データビジネス分析（方法論とビジネス実践から、データ分析に関するいくつかの洞察がまとめられています）

方法論とビジネス実践の観点から、データ分析に関するいくつかの洞察をまとめました。

近年、インターネット業界では多くの新しい用語が登場しています。今日では、データ分析はあらゆる分野で広く利用されています。この記事では、データ分析とビジネス開発の相互作用、および方法論とビジネス実践を通じたエンタープライズデータ分析管理について説明します。それがあなたにとって刺激となることを願っています。

近年、インターネット業界では次のような独特な用語が数多く登場しています。

IP: コンピュータの IP ではなく、知的財産を指します。しかし、使用の観点から見ると、それはむしろ産業分野に近いものです。たとえば、「アベンジャーズ」の IP などです。
プライベートドメイントラフィックの前のプライベートドメイン: 名前が示すように、ユーザーに直接リーチできるチャネルを指します。たとえば、WeChat 公式アカウントをフォローしているユーザーは、独自のプライベートドメイントラフィックです。企業の活動やマーケティングがユーザーに直接届きます。
垂直: もちろん、2 本の線が垂直に交差するという意味ではありません。これは比較的古い用語で、業界の細分化を指します。たとえば、Vipshop はもともと化粧品分野の垂直型電子商取引会社でした。

多くの名詞は時代遅れになってきており、もちろん新しい名詞も絶えず登場しています。

「データ分析」は永続的な用語であると言えます。もちろん、それは仕事の性質を表し、また業界も表します。

データ分析といえば、多くの人は間違いなくビッグデータを連想するでしょう。結局のところ、ビッグデータは昨今のホットワードでもあり、また、世間に最も誤解されている言葉（誇張された理解/無知/非常に強力であると感じている）でもあります。

大まかに言えば、データ分析の起源は 17 世紀の統計学にまで遡ることができ、統計学から発展しました。

スコットランドのエンジニア、ウィリアム・プレイフェアが、時系列データの折れ線グラフや面グラフに使用される統計地図作成法を発明したのは、18 世紀初頭になってからでした。棒グラフは異なるカテゴリの量の比較を説明するために使用され、円グラフは同じグループに属する複数の値の割合を説明するために使用されました。これはデータ視覚化のプロトタイプでしたが、現代のデータ視覚化と探索的データ分析の基礎も築きました。

科学技術の発展、特にコンピュータ技術の急速な進歩により、アルゴリズム、モデル、データベース、機械学習が統計や確率に応用されるようになりました。それ以来、現代的なデータ分析、予測、データマイニングなどが実現しました。

今日では、データ分析はあらゆる分野で広く利用されています。企業の開発と運営はデータ分析と切り離せないと考え、主にデータ分析に依存している人もいます。近年のビッグデータ、クラウドコンピューティング、人工知能、モノのインターネットなどのビジネスの普及により、データの価値がさらに探求され、ビッグデータ、データ資産、データガバナンスなどの基礎データビジネスも継続的に強化されてきたことは否定できません。しかし、データ分析の応用能力、利用方法、応用結果についても客観的に見る必要があります。

結局のところ、ミスフレッシュなど、近年多くの大企業が倒産している。データ分析は同社の事業の中で非常に高い割合を占めていたはずだったが、それでも同社はひっそりと市場から撤退した。

この記事では、データ分析そのものから始め、データ分析とビジネス開発の相互作用、そして方法論とビジネス実践を通じて企業のデータ分析と管理プロセスについて説明します。結末については語りませんが、そのプロセスが皆様にインスピレーションを与えることを願っています。

経営の第一人者ピーター・ドラッカーはかつてこう言いました。「数値化できないものは管理できない。」

文字通り、データが基盤であり、分析が中核です。データは操作の定量的な結果です。データの背後にあるロジック、ルール、傾向を理解し、貴重な情報を抽出し、推奨事項を作成することがデータ分析のプロセスです。

データ分析は、始めるのは簡単だが習得するのは難しい分野であり仕事であると言えます。データ自体には価値がないとよく言われます。データから有効な情報を抽出することによってのみ、データに価値が生まれます。データ分析の中心的なタスクは、データの価値を抽出し、ビジネスにフィードバックすることです。しかし、これを実行するのは簡単ではありません。多くの企業がデータ分析を行っており、データの価値を引き出そうと熱心に取り組んでいますが、現実は逆の結果をもたらします。

効果的なデータ分析には、ビジネス、分析（思考方法モデル）、ツール（分析ツール）、そして鋭いビジネス洞察力の理解が必要です。あらゆるリンクをマスターするのは容易なことではない。だからこそ、立ち上がれる企業はほんのわずかで、ほとんどの企業は苦戦しながら前進しているのだ。データ分析能力も企業の発展を左右する重要な要素であると言えます。

データから情報、ビジネスプロセス/ビジネスオペレーションまで、これがデータの価値を実現するプロセスです。データ機能は、結果の説明 (何が起こったかを知る)、データの分析 (なぜ起こったかを知る)、ビジネス上のリスクと機会の発見、そしてビジネスプロセスで直接使用されて生産性が向上するという段階から進化してきました。データ機能の価値もまた、継続的な進化と改善のプロセスです。

一般的に、企業のデータ分析能力が強ければ強いほど、市場での競争上の優位性が高まります。

一般的に、能力の理解は次の 4 つのプロセスに要約できます。

①過去に何が起こったかを説明する

この段階では、定期的なレポートを使用して、売上、ユーザーアクティビティ、在庫などの毎日の運用状況を照会できます。

② 今何が起こっているかを理解する

この段階では、プラットフォームの機能とリアルタイムコンピューティング機能を使用して、リアルタイムの売上、リアルタイムの在庫、輸送中の商品などの現在のデータの状態を表示できます。同時に、POSの切断、同時蓄積による閉塞など、緊急事態に対するアラームも発行します。現在の状況に基づいて問題をガイドして解決する必要があります。

③将来何が起こるかを予測する

この段階では、ビジネス予測を行うために、人工知能、アルゴリズム、機械学習などのインテリジェントツールを使用してください。もちろん、前提条件は膨大な基本データのトレーニングです。例えば、交通状況の予測には、成長率法、重力モデル法、遺伝的アルゴリズム、ConvLSTM などの複数のアルゴリズムの混合サポートが必要です。

④成長を促進するための戦略の最適化

現段階では、すでに完全なデータリンク機能を備えているため、ビジネス開発プロセスに最適な運用ソリューションをより適切に提供できます。

あまり多くの例は挙げませんが、私が言いたいのは、完全なデータ分析プロセスにはこのような基本的なプロセスが必要だということです。もちろん、これは上記の点に戻ります。これらすべてには、ビジネス、ツール、分析、ビジネス洞察の理解が必要です。ビジネスは基盤であり、ツールは手段であり、分析は能力であり、ビジネスインサイトは問題を発見し、問題を予防し、傾向を予測し、変革をリードできるイノベーションです。

データ分析の価値が最大限に反映されます。しかし、我が国の企業の現状の能力に関しては、データ分析を通じてどのような目標が達成されたかしか分からない。

これまでの経験と申請プロセスに基づいて、6 つのポイントにまとめることができます。

収益と利益の増加（直接価値）
コスト削減（直接価値）
経営効率（開発価値）の向上
リスクを管理し、損失を減らす（開発価値）
無形の経済的利益（創造的価値）を高める
外部定量データ収入（創造的価値）

企業の利益とコストは、データの価値を最も直接的に反映し、最も大きな影響を及ぼします。しかし、データ分析方法が最終段階でのみ機能すると、意思決定を頻繁に調整する必要があるというデメリットが生じ、企業の発展に逆効果となります。

したがって、データ分析の根本的な機能は、企業経営の効率を向上させることです。生産、管理、サプライチェーン、物流、コスト、販売などの基本的なリンクを制御することで、企業発展の基盤を強化し、企業の利益とコストの基本的な保証となります。

最後に、市場競争で目立つためには、自分自身でうまくやることが基礎に過ぎません。さらに重要なのは、市場のニーズに応えることです。したがって、外部データの活用と価値マイニングは、企業の発展を促進する原動力となります。

ここまでいろいろお話ししてきましたが、読者の皆様、あなたの会社はどの発展段階にありますか?上で述べた分析能力プロセスとデータ分析価値に対応する5つの段階に分けて考えてみましょう。

①弱いデータ応用段階

ステージ目標: ビジネスパフォーマンスを理解するには十分なデータが必要です。

問題: 外部環境は言うまでもなく、ビジネスがどのような状況にあるのかも完全には理解されていません。

②地域ビジネス・機能利用データの分析

ステージ目標：データ分析やデータツールを通じて、ある業務における問題を解決し、改善を図る。

質問: 効率をさらに向上させる方法と、それを業界全体に適用する方法。

③対応するデータアプリケーションを統合する

目的: データ機能を活用して差別化を図る。

質問：データ分析を通じて今何が起こっているのでしょうか？現在の傾向から何を推測できるでしょうか。

④全体のデータを活用し、一点優位に立つ

目的: データ機能はパフォーマンスと価値を推進する重要な要素です。

質問: データアプリケーションは、運用と管理の革新をどのように推進し、差別化をどのように実現するのでしょうか。

⑤ 競争優位性を維持するためにデータを総合的に活用する

目的: データ機能はパフォーマンスと価値を推進する主な要因です。

質問: 次に何をすべきか、可能性は何か、どうすれば先頭に立つことができるか。

自分たちの状況を理解した上で、それに基づいて変化を起こしていきます。

データ分析システムは、企業の事業展開を総合的にまとめたものです。これは、会社の発展の現在の事業構造を表現するだけでなく、会社内の洗練された分業も反映しています。

データ分析システムは、データ分析モデルによって構築されます。

客観的な事物や現象は複数の要素の複合体であり、それらの要素の間には相互依存と相互制約の関係がある。相互作用のメカニズムを分析し、内部法則を明らかにするために、理論的演繹、観察データの分析、または実際の経験に基づいて研究対象を表現するモデルを設計することができます。一般的に、データ分析モデルシステムの構築は次のステップに分かれます。

①事業を理解する

このモジュールの目的、ビジネスプロセス、コア指標、およびアクションプランを考慮します。

ビジネスプロセスの各段階で解決すべき問題について検討し、ビジネス運営と意思決定をサポートおよびガイドするために必要な分析モデルの数を事前に決定します。

商品販売を例にとると、販売モジュールの中心的な指標は販売量と利益になります。しかし、全体の業務プロセスと合わせて、商品在庫、人件費、サプライチェーンコスト、物流コストなどを支えるバックエンドも把握する必要があり、それらを徐々に分解して細分化することでのみ、ハイブリッドなサポートモデルが得られます。

②モデルの検証とチューニング

まず、独自のモデルをテストする必要があります。まず、分析モデルがビジネスアプリケーションにおいて構造化された (秩序立った、漸進的な)、形式化された (定量化可能な)、ビジネス指向の (実用的な) 思考を反映しているかどうかを確認する必要があります。次に、分析モデルが完全なビジネスクローズドループをサポートできるかどうかを確認する必要があります。 3 番目に、分析モデルがビジネス目標を達成するかどうかを確認する必要があります。

第二に、分析モデルによって生成されたデータ結果を検証し、データの偏差に応じてモデルを調整する必要があります。

最後に、モデルが解釈され、つまり、ユーザーがどのようにデータを理解し、使用するかが判断され、ユーザーエクスペリエンスに基づいてモデルが最適化されます。

③分析モデルの構築

各分析モデルのビジネスシナリオ、分析モデルが解決する問題、分析モデルが使用される役割を明確にします。

記述分析、診断分析、予測分析、意思決定助言分析など、各モデルのモードを明確にする。

目標-コア指標-コア指標を中心とした分析モデルの構築方法に従って分析モデルを導出する。

セグメンテーションモデルに必要なインジケーターの寸法とアラームの設計。

このモデルと他のモデルとの関係を考えて、モデルをジャンプして接続します。

したがって、方法論によれば、データ分析モデルシステムを構築するための基本的な手順は次のように要約できます。

①ビジネスを理解し、目標に集中する

コア指標の監視、ビジネスプロセス分析などの方法を通じてビジネス上の問題を発見し、対象を絞ったデータ分析とマイニングを実行します。

蓄積された問題解決の経験と成熟した分析アイデアは、体系的に整理され、1 つ以上の成熟したデータ分析モデルに編成されます。

②プロセスを洗練し、問題点を特定する

プロセスを改善するには 2 つの方法があります。1 つは、組織の管理機能に応じてビジネスモジュールを分解することです。もう 1 つは、業界のビジネスの自然な発展段階を参照して分解を精緻化することです。

データ分析モデルの核となるのは、美しいグラフやクールな手法ではなく、ビジネスに適用でき、問題を解決し、ビジネスの改善をもたらす能力です。

③モデルを一つずつ分析する

あなたのモデルはどのような分析的思考を適用していますか？それは定型的なもの、構造化されたもの、あるいはビジネス指向のものでしょうか？

モデルでは、記述分析、診断分析、予測分析、意思決定アドバイザリ分析など、どのような分析モードを適用しますか。

モデル間の関係は何ですか?無関係、関連、進歩的、基本的。モデル間のドリルダウン関係は何ですか。

④インジケータ寸法アラームの考慮

役割: まず、役割を区別する必要があります。役割は、運用、調達、管理などに分かれています。どの役割向けにモデルが構築されているか、また、異なる役割に必要な指標ディメンションのアラーム方法が同じかどうかを確認します。

指標: モデルにはどのような指標が必要ですか?指標の定義と計算式を明確にし、コア指標を解釈します。インジケーターが不足している場合は、インジケーターの構築を高速化します。

ディメンション: ディメンションは、データを分析および要約するための視点です。モデルに必要なディメンション、ディメンション間のドリルダウン関係、ディメンションが欠落している場合のディメンション構築の高速化など。

アラーム: コア指標に異常値リマインダー通知を設定する必要があるかどうか、異常情報を関係者にプッシュする必要があるかどうかなど。

⑤データ検証

分析のアイデアに従って実際のデータを入力します。

データ指標と分析アイデアの厳密さを確認します。

モデルを試して、変更の提案を行ってください。

構造化、定型化、ビジネス指向の思考、クローズドループ、目標達成など。

問題がある場合は、上記の手順を繰り返します。

⑥モデル構築関係の解釈

モデルの解釈、異常分析のパス、データの背後にある意味を理解する方法、データを使用してビジネス改善を推進する方法について説明します。

ビジネスプロセス全体と分析の問題に基づいて、モデル間の関係、モデル間のジャンプと接続を総合的に考慮する必要があります。

電子商取引複合施設と連携した業界運営分析モデルシステムを構築しました。

分析モデル構築方法論に基づいて、巨大なビジネスを分解し、細分化されたビジネスの詳細な指標を構築し、モデル間のプロセスフローとビジネスジャンプを考慮して、電子商取引複合体の運営構造と内部ビジネス細分化を示し、そのコアビジネスモデルを反映し、革新的な発展方向を探ります。

一般的に、電子商取引複合施設のビジネス分析システムは、ビジネス環境分析、財務分析、人的資源分析、戦略開発分析、そして最も重要なビジネス分析に分けられます。

ビジネス分析は、実際のビジネス展開状況に応じてモジュール化されており、トラフィック、売上、会員、店舗、商品、広告、サービス、単一製品、パフォーマンス、マーチャント、および継続的なリリースに分類できます。

トラフィックを例にとると、トラフィックテーマのビジネス目標は、トラフィックの量と質を高め、コンバージョン率を改善し、売上の成長を促進し、スマートリテールを実現することです。モデルの目的は、オンライン運用トラフィックのコア指標を監視し、異常をタイムリーに検出し、詳細な分析を実施し、タイムリーに調整を行うことです。

同時に、トラフィックトピックは、オンライントラフィックとオフライントラフィックにさらに分類できます。オンライントラフィックは、コンバージョンパスを通じて、ページ、検索、オフサイトなどにさらに細分化できます。検索モジュールは、トラフィック変換の帰属と商品購入ページのクローズドループが形成されるまで、さらに細分化されます。

データ分析ツールはデータ分析の中核となる手段です。データ分析システムを構築するという考えに基づいて、データ分析ツールの構築も構造化、形式化、ビジネス指向の原則を順守し、ビジネスの洗練された分解をサポートし、さまざまな役割のビジネスニーズをサポートし、最終的にビジネスの循環効率、運用効率、管理効率を向上させる必要があります。

図（分析ツール製品アーキテクチャ）

分析ツールは、ビジネスの観点から、フロントエンドのビジネスアプリケーションとバックエンドの処理コアに分けられます。

フロントエンドのコアアプリケーションは、ビジネスマネージャー、データアナリスト、店舗スタッフ、プロモーションスタッフなどに役立つデータ分析ポータルです。

バックエンドシステムは、アラーム、アルゴリズム、マーケティングエンジン、インテリジェント製品を統合します。バックエンドシステムは、ビジネス管理部門で直接使用されることはありませんが、ビジネスエクスペリエンス管理のための基本的なデータ処理、指標処理、ビジネスアラーム、インテリジェントな推奨、インテリジェントなデータサービス、インテリジェントな顧客サービスなどの機能を提供します。フロントエンドのビジネスオペレーションのインテリジェントな頭脳です。

①インジケータ次元構築内容

指標ディメンションを構築するという考え方については、データ分析システムの構築で説明されているので、ここでは詳しく説明しません。

ここで、次元についてもう少し詳しく述べたいと思います。ディメンションは、トラフィックなどの指標の属性の説明です。トラフィックの関連ディメンションには、オンライン/オフライン、アプリ/ウェブ/ミニプログラム、ホームページ/製品ページ/購入ページ、地域、店舗などがあります。データ分析管理では、ディメンションは権限の制御にも使用されます。最も典型的なケース: ストアディメンションを通じて、ストアマネージャーは自分のストアの関連データのみを表示できます。

②ビジネスコックピット

今日の BI ツールでは、コックピットの機能が極限まで追求されています。しかし、優れたコックピットを構築するのは簡単ではありません。

コックピットの構築は次の手順に従う必要があります。

端末を決める：PC、アプリ、大画面、サイズ
コックピットのタイプを決定する: 戦略、分析、運用
指標の決定：事業運営の現状を明確に把握する
チャートを決定する
レイアウトを決めて美しくする

コックピットタイプはインジケーターと緊密に統合されています。戦略コックピットには通常、その日の製品売上（ランキング）などのマクロ指標が表示されます。分析コックピットは、総売上高、タイムシェア売上高、ディメンション売上高などのさまざまな指標間のつながりを反映します。運用コックピットは、終了率、クラッシュ率、XX 障害数など、ビジネスの適時性と早期警告能力を反映します。

③市場レポート

レポート市場は、その名前が示すように、レポートのコレクションです。これは通常、部門間およびビジネス間のデータクエリと分析に適用されます。もちろん、データ権限の拡張を避けるために、サポート権限とプロセス承認の凍結解除が必要です。一般的に、承認プロセスによりデータ漏洩のリスクが大幅に軽減されます (データセキュリティについてはここでは説明しません)。

④分析レポート

一部の大企業では、分析レポートが重要であり、アルゴリズムのサポートが必要です。

一般的に、従来の分析レポートはテンプレート形式になっていることが多く、レポートデータの要約です。しかし、アルゴリズムを統合すると、分析レポートはより柔軟で充実したものになります。特に、現在openapiが開発しているcp4.0の登場により、分析レポートもAIで完全に行えるようになりました。 AI が提供するレポートは、私たちのレポートよりもはるかに創造的です。

⑤ セルフサービス分析

セルフサービス分析は、一部の業務運営の生命線とも言え、この現象は中小企業によく見られます。理由の詳細については割愛しますが、率直に言って、ドラッグアンドドロップによって、インジケーター、ディメンション、イベントサイクルがキャンバス上にモジュール的に配置され、データアナリストが自由に操作できるようになり、固定されたプリセットレポートよりも柔軟性が高まります。同時に、人材の革新と相まって、データアナリストがパーソナライズされた一時的なデータ分析とデータ革新を実行することがより適切になります。

カテゴリーXXのメンバーライフサイクルとポートレート分析を例に挙げます。

問題の背景： XXカテゴリーの年間購入者規模は全カテゴリーの20％以上を占めており、会員運営の重要カテゴリーとなっている。しかし、バイヤーの成長と売上高の成長の傾向から判断すると、2020年のこのカテゴリの第一級商品グループの売上高規模は前年比XX％減少し、積極的なバイヤーの規模は前年比XX％増加しました。 2018年、2019年の前年比成長率と比較すると、成長率は大幅に低下しました。さらに、2021年1月から5月までは、売上高と購入者規模の両方が前年比で減少しました。

分析の目的: 分析を通じて、メンバーライフサイクルの構造、各段階での人事ポートレートの特徴、戦略的介入、ユーザー計画の改善、ユーザー構造の最適化、メンバー価値の向上に向けたターゲットを絞ったアクションの実行方法を把握できます。

分析のアイデア:

ライフサイクル分析：メンバーライフサイクルの理論的枠組みとメンバー自身の特性、カテゴリー特性に基づいて、XXカテゴリーのメンバーライフサイクル段階を定義し、各段階のメンバープロファイル、価値、ライフサイクル構造を把握します。

ポートレート分析：会員の個人属性、消費嗜好、クロス購入の観点から、ライフサイクルの各段階における人物のポートレートを分析し、会員業務の改善に向けた意思決定の提案を行います。

パーソナライズされたセルフサービス分析を通じて、次の結果が得られました。

会員ライフサイクル分布構造から判断すると、このカテゴリーでは回収対象となる会員規模が支配的であり、会員構造は高解約構造となっている。

一人当たり価値の減少度合いはライフサイクルの各段階で異なり、成熟会員の一人当たり価値（寄与取引量）のみがプラス成長を示しています。

平均注文額≥100元の会員の維持分布構造では、導入期+成長期の会員が半分以上を占めており、成長の可能性は比較的良好です。この部分のユーザーにフォーカスすることで、再購入を増やし、成熟段階への移行を促進することができます。

分析の結論と管理の提案:

XXカテゴリーは会員構造の最適化が必要：2020年のXXカテゴリーの会員総数は前年比で増加しましたが、ライフサイクル構造の観点から見ると、回復すべき休眠会員と離脱会員の数が大幅に増加し、一方で、維持会員の規模と割合はともに低下しており、会員構造は貧弱です。残留会員のうち成熟会員の割合は相対的に低く、成長段階の会員が大部分を占めており、成熟会員への効果的な転換が進んでいない。会員数に注意を払いながら、構造的な問題にもより注意を払うことが推奨されます。

XX カテゴリーメンバーの貢献度の値を改善する必要がある: XX カテゴリーメンバーが貢献した総取引量はわずかに増加しましたが、コアリテンションメンバーが貢献した総取引量は減少し、1 人あたりの貢献取引量は減少しました。製品構造とユーザーポートレートのマッチング、マーケティング手法の最適化、チャネルの選択などの面から、ユーザーの潜在的なニーズを探り、ユーザーの再購入と ARPU 値を高めることが推奨されます。

ポートレート分析をもとに、性別、年齢、地域、チャネル嗜好、購入時期嗜好などの観点からユーザー特性を分析し、その後のリカバリーやアクティベーションなど精密なマーケティング戦略をサポートします。クロス購入カテゴリーの相関関係から判断すると、運用中にパフォーマンスがより良いクロスカテゴリーに対してさらなる連動マーケティングを実施できます。

アラームシステムは、データ分析で使用され、コア指標のアラームプランを構成および管理し、異常なデータを積極的にプッシュしてアクセスし、ビジネス担当者が運用上の異常をタイムリーに認識して対処できるようにします。警報システムは一般的にインジケータシステム上に構築され、その中核となるのは警報ルールの構成です。インジケーターのアラーム設定は、サイクル設定、しきい値設定、ディメンション値設定、単位設定、時間粒度設定、プッシュ戦略設定などを含む、1 つ以上のインジケーターのアラームルールを設定することです。

アラーム情報に基づいて、一方では業務運用状況を把握し、他方ではアラームルールを最適化するためにアラームルールを解釈・分析する必要があります。

メッセージプッシュは、アラームシステムの基本機能の 1 つで、通常は電子メール、SMS、MSG が含まれます。各企業は警報レベルに応じて異なる通知方法を設定できます。

最後に、アラーム情報は担当者によって閉じられ、アラームの閉じたループが形成される必要があります。

アプリケーション例:

プロモーション期間中のゴールデントラフィックに関するデータアラート。

ページ運用には「ゴールデントラフィックポジション」という概念があります。各ページ、各フロアの「ゴールデントラフィックポジション」は限定されています。このポジションで運営される商品の効果は、営業担当者が異なるフロアやポジションの該当商品のリアルタイム露出、クリック、カートへの追加、注文送信、在庫データにリアルタイムで注意を払い、タイムリーに調整して最大限の取引を確保することが必要です。

例えば、大規模なセールの予熱中に、ある商品のカートに追加したアイテムの数が 100 に達したが、在庫が 20 個しかない場合、この商品は主力商品としては適していません。「ゴールデントラフィックポジション」を占める製品は、在庫とカートに追加されたデータが比較的良好でバランスが取れている必要があります。同様に、露出度は高いがクリック数が少ない商品、クリック数は多いがコンバージョンがない商品、在庫切れのアラートなどのアラートもあります。

全体的なアプリケーション:

サブシーンは9つあります:

最後に、データ分析アプリケーションの管理について説明します。効果的かつ効率的な管理メカニズムは、データ分析の価値を実現するための触媒であり、データツールの進化の基本的な原動力であり、企業のデータ機能を向上させるための足がかりとなります。

① 全員参加

良い製品はオペレーションを通じて生み出されます。製品の継続的な反復と改善を促進し、アプリケーション実装におけるデータの真の価値を引き出すには、ユーザーは継続的かつ効果的な使用中に問題やビジネス要件からの逸脱を発見する必要があります。

誰もが、データの適用、データの管理、データの検出の観点から、自分の作業を真に管理できるようになります。それぞれの業務において、単純なデータ分析ツールや複雑なデータ分析ツールを意識的に使用して、大小さまざまなデータの分析とマイニングを実施し、データから豊富な情報を発見し、あらゆる面で会社の改善に貢献することができます。

②標準化された分野横断的なプロセスとメカニズムを確立する

データ駆動型業務には、分野横断的かつチーム横断的なコラボレーションが必要であり、最終的な実用的な結果を確保し、さまざまな段階での関係者の役割、機能、分担、価値を明確にし、各リンクで段階的な目標の達成を確保し、データ駆動型業務のクローズドループを実現するための対応するプロセスとシステムを確立する必要があります。

③経営の推進役は無視できない

各システムにおける上級管理職による継続的な推進があって初めて、全従業員が真に関与し、部門間、職種間を横断し、社内の戦略的競争上の意義を持つデータ駆動型業務管理を迅速に確立、推進、実装、改善することができます。

④データ文化の育成が重要

企業のデータ能力の向上においては、人材が中心的な原動力であり、人材のデータ品質を育成するには欠かせない雰囲気が必要です。データが自ら語る雰囲気を醸成することにより、データを使用して経営陣にフィードバックを提供し、経営を改善し、パフォーマンスを強化します。データサービスアカウント、データフォーラム、データ共有セッションなど、データ分析とコミュニケーションのためのプラットフォームを構築することで、企業従業員の能力の共通の向上を実現できます。オープンで学習する姿勢を維持し、外部学習に参加し、優れた業界の事例を吸収し、視野を広げます。

コアビジネスにおける重要なデータのアプリケーションの一貫性、整合性、正確性、および有効性を改善するために、データ管理部門、金融センター、ビジネス管理センター、R＆Dセンターなどの「恒久的なデータ組織と運用メカニズム」がエンタープライズレベルで確立されます。

恒久的なデータ共同組織の全体的な管理は、データ管理部門が主導しています。組織構造と各ドメインのリーダーは次のとおりです。各データサブディビジョンドメインの責任者は、ビジネスドメインの専門家と製品の専門家の役割を果たし、データ構築とアプリケーション機能の改善を共同で促進します。

データドメインでの恒久的な組織の確立に基づいて、各データドメインのビジネスマネージャー、R＆Dマネージャー、およびロールリーダーは、需要研究、建設と開発、アプリケーション管理、アプリケーション評価とデータ品質監視、データとアプリケーションの構築と実装を改善し、各科目ドメインのサポートデータ管理メカニズムを提供し、データ分析の能力とアプリケーションの成熟度を高めるための5つの側面からシステムを監視します。

データアプリケーション管理の評価は、データカバレッジ、データ分析機能、データの精度、データリーチ、データ駆動型機能、ユーザーアクティビティ、データ使用率などに分類できます。

さまざまな次元でのターゲット評価を通じて、対応する戦略と機能的変化を行うことができます。

ユーザーアクティビティを例にとると、内部アプリケーションのユーザーアクティビティは、製品の品質の直感的な尺度です。ただし、初期の製品交換要因と新規および古い製品のユーザーの適応性により、初期の製品の使用には、会社のトップマネジメントからの昇進が必要です。製品の後期段階では、ユーザーのフィードバックは直感的で重要です。それは従業員の後の傾向に直接影響し、後の段階で製品の品質にも影響を与え、会社の長期開発戦略にさえ影響します。

データセキュリティは、社会全体が今日に注意を払っている主要な問題です。ただし、この記事ではデータ分析に焦点を当てているため、データセキュリティの部分について簡単に説明します。

国家安全性の認識

データセキュリティであろうと個人のプライバシーセキュリティであろうと、企業は日常業務と生活における一般の安全性の認識を育成する必要があります。これは、会社だけでなく、個人、家族、社会にとっても有益です。

データセキュリティの最終結果を制度的に保護するための一連のセキュリティ管理措置を導入できます。また、毎日のトレーニングセッションを開催することもできます。

②許可証と使用

当局の基準の観点から、人事ポジションのマッチングと合理性、および必要なデータ権限、およびオンデマンドのオープンアクセス許可を評価する必要があります。原則として、位置権限は、特別な理由なしに拡張されるべきではありません。これにより、当局の範囲と責任の間の不一致につながります。

非パート時間担当者は、他の職務に拘束されないものとします。これにより、データ許可が増幅され、データセキュリティリスクが発生します。

権限の使用に関しては、他者に権限を貸すことは厳密に禁じられています。

dataセキュリティと使用法

データの使用量に関しては、30日間連続してシステムまたはポータルにログインしていない場合、システムはアクセス権を自動的に凍結し、凍結解除にはプロセスの承認が必要です。

データセキュリティに関しては、エクスポート権限を適用する必要があります。エクスポートされたデータの量は制御され、上限は200,000です。エクスポートの動作は、データセキュリティの監視と管理に含まれています。同時に、システム、メカニズム、および製品機能を介してその後のデータの破壊を制御する必要があります。

上記は、この分野で作業を開始して以来、データ分析の理解です。データ分析の基本的な方法論が要約されており、データ分析システム、データツール機能の構築、データ分析アプリケーションシナリオなどの関連モジュール間の接続について説明します。

データ分析機能を改善することで、すべての企業が市場で目立つことができるという目標を追求していません。結局のところ、データ分析は、企業の進歩の方向における重要な要因の1つにすぎません。すべての業界および企業に対するデータ分析の重要性を一般化することはできません。

データ分析の基本的な理論、プロセス、結果をいくつか示しているだけで、成功した経験と失敗した経験の要約を提供しています。

最後に、ご質問がある場合は、お気軽に私を批判し、修正してください。ありがとう。

タイトル画像はCC0ライセンスに基づいてUnsplashから引用しています

この記事で述べられている意見は著者自身の意見のみを表しており、人人士品夢家プラットフォームは情報保存スペースサービスのみを提供します。

<<: データ分析とビジネス分析（乾物共有：データ分析は企業がビジネス危機に対処するために非常に重要です）

>>: データ操作 PPT (Accenture の 65 ページの PPT では、「データ分析を体系的に行う方法」(コレクション) について説明しています)