データ操作手順（データ分析、収集の最も完全な要約、標準プロセス！）

最も包括的な要約、データ分析の標準的なプロセス、保存してください。

この記事では、2 つの基本プロセスと 6 つの具体的な状況を含むデータ分析の標準的なプロセスと、データ分析の結果を実際にどのように適用すべきかを体系的に説明します。データ分析を行ったものの、満足のいく結果が得られなかったと感じた場合は、この記事をお読みください。

このタイプのプロセスには通常、質問 → データ → 回答という3 つのステップがあり、ビジネス部門は一般的にこのパスに沿って考えます。たとえば、営業マネージャーであれば、自分のパフォーマンスを最も気にするので、まず次の点を確認します。

1. 質問 1: 私のチームのパフォーマンスはどうですか?
2. データ 1: 今月のコンプライアンス状況... 今年のコンプライアンス状況...
3. 回答 1: 目標を 20% 上回り、目標を達成しました。

もちろん、もっと深く考えることも可能です。たとえば、同社では現在、業績ランキング賞を設けており、毎月、前年比成長率が最も高い国内上位 5 チームにボーナスが支給されます。もう20日ですが、賞品を獲得できる可能性はあるのでしょうか。

次に、さらに次のことを分析します。

1. 質問 2: 現在のランキングと今後 10 日間の予想成長率に基づくと、賞品を獲得できますか?
2. データ2：19日時点前年比成長ランキング…各チームの今後10日間の完了予想状況。
3. 回答2: 現在の業界と将来の成長率に基づいて、ボーナスを受け取ることはできますか？

知らせ！質問 2 は質問 1 よりもはるかに複雑です。質問 1 では履歴データの統計のみが求められるのに対し、質問 2 では今後 10 日間の傾向を予測する必要があるためです。

予測する方法はいくつか考えられます。たとえば、

• 過去 20 日間の傾向を使用して、次の 10 日間の傾向をシミュレートするだけです。 （トレンド外挿）
• 昨年の同時期の傾向に基づいて、今後 10 日間の傾向をシミュレートします。 （定期分析）
• 現在フォローアップ中の顧客の予想コンバージョン率に基づいて推奨される結果*。 （ビジネスモデル）
• 売上数、売上費用などに基づいてデータをモデル化し、結果を予測します。 （アルゴリズムモデル）

これはよく「複雑な要件」と呼ばれます。要件が複雑になると、主にデータリンクにおいて、データ分析プロセスも長くなります。方法が複雑になるほど、より多くのデータ準備が必要になります。では、複雑な方法とは何でしょうか?

複雑さレベル 1: 現在の状況を理解する。これは最も簡単な方法です。履歴データを直接カウントできます。例えば、1月3日時点の今年度の新規ユーザー追加数/累計販売実績など。 1月3日に在庫がどれくらいあるかなどお知らせ！単にデータを列挙するだけでは、現状が良いのか悪いのかを説明することはできません。問題点を発見するには、累計販売実績＋業績評価基準などのデータ＋判断基準が必要です。

この場合のデータ分析プロセスは、企業が現状を把握したい→統計データ指標＋判断基準→現状の説明、となります。

複雑度レベル 2: 原因分析。典型的な質問としては、たとえば、「なぜ私のパフォーマンスは目標を達成しなかったのか？」というものがあります。ビジネスが仮定を立てる場合と立てない場合では、処理フローが異なることに注意してください。

つまり、さらに深く掘り下げたい場合は、ビジネス上の質問について仮定を立てる必要があります。そうしないと、データが指標を細分化した場合、「人数が少ないので基準を満たしていません。人数を増やすことをお勧めします！」などの表面的な結論しか出ない可能性が高くなります。出力されます。

複雑さレベル 3: パフォーマンスの最適化。典型的な質問としては、「最高のパフォーマンスを達成するには何をすべきか？」などがあります。この時点で、結論に達する前に、前の 2 つの複雑さの問題をすべて完了する必要があります。

したがって、パフォーマンスの最適化プロセスは特に長くなります。多くのデータアナリストは、ビジネス改善のための提案をどのように行うべきかを知りません。実際のところ、それは前のステップでの準備が不足しているためです。彼らは状況を全く理解しておらず、直接的な提案をすることもできません。

複雑さレベル 4: トレンドの予測。前のセクションで予測の例を示しました。実際、すべての予測問題は非常に複雑です。合理的な予測を行うには、少なくとも現状を把握し、問題点を知り、事業に改善計画があるかどうかを知り、多くの情報を収集する必要があります。

現時点では：

• ビジネスアクションを考慮しない場合は、トレンド外挿を直接使用することができ、分析プロセスは非常に短くなります。ビジネスでは予測結果を知りたい → 過去のトレンドを観察する → 過去のトレンドに応じて関数を適合させる → 結果を直接外挿します。
• 「追加投資をしたらどうなるか」など、企業が自らの行動を検討したい場合、プロセスは複雑になります。企業は、予測される結果を知りたい→過去の傾向を観察する→モデルを構築し、投資の影響を定量化する→パラメータを代入して結果を予測したい。

つまり、ビジネス上の質問が複雑になるほど、分析プロセスは長くなり、事前の準備も必要になります。そうしないと、価値のある結論を出すことが難しくなります。

ビジネス側が積極的に要件を提起しない状況もありますが、データアナリストが率先してデータからビジネス上の意味を読み取り、ビジネス上の問題を発見する必要があります。このときの基本的なプロセスは、データ → 質問 → 回答です。

しかし！このプロセスはしばしば続行できません。多くのデータアナリストはデータを見ることしかできず、ビジネスの状況を理解していないからです。したがって、この数字をどう解釈したらよいかわかりません。例えば：

• 累計売上高は分かっているが、事業評価基準が分からないので「良い・悪い」の解釈ができない。
• 売上ランキングは分かりますが、ビジネスランキング報酬の詳細が分からないので、誰が報酬を獲得する可能性があるのか​​分かりません。
• ある商品の売れ行きが非常に悪いため売上が悪いことはわかっていますが、商品の属性がわからないため詳細な分析を行うことができません。

そこで、本稿では、毎日レポートを見つめている学生たちに、ビジネスとのコミュニケーションをもっと深め、ビジネスの背景や現状に対する理解を深めてもらうために、ビジネスの観点から分析を行う方法について多くのスペースを割いて紹介します。幸いなことに、ビジネスとデータのコミュニケーションがまだ非常に密接な企業が多く、「データ→質問→回答」という基本的なプロセスを最適化することができます。

• 例えば、異常な変化を起点として、データ→異常な変動→業務コミュニケーション→問題の確認→詳細な分析・問題解決といった流れになります。これは通常、データ アナリストが指標の異常な変化を発見し、それをビジネス部門に確認したときに発生します。変更がビジネスによって開始された/すでに認識されていた/対処するための対策が講じられている場合は、心配する必要はありません。予期しない状況の場合は、問題の原因が特定されるまで徹底的に分析します。
• たとえば、ベンチマーク、データから開始 → ベンチマークの検出 → ビジネスコミュニケーション → 再現性の確認/問題の解決。これは通常、特定の製品/地域/チャネルのパフォーマンスが特に優れていることが判明したデータに基づいています。このとき、データによって、ビジネスにとってそれがチャンスポイントであるかどうか、またプロモーションする価値があるかどうかを積極的に確認することができます。企業がすでにそれを知っていたなら、それで終わりです。企業が興味を持っている場合は、ベンチマークの再現可能性を詳細に分析し、その推進を推進します。
• 例えば、部門連携の観点から、データ→関連状況分析→情報共有→問題確認→詳細分析・問題解決などです。これは通常、ビジネス分析を行うときに発生します。たとえば、売上が減少していることがわかった場合、サプライヤーにバックログのリスクに注意するよう注意を促すことができます。マーケティング費用が高いと感じた場合は、キャッシュフローに注目してください。企業が大きなイベントを計画していることがわかったら、カスタマー サービス/アフター セールスに準備をするよう通知できます。まず情報を共有し、関係部門が対応したかどうかを確認します。そうでない場合は、さらに分析を行ってください。

上記のすべてのプロセスは、便宜上、次の図にまとめられています。

コラムニスト

堅実な陳先生、WeChat公開アカウント：『誰もがプロダクトマネージャー』のコラムニスト、堅実な陳先生。インターネット、金融、日用消費財、小売、耐久財、美容など 15 の業界でデータ関連の豊富な経験を持つ上級コンサルティング コンサルタント。

この記事はもともと「Everyone is a Product Manager」に掲載されました。無断転載は禁止です。

タイトル画像は、CC0 プロトコルに基づいて Unsplash から取得したものです。

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。