運用データ分析の方法は何ですか? （急いで集めてください！データ分析によく使われる4つの方法を見つけました。読んだ人はみんな良いと言っています）

早く集めて！データ分析によく使われる 4 つの方法を見つけました。それらを見た人は皆、それらは良いと言う。

データ分析は企業の商業価値を高める上で重要な役割を果たします。具体的なビジネスシナリオにおいて、一般的なデータ分析手法をいくつか整理します。

数字と傾向分析

データ情報を表示する最も直感的な方法は、数値とトレンド チャートを使用することです。具体的な数値や傾向からより優れたデータ情報が得られるため、意思決定の精度とリアルタイム性が向上します。

たとえば、アプリやウェブサイトの UV、PV、その他の指標をデータ ダッシュボードに集約し、リアルタイムで更新できます。このようなデータ ダッシュボードを使用すると、数値と傾向が一目でわかり、非常に直感的になります。

比較分析

名前が示すように、異なるものの特定の指標を比較して、この指標の量の違いと変化を見つけ出すことです。この比較には通常、垂直比較と水平比較の 2 種類があります。

時間を垂直軸として想像することができます。垂直比較とは、同じものの指標を異なる時点で比較することです。たとえば、新華書店で四半期ごとに販売された書籍「データ分析に関する72の質問」の販売量。その他には、前年同月比（今年1月の売上を昨年1月と比較）、前月比（今月の売上を先月と比較）、固定基準比率（前年1～3月の売上と比較）などがあります。

水平比較とは、異なるものの同じ指標を一定の時点で比較することです。たとえば、今月のJD.com、Dangdang、Amazon、Taobaoの書籍売上の比較は以下のとおりです。

次元分解分析

単一の数値や傾向が大きすぎる場合は、データをさまざまな次元で細分化し、より詳細なデータの洞察を得ることができます。ディメンションを選択するときは、そのディメンションが分析結果に与える影響を考慮する必要があります。

たとえば、アプリの毎日のアクティビティが突然減少した場合、新規ユーザーと既存ユーザー、チャネル、アプリのバージョン、地域、デバイスなどのディメンションに分割することで、問題を見つけることができます。つまり、マクロの問題を小さな問題に分割し、その問題に集中することができます。

ユーザーセグメンテーション分析

ユーザー グループ化とは、特定の動作を満たすユーザーや共通の背景情報を持つユーザーを分類することを指します。また、そのグループに関する特定の情報を抽出して、特定のタイプのユーザーのユーザー プロファイルを作成することもできます。

たとえば、同じアプリのユーザーを「北京」、「上海」、「杭州」などの住所ごとにユーザーグループに分けることができます。これにより、アプリの使用時間、使用頻度、購入回数、購入金額など、特定のユーザーグループのいくつかの行動やデータ指標をさらに観察して、ユーザーグループのポートレートを作成できます。

ユーザーセグメンテーションの意義は、特定の行動や特定の背景を持つユーザーに対して、ターゲットを絞ったユーザー操作や製品の最適化を行えることです。例えば、「支払いを放棄したり、支払いに失敗した」ユーザーに対して、対応するクーポンを発行することで、精密なマーケティングを実現し、ユーザーの支払い意欲と取引量を大幅に増加させることができます。

論理ツリー分析

分析の目的が複雑なものを単純化することである場合、ロジックツリー分析法を使用できます。有名なフェルミ問題では、論理ツリー分析法が使用されています。

就職面接では、次のような質問がよく聞かれます。

国内にプロダクトマネージャーは何人いますか?深セン地下鉄のピーク時の乗客数はどのくらいですか?

会社の階下に小さな屋台を構えると、月にどれくらいの収入が得られますか？

これらの推定問題はロジック ツリーに分解することができ、複雑な問題を特定の定量化可能な問題に分解できます。

コンバージョンファネル分析

ほとんどのビジネス収益化プロセスは、ファネルとして要約できます。ファネル分析は、一般的なユーザー登録コンバージョンファネルや電子商取引の注文ファネルなどの一般的なデータ分析手法です。ファネル分析プロセス全体は、ユーザー変換の最初から最後までのパスであり、ファネル分析を通じて変換効率を取得できます。

重要なポイントは3つあります。

まず、全体的な変換効率です。

2つ目は、各ステップ（変換ノード）の変換効率です。

3 番目に、どのステップでユーザーが最も離脱するのか、その理由は何なのか、そして離脱したユーザーの特性は何なのか。

上の図は、3 つのステップからなる登録プロセスを示しています。登録プロセス全体の全体的なコンバージョン率は 46.5% で、登録ページにアクセスした 1,000 人のユーザーのうち 465 人が登録を完了したことを意味します。各ステップのコンバージョン率に注目すると、第 2 ステップのコンバージョン率は 65.3% であり、第 1 ステップの 85.3% や第 3 ステップの 83.5% よりも大幅に低いことがわかりました。このステップで問題が発生している可能性があると推測できます。この登録手順で問題を特定し、コンバージョン率を向上させることができます。

データ指標自体は、実際の状況を抽象化したものにすぎません。ユーザーの行動の軌跡に注意を払うことによってのみ、ユーザーの行動をより現実的に理解することができます。

たとえば、一般的な UV と PV インジケーターだけを見ると、ユーザーが製品をどのように使用しているかを理解できません。ビッグデータを使用してユーザーの行動軌跡を復元することで、ユーザーの実際の体験に焦点を当て、特定の問題を発見できるようになります。次元分解を行っても問題を特定するのが難しい場合は、ユーザーの行動軌跡を分析して、製品や運用の問題を発見することができます。

画像はインターネットからのものです。著作権を侵害している場合は削除してください。

保持分析

人口ボーナスは徐々に薄れつつあり、新規ユーザーの獲得が難しくなってきています。現時点では、古いユーザーを維持するためのコストは、新しいユーザーを獲得するためのコストよりもはるかに低くなることがよくあります。そのため、ユーザー維持はあらゆる企業が注意を払う必要がある問題となっています。データを分析することでリテンションを把握できるだけでなく、ユーザーの行動を分析することでリテンションを向上させる方法を見つけることもできます。

たとえば、ある読書アプリでは、1 日に 25 ～ 30 分読書するユーザーの継続率は、5 ～ 10 分読書するユーザーの継続率よりもはるかに高くなります。したがって、ユーザーの読書時間を増やすことは、記憶力を向上させる方法として考えられます。

一般的なリテンション分析シナリオには、さまざまなチャネルからのユーザーのリテンション、新規ユーザーと既存ユーザーのリテンション、新しい運用アクティビティと製品機能がユーザーの再訪問に与える影響も含まれます。

A/Bテスト分析

A/B テストは通常​​、新製品機能のリリース、運用活動のリリース、広告効果やアルゴリズムなどのテストに使用されます。

たとえば、ある製品では、インターフェイスの背景色の変更、ボタンのテキストの変更、モデルの変更などを含む 2 つの異なるインターフェイスが設計されています (インターネットからの画像)。クリックボタンの設計を例にとると、実験グループ (A) とコントロール グループ (B) のボタンのクリック数とクリック率を比較することで、どちらのクリックボタン設計がより良い結果をもたらすかを評価できます。

A/B テストを実施するには、次の 2 つの重要な要素があります。

まず、十分なテスト時間。

2 番目は、データ量とデータ密度の増加です。

商品のトラフィックが十分に大きくない場合、A/B テストを通じて統計結果を得ることは困難です。

数学モデル分析

ユーザーポートレートやユーザー行動の調査では、通常、数学的モデリング、データマイニングなどの手法が使用されます。たとえば、ユーザーの行動データ、関連情報、ユーザーのポートレートなどを通じて必要なモデルを確立し、対応する問題を解決できます。

5W2Hとは、なぜ（Why）、何を（What）、誰が（Who）、いつ（When）、どこで（Where）、どのように（How）、どのくらい（How much）のことで、主にユーザー行動分析、ビジネス上の問題の専門分析、マーケティング活動などに使われます。

この分析方法は、7 因子分析法とも呼ばれます。とてもシンプルで便利、そして実用的なツールです。ユーザーの購買行動を例に挙げてみましょう。

理由: ユーザーはなぜ購入するべきなのか?この商品の魅力は何ですか？

何: 製品はどのような機能を提供しますか?

誰: ユーザー グループは何ですか?このグループの特徴は何ですか?

いつ: 購入頻度はどれくらいですか?

場所: 製品が最も人気があるのはどこですか?どこで売るの？

方法: ユーザーはどのように購入するのでしょうか?購入方法は？

いくら: ユーザーが購入するにはいくらかかりますか?時間コストはいくらですか?

······

データ分析に関わるシステムは非常に大きく、学習教材や方法もたくさんあるので、一つ一つ列挙することはしません。以下の点に注意してください（考え方や方法を含む）。

· トピックの定性的または定量的分析:分析トピックを設計する際の重要なステップは、分析の目的が定性的か定量的かを決定することです。定性的であれば、通常は、関連性があるか無関係か、プラスの影響かマイナスの影響かだけを考慮する必要があります。定量分析はビジネス側で非常に人気がありますが、分析はより複雑で難しいため、通常は機械学習モデルを通じて解決されます。

分析トピックの 2 つのエントリ ポイントである指標の監視とビジネス上の問題について説明します。データ部門は指標の監視から問題を発見するのに適しており、ビジネス部門はビジネスから問題を発見するのに適しています。しかし、成熟したデータ部門にとっては、指標監視とビジネス監視を深く組み合わせることが、分析トピックを発見する上でより有益です。

数学的モデリング:ビジネス上の問題を数学的モデルに変換できれば、分析のアイデアを決定するのに非常に役立ちます。

·指標の革新: 指標は、実際にはデータ アナリストがビジネス上の問題を分析するために使用する武器です。どのような分析方法を使用する場合でも、必ず何らかのデータが必要となり、このデータの計算方法と範囲が分析結果に大きく影響します。言うまでもなく、あらゆるモデリング プロセスにおいて機能選択は非常に重要です。たとえそれが単なるビジネスの監視であっても、優れた指標は問題を正確に反映できる場合がよくあります。インターネットでは、PV、UV、継続時間、リテンション、クリックスルー率、離脱率が一般的に使用されます。ビジネス全体を監視するには適していますが、小規模なビジネスセグメントには不十分です。たとえば、コンテンツ プラットフォームとして、単一の露出のユーザー エクスペリエンスを測定するにはどのような指標を使用すればよいでしょうか。クリックスルー率の使用を提案する人もいるかもしれませんが、クリックスルー率はクリックベイトのタイトルの影響を受けます。現時点では、クリックスルー率が高いからといってユーザーエクスペリエンスが良いというわけではありません。より良い選択は、クリックスルー率、読書時間、読書の進捗状況などを 1 つの指標にまとめることです。

·全体と個人：大きく考え、小さく始める。データもビジネスも孤立して存在するわけではなく、アナリストにとって体系的な思考は非常に重要です。したがって、小さな問題に気付いた場合、それがこの小規模ビジネスに絶対に影響を及ぼさないことを知っておく必要があります。大きな目標に問題があると気づいたら、小規模なビジネスリンクに問題がある可能性があることを認識する必要があります。実践レベルでは、データ分析において、ミクロ分析により実験データを取得し、因果関係を見つけやすくなります。したがって、問題を常に細分化し、改善していく必要があります。

·解析次元の導入: 低次元空間で解決できない問題は、高次元空間でも問題になりません (三体問題を覚えていますか?)。たとえば、SVM は高次元空間でデータ サンプルを線形に分離できますが、低次元空間では線形に分離できません。したがって、分析上の問題に対する答えを見つけるのに苦労している場合は、重要な要素を見落としている可能性があります。もちろん、次元が多ければ多いほど良いというわけではありません。次元が多くなるほど、説明が難しくなるからです。結果は人々に見せるためのものであることを忘れないでください。

· 大胆な仮定を立て、それを慎重に検証する: 現実の世界ではビジネスに影響を与える可能性のある要因が多すぎるため、検証する最も可能性の高い要因を選択することが間違いなく近道です。この仮定をどのように立てるのでしょうか?まず第一に、ビジネスに対して十分な感受性を持つ必要があります。確かに、ビジネスのベテランは初心者よりも早く問題の根本原因を「嗅ぎ分ける」ことができます。第二に、データに対して十分な感度を持たなければなりません。データ間には関係性があり、関連する指標の変化から答えがわかる場合があります。この仮説が質問に対する答えであるかどうかは、最終的にはデータの検証に依存します。 「注意する」とは、検証プロセス中に他の要因からの干渉がないことを確認する必要があることを意味します。 ABテストは間違いなく良い方法です。また、検証プロセス中はロジックを厳格に保つ必要があります。

したがって、データがある場合、実際の問題を分析するのにどの方法が最も効果的であるかを明確に把握し、シナリオと組み合わせて柔軟に適用する必要があります。最良の分析方法というものはなく、最も適した方法があるだけです。

公開アカウントMumu Freedomより転載