い。このグラフは、あるプロモーションページのデータ分析から得られたものです。

露出率（露出率 = モジュール露出数 / ページビュー数）

このデータにより、ユーザーがページをどの程度深く閲覧しているか、また、どの画面をユーザーがどの程度の割合で閲覧しているかがわかります。このデータから、いくつかの重要なノードを見つけることができます。例えば、主力事業をセカンドスクリーンからサードスクリーンで宣伝しているのに、結局セカンドスクリーンでの露出率が急落してしまうと、問題になります。メインコンテンツをもう少し上に移動したり、最初の画面にユーザーがすぐにジャンプしたり終了したりするようなコンテンツがないか確認したりする必要があるかもしれません...これが露出率データインジケーターがもたらす分析値です。

滞在期間

このデータインジケーターはわかりやすいです。ユーザーがページに滞在する平均秒数を表します。

考えてみてください。露出率の低下曲線が緩やかであるほど、閲覧深度が深いほど、滞在時間が長いほど、そのページが優れていることを意味するのでしょうか?

露出率と滞在時間に影響を与える要因は比較的一貫しているため、一緒に説明できます。曝露率の下降曲線と入院期間は、以下の要因によって影響を受けます。

人間の生理的限界: 人間は機械ではありません。研究によれば、「人間が中断することなく単一の操作を実行できる時間は6秒から30秒である」[注1]。この定数を超えると、ユーザーの注意が散漫になります。ご想像のとおり、ユーザーが 1 ページに滞在できる時間には上限があり、その時間はページに配置されたコンテンツの量によって変化しません。反例としては、興味のあるポイントを使用して、ユーザーをページのより深いところまで閲覧するように誘導することが挙げられます。これは生理的限界に反するだけでなく、ユーザーの自然な閲覧行動と目標を、より多くの関心ポイントを追求するタスクのような操作に変えてしまいます。関心ポイントを見た目の良いデータと交換する以外に、このアプローチではより多くの成果は得られないようです。

ページの位置付けとコンテンツ: ダブル11のメイン会場では、ユーザーの行動パターンは割引やターゲットカテゴリを探す傾向があるため、あまり多くの画面を閲覧したり、ここで長く滞在したりしない可能性があります。このとき、露出率と滞在時間に影響を与えるのは、興味のある割引をどれだけ早く見つけられるかです。したがって、閲覧深度が深ければ深いほど、滞在時間が長ければ長いほど良いとは言えません。 BI（Thousand Faces）製品のウォーターフォールフローでは、ユーザーの行動は閲覧と選択であり、このとき、ユーザーはより多くの画面を閲覧し、より長く滞在する可能性が高くなります。したがって、閲覧される製品が多いほど、最終的なメリットが最も大きいと言えます。

異常な状況: たとえば、読み込みの異常やページのクラッシュにより、セカンド スクリーン以降の滞在時間が異常に短くなり、露出が異常に低くなります。

要約すると、特定のシナリオに基づき、いくつかの履歴データを比較して、目標露出率と目標滞在時間を設定および調整する必要があります。日常的には、この2つのデータを異常を監視するデータとして活用できます。正常範囲内の変動については過度に解釈する必要はありません。特に異常な状況が発見された場合は、具体的な分析を実施する必要があります。