アプリ操作データ分析（アプリ上のデータを分析するには？）

APPのデータを分析するには？

著者の長年にわたる APP データ分析の経験に基づいて、APP データ分析のアイデアをいくつか説明します。覚えておいてください、私たちは実際の運用ではなく、アイデアについてのみ話します。 APP データ分析に興味のあるパートナーの皆様のお役に立てれば幸いです。

友人が以前勤めていたインターネット企業では、リスク耐性が非常に弱かったと私に話しました。運用部門全体が、顧客維持や活動などの指標を考慮せずに、新規顧客を増やすことに全力を注いでいました。

2017 年には、他のチャネルを除いて、ASO のみを通じてアプリ市場から流入した新規ユーザーの数は 1 日平均 30,000 人に達しました。しかし、維持率は特に低く、7日間のアクティブ維持率は10％程度しか維持できません。

その後、新しいプロダクトマネージャーが会社にやって来ました。このプロダクトマネージャーは会社の問題に気づき、徐々に会社全体のデータシステムを改善していきました。その後、運用データ指標体系が徐々に明確になり、同社のユーザー数も健全な成長状態に入り、当時のオールインで生み出された新規利益よりもはるかに持続可能になりました。

データ分析をしっかり行えば、持続的な利益成長が実現できると嘆き、データ分析の重要性を痛感した。

データ分析には大きな価値の可能性があるという彼の見解に私は完全に同意します。

今日は、APP データ分析における長年の経験に基づいて、APP データ分析のアイデアをいくつか説明します。覚えておいてください、私たちは実際の運用ではなく、アイデアについてのみ話します。 APP データ分析に興味のあるパートナーの皆様のお役に立てれば幸いです。

ダウンロードユーザー数、新規ユーザー数、アクティブユーザー数、有料ユーザー数などの日々のデータ運用指標は、運用において最も基本的かつ基礎的なデータであり、大物経営者が最も注目する中核指標です。

これらの指標にはデータの正確性と適時性に対する高い要件があるため、新しい会社に入社したり、新しいプロジェクトを引き継いだりすると、最初のタスクはこれらのデータを整理することです。

さらに、運用指標システムにおける多くの指標は、これらの基本指標から派生しています。これらの基本指標のデータ品質が標準に達していない場合、他の派生指標にも偏りが生じ、複数の基本指標の誤差が重なり合うことで偏差結果が基本指標よりも大きくなります。

基本指標のデータ品質をどのように確保するか?

ユーザー ID ロジックの設計は重要です。ユーザー統計の場合、データの品質はユーザー ID の設計ロジックによって直接決まります。

したがって、これらの基本データを取得するときは、統計の背後にある ID ロジックを明確に理解する必要があります。電子商取引やソーシャル アプリの場合、このタイプのアプリには強力なメンバーシップ システムがあるため、ユーザーを正確に識別する上で優れた補完的な役割を果たします。

成長段階または衰退段階にあるアプリの場合、運営チームはトラフィックを集め、新規ユーザーの注目を集めるために、できるだけ多くのチャネルを見つけようとします。

インターネットには多くのチャネルがあり、通常は入札チャネル（Baidu、Sogou、アプリストア）、SEOチャネル（Baidu、Sogou）、ニューメディアチャネル（WeChat公式アカウント、Weibo、Douyin）、アライアンス広告チャネル（Baidu Alliance、Alimama）、モバイル決済チャネル（Toutiao、Tencent Guangdiantong）、無料チャネル（QQグループ、WeChatグループ、Tieba、Q＆Aプラットフォーム、アプリストア）、ライブブロードキャストプラットフォーム（Huya Live、Inke）などです。

チャネルは非常に多く存在するため、チャネル効果を監視および分析することは、顧客獲得コストを削減し、チャネルプロモーションの ROI を向上させるのに非常に役立ちます。

チャネル分析とは、各チャネルの品質を監視し、どのチャネルがより効果的か、どのチャネルの単価が安いかを監視することです。もちろん、各チャネルにおけるユーザーのその後のパフォーマンスを監視し、各チャネルのユーザーにスコアを付ける必要もあります。どのチャネルに投資する価値があり、どのチャネルが無駄なのかを上司に明確に知らせなければなりません。どのチャネルに投資を増やす必要があり、どのチャネルを放棄する必要があるか。

運用チームに十分なリソースがあれば、異なる携帯電話モデル、異なるオペレーティング システム、異なる地域間のユーザー品質の比較分析も実行できます。つまり、新しいユーザーはさまざまな次元でスライスされ、さまざまな次元でユーザーのパフォーマンスを監視します。

もちろん、チャネル分析では、マーケティング担当者とデータアナリストが早急に取り組む必要がある 2 つの重要な問題、つまりチャネル詐欺とチャネルの帰属があります。チャネル詐欺とチャネル帰属はどちらも非常に複雑な研究​​テーマです。これら 2 つのトピックについては後で別途書きますので、ここでは詳細には触れません。

1 つの製品ですべてのユーザーを満足させることはできません。ケーキを食べて、それを残しておくことはできません。ユーザーがアクティブ ユーザーになる理由は、製品が特定のユーザー ニーズを満たしている必要があるからです。アクティブユーザーをよく研究することは、最もコアな機能ポイントを改善するのに役立つため、このグループの人々の行動は研究する価値が高くなります。

したがって、アクティブ ユーザー (またはコア ユーザー) は、アプリの最も貴重なリソースです。私たちは、APP のアクティブ ユーザーの動向に細心の注意を払い、彼らの声に耳を傾ける必要があります。

アクティブユーザー分析では、DAU、WAU、MAU、起動回数、使用時間、DAU/WAU、DAU/MAU などの指標に注目することができます。WAU と MAU はアクティブユーザーの総規模を反映し、起動回数と使用時間はアクティブユーザーの粘着性を反映し、DAU/WAU と DAU/MAU はアクティブユーザーのアクティビティを反映します。

アクティブユーザーの分析では、粘着性やアクティビティを反映する指標を詳細に研究する価値があります。たとえば、使用時間インジケーターを例に挙げます。この指標は、ユーザーが自然な期間内にアプリに費やす時間です。この指標の最大の機能は、ユーザーのアクティビティとユーザーの粘着性を評価することです。

ユーザーの使用時間が非常に理想的である場合、それはユーザーがアプリに対して高い認知度と厳格な需要を持っていることを意味し、逆もまた同様です。

一方、アプリを設計する際に、通常のユーザーがアプリに費やす時間をどれくらいにすると想定されていたかを考えてみましょう。オンラインになった後、ユーザーが実際に費やす時間は予想どおりですか?

ここで大きな偏差がある場合、それはユーザーのアプリに対する認識が当時の想像と異なることを意味します。この時点で、ユーザーの認識に合わせて製品を調整する方法を考える必要があります。

ユーザーポートレートは、実際にはユーザー情報のラベル付けです。性別、年齢、携帯電話のモデル、ネットワークモデル、職業、収入、興味の好みなど。ユーザーポートレート分析の中心的な作業は、人間が策定したラベル付けルールに従ってユーザーにラベルを付け、ラベル内の情報をすばやく読み取ることができるようにし、最終的にラベルを抽出して集約し、ユーザーポートレートを形成することです。

ユーザー ポートレートの主な適用シナリオには、ユーザー機能分析とユーザー セグメンテーションの 2 つがあります。

ユーザー機能分析は、特定のユーザー グループのユーザー属性を継続的かつ詳細に分析することで、ユーザー グループの全体像が徐々に明確になり、企業がユーザー グループのことを理解するのに役立ちます。行動特性は何ですか?好みは何ですか?根底にあるニーズと行動上の好みは何でしょうか?これらの特性を把握した後、後続のユーザー グループに対してターゲットを絞った分析を実行できます。

ユーザーセグメンテーションは、洗練された操作の基礎であり、さまざまな業界のデータ分析プロセスで広く使用されています。たとえば、ターゲット マーケティング グループを特定することで、企業が精密なマーケティングを実現するのに役立ちます。企業は、休眠ユーザーを呼び戻したり、失ったユーザーを呼び戻したりするための正確なプッシュ通知を実現できます。また、企業が電子商取引や情報アプリなどでパーソナライズされたコンテンツの推奨を実現するのに役立ちます。

変換とは何ですか?

ユーザーがビジネス価値ポイントの方向でアクションを実行すると、コンバージョンが発生します。ここでのビジネス価値ポイントには、登録、ダウンロード、購入、その他の動作の完了が含まれますが、これらに限定されません。インターネット製品および運用の分析分野において、コンバージョン分析は最も中核かつ重要なシナリオです。

電子商取引ウェブサイトでのショッピングを例にとると、成功した購入行動には、検索、閲覧、ショッピングカートへの追加、注文の変更、決済、支払いなどの複数のリンクが含まれます。リンクに問題があると、ユーザーの最終的な購入行動が失敗する可能性があります。洗練された運用の文脈では、コンバージョン分析を実施することが非常に重要です。

したがって、コンバージョン分析を行う場合は、製品のコア機能は何かを考えて、そのコア機能のコンバージョン率を監視します。業界によって対応するコンバージョン率が異なります。たとえば、ゲーム アプリでは支払い率に重点が置かれ、e コマース アプリでは購入率に重点が置かれます。

コンバージョン率分析では、自社製品を業界平均と比較して、自社製品が業界内でどの位置にいるのかを確認することもできます。さらに、長期的な傾向の監視を通じて、APP のさまざまなバージョンの長所と短所を評価することもできます。

失ったユーザーを呼び戻すことは運用作業の重要な部分であり、失ったユーザーを定義することがユーザー離脱分析の出発点となります。離脱ユーザーとは通常、製品やサービスを使用していたが、何らかの理由で使用しなくなったユーザーを指します。

実際の業務では、失われたユーザーの定義は、製品やサービスのビジネス タイプによってはるかに複雑になります。

• たとえば、電子商取引製品の場合、ユーザーの購買行動の定義に基づいて、一定期間再購入を行わないユーザーは失われたとみなされます。
• たとえば、コンテンツ製品の場合、ユーザーのアクセス動作の定義に基づいて、一定期間アクセスしていないユーザーは失われたとみなされます。
• たとえば、ビデオ製品の場合、ユーザーの視聴行動の定義に基づいて、一定期間視聴していないユーザーは失われたとみなされます。

したがって、失われたユーザーを定義するには、製品のビジネスタイプに基づいて主要なユーザー行動を定量化する必要があります。

ユーザーの離脱はノードではなくプロセスです。離脱したユーザーは、正式に製品の使用をやめる前に、訪問頻度の大幅な減少、オンライン時間の大幅な減少、インタラクション頻度の大幅な減少など、いくつかの異常な行動特性を示します。

そのため、ルールや機械学習モデリングを通じてユーザー離脱警告メカニズムを構築し、離脱するユーザーの確率を事前に予測し、離脱の可能性が高いユーザーに対して活動に介入する運用をサポートする必要があります。

条件が許せば、業界平均と比較することで、自社製品の解約率が業界内でどのような位置にあるかをより意識することができます。さらに、行方不明ユーザーのプロファイルを作成することもできます。これにより、行方不明ユーザーの特性をより深く理解できるようになります。失踪したユーザーのポートレートがより詳細かつ代表的であればあるほど、リコール成功率は高くなります。

しかし、失ったユーザーと失ったユーザーのプロフィールだけでは十分ではないことはわかっています。また、ユーザーがどこで迷っているのかを見つけ出し、どこでユーザーが迷っているのかを確認し、それに応じて製品に的を絞った変更を加える必要があります。

離脱したユーザーを明確に定義し、そのプロファイルを理解し、どのチャネルに集中しているかを把握したら、次にユーザーリコールのパスと戦略を定義する必要があります。

ユーザーの視点から、ユーザーに製品を再度使用する理由を与えます。失ったユーザーを呼び戻すだけでは終わりではありません。リコール効果を強化するには、リコールした離脱ユーザーを維持し、再活性化する必要があります。

APP ユーザーのライフサイクルとは何ですか?

これは、ユーザーがアプリとの関係を確立した時点から、アプリとの完全な関係を断つ時点までの開発プロセス全体を指します。ユーザーがライフサイクル全体を通じてアプリにもたらす合計価値をライフサイクル価値と呼びます。

APP ユーザーのライフサイクル全体は、ユーザー価値の貢献の観点から、探索期間、形成期間、安定期間、衰退期間の 4 つの異なる期間に分けられます。各期間のユーザーは、アプリに異なる価値をもたらします。

（１）試用期間

現時点では、ユーザーは主に、APP 製品が提供する機能やサービスに対する自身のニーズを検証し、検討します。ユーザーは、製品が自分のニーズを満たせないと気付くと、すぐに離れてしまいます。

そのため、製品を企画する際には、ターゲット層やターゲットユーザーのニーズを正確に把握し、製品がオンライン化された後に大規模なユーザー流出が発生しないようにする必要があります。この期間中、ユーザーの価値貢献は比較的低くなります。

（２）形成段階

製品の機能やサービスがユーザーのニーズを満たすことができれば、ユーザーはその製品を暫定的に使用することになり、このプロセスにおいて製品のユーザー エクスペリエンスが決定的な役割を果たすことになります。特に同種のアプリが多数ある場合、ユーザーは圧倒的にエクスペリエンスが優れたアプリを選択することになります。

この期間中に、ユーザーは真に製品を選択し、使用を決定することになり、ユーザーが生み出す価値も急速に高まります。

（３）安定期

この期間のユーザーは、忠誠度と活動レベルが最も高くなります。彼らは製品を頻繁に使用し、口コミを通じて製品を宣伝し、より多くのユーザーを引き付けて製品を選択するよう推奨します。この期間中のユーザー価値創造は最高レベルに達し、長期にわたって安定した状態を維持します。

（４）退化段階

安定したユーザーが劣化段階に入る原因となる要因は多数あります。たとえば、子供が成長した場合、その製品の使用をやめることになります。

つまり、ユーザー満足度に影響を与える特定の要因により、ユーザーが退化段階に入り、その後完全に製品から離れてしまう可能性があります。ユーザーが劣化期間に入ったら、タイムリーなユーザーメンテナンスを実行する必要があります。この段階では、ユーザーによって生み出される価値は急速に減少します。

上記で要約した APP データ分析のアイデアは包括的なものではありません。たとえば、A/B テスト、ヒートマップ分析、フォーム分析、パス分析などのよく使用される分析のアイデアは含まれていません。 APP データ分析のアイデアはたくさんあります。実際、市場にはすでに非常に成熟した APP データ分析ツールがあり、強力な分析サポートを提供しています。

例えば、国産のものではUmeng、MTA、Talkingdata、Sensors Data、Growingio、Zhuge IO、Shugeekなどがあり、海外のものではGA、Mixpannel、Appseeなどがあります。すべてのAPPデータ分析ツールは、基本的なデータ分析の次元を除いてほぼ同じであり、各製品には独自の利点があります。

そのため、サードパーティのデータ分析ツールを選択する場合は、分析目的や自社の状況に応じて、自分に合ったデータ分析ツールを選択する必要があります。

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

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