顧客運用データ分析（データ運用：顧客肖像データ分析！）

データ操作：顧客ポートレートデータ分析！

ビジネス データは複雑で数も膨大です。膨大なデータから、ユーザーの成長とコンバージョンを導くための重要な指標をどのように定義できるでしょうか?

データを通じてユーザーエクスペリエンス製品のコアパスを知るにはどうすればよいでしょうか?ユーザーエクスペリエンスを向上させるために製品のオンボーディングガイドを設計するにはどうすればよいでしょうか?より多くのユーザーに製品の核心を体験してもらい、 「コンバージョンの可能性が高い」ユーザーになってもらうには？

ユーザーを運用する際に、データを活用して既存ユーザーのプロファイルを明確にし、さまざまな業界のユーザーの核心的な関心事を見つけ出し、ユーザーの再購入を増やすための洗練された運用を行うにはどうすればよいでしょうか。

これらは、膨大な量のデータに直面したときに多くのオペレーターが知りたいことかもしれません。私たちは皆、データには強力な力があり、クリーンなデータは明確な前進の道を示してくれることを知っています。諺にあるように、データを見ることができないオペレーターは良いプロダクトマネージャーとは言えません。データとユーザーインタビューを通じて定性的かつ定量的に分析し、それに応じた戦略を立案して成長を導くユーザー成長プロダクトオペレーターとして、本日はデータを通じて運用能力を向上させ、運用戦略を策定するのに役立ついくつかのハードコア能力についてお話しします。

データ分析のプロセスには、データの追跡、データの取得、データの分析、実行可能な運用戦略の作成など、いくつかの段階があります。どのステージも難しいです。

データを抽出する操作の実際のシナリオとしては、次のようなものが考えられます。

これは非常に一般的な状況であり、運用の観点はビジネスの観点ですが、開発の観点はデータの観点であるため、理解できます。このフィールドには、おっしゃるとおりユーザーがアクティブかどうかは含まれません。このとき、このユーザーがどのような業界に属していて、どのような機能を使用していて、どのようなビジネスモデルを持ち、どのようなステータスにあるかを明確に示すデータセットが必要だと必ず思います。 ！

ここで疑問が浮かび上がります。データを明確に整理し、実際にビジネスを導くことができる指標をまとめるにはどうすればよいでしょうか?

データを通じてユーザーポートレートを定義するにはどうすればよいでしょうか?

1. ユーザーライフサイクル指標、製品使用行動指標、ユーザー購入行動指標、ユーザー能力行動指標、ユーザー自然人属性指標など、必要な指標タイプを明確に定義します。
2. できるだけ明確にデータを伝え、できるだけ詳細なデータを取得します。データを抽出するときは、多次元データを使用しないことが最善であることに注意してください。多次元データはありません。
3. データを処理し、主要な動作に影響を与える可能性のある指標を無視しないようにしてください。モデルやExcelなどの高度な（見せかけの）手段を使用して、マクロデータ（業界全体または地域全体のユーザーデータ）と傍観者データ（ユーザーごとの記録のような詳細なデータ）を分析する
4. 分析結果に基づいて適用可能な指標体系のセットを取得し、各ユーザーに指標を自動的に適用します。
5. ユーザーポートレートは最初に完成しており、後で最適化することができます。

指標の定義：シナリオベースの定義により、抽出する必要がある指標の特定が容易になります。

データや開発と通信してデータを抽出する前に、まずどのようなポートレート結果を得たいのかを考える必要があります。ここでは大胆に仮定を使うことができます。例えば

これは非常に明確です。一般的には、データを 2 つのタイプに分割し、2 つのタイプのデータに基づいて関連する指標を改良します。

ここでの各データの種類は、さらに詳細なデータ指標に細分化できます。たとえば、ユーザーの基本データはこのように絞り込むことができ、他の指標タイプもこのように絞り込むことができます。製品の属性や理解する必要があるコンテンツに基づいて指標を選択できます。

データ抽出 - 多次元データの次元削減

指標の定義を明確にすると、一部の指標には複数の次元が含まれる可能性があり、それらを比較および分析する方法がないことがわかります。

たとえば、ユーザーが特定の種類の製品を正常に作成したとします。各商品の販売数量、販売数量は異なります。製品機能の使用状況を総合的に管理するにはどうすればよいでしょうか?ここでは、比較評価における多次元比較の状況を減らすために、加重平均によって実行できる次元削減、またはモードまたは中央値を表現として採用することによって、データを処理する必要があります。

データ分析 - 「最も重要な指標」が何であるかを発見する

ユーザー レコードには、関連付けられたデータ フィールドが多数あります。有料ユーザーと無料ユーザーの根本的な違いは何ですか?ユーザーにお金を払わせるための鍵は何でしょうか?ユーザーは何を気にしますか?

この場合、どの独立変数が従属変数 (ユーザー支払い) に関連しているかを明確に把握するための分析が必要になることがあります。ここで私は CHAID 決定木というアルゴリズムを推奨します。このタイプの意思決定ツリーは、最終結果に影響を与えるコア変数を見つけるために特に使用されます。言い換えれば、機能、ユーザーの行動、属性が非常に多いため、どのタイプのユーザーがどのような属性を持ち、どのタイプのユーザーがどのような行動をとるかが、コンバージョンにつながる可能性が高くなるのです。

決定木アルゴリズムはどのように計算されますか?

ユーザーがどのように支払いを行えるかを理解する必要があると仮定すると、支払うかどうかが検討すべき従属変数となり、また、可変状況に基づいて決定木が予測する必要のある値となります。

データ セット全体を 20% と 80% の割合でトレーニング セットと検証セットに分割します。つまり、1 つの部分はモデルをトレーニングしてデータから特性要因を見つけられるようにし、もう 1 つの部分は検証と予測に使用して、モデルと選択した特性変数が有効かどうか、適合度がどの程度であるかを判断します。

独立変数から 2 つの指定された値を抽出し、従属変数を使用してカイ 2 乗検定を実行します。カイ二乗検定で両者の関係が有意でないことが示された場合、与えられた 2 つの正の値を組み合わせることができます。独立変数のすべての値が有意になるまで、独立変数の値の数を減らし続けます。

たとえば、データには 130 個の独立変数がありますが、それらの多くがユーザーの支払いに関係しているかどうか、ユーザーの週ごとのアクティブ時間の数がユーザーの支払いに関係しているかどうか、ユーザーが特定の機能を試みたことがユーザーの支払いに関係しているかどうかはわかりません。この場合、決定木のカイ二乗検定を使用して、独立変数と従属変数が距離によって関連しているかどうかを判断できます。

比較によって最も重要な独立変数を見つけ、独立変数の最終値に応じてサンプルを分割します。つまり、複数の異なるツリーを形成します（通常、CHAID は 2 つのツリー ノードを生成します）。

最後に、ユーザーが支払うかどうかに関連するすべての決定ポイントが表示されます。例えば、ライブ放送機能を3つ以上作成すると、支払い確率は80％にもなります。決定木は、無関係な、または相関がわずかである独立変数を排除し、ユーザーのコンバージョンと支払いにつながるものを判断するのに役立ちます。