運用上のユーザー階層化 (ユーザー階層化/ユーザー グループ化を製品に適したものにするにはどうすればよいでしょうか?)

自社製品に適したユーザー層別化・ユーザーグループ化を行うにはどうすればよいでしょうか?

ユーザーのセグメンテーションについて話すときは AARRR モデルを思い浮かべ、ユーザーのグループ化について話すときは RFM モデルを思い浮かべます。詳しく見てみましょう:

• AARRR: 新規、維持、アクティブ、有料、普及
• RFM: 直近の購入、消費頻度、消費量

2 つのモデルの指標を観察すると、 AARRR モデルの指標は非常に明白な累進関係にあるのに対し、RFM モデルの指標は互いに独立しています。この関係を区別することで、ユーザーの階層化とユーザーのグループ化の概念を区別するのに役立ちます。

RFM モデルをさらに詳しく見てみましょう。 R/F/Mの各指標がユーザーを2つに分けることができると仮定すると、RFMモデルはユーザーをC21C21C21=2*2*2=8種類に分けることができます。

図に示すように、RFM モデルの目的は、さまざまなユーザー グループに対応する運用戦略を開発することです。ランダムにユーザーを選択した場合、ユーザー属性は RFM (0,0,1)、つまり重要な価値を持つユーザー、最近消費したユーザー、消費頻度が低い、消費量が高いユーザーになります。 AARRR モデルでは、支払い行動が発生する前のこのユーザーのステータスは不確実です。

そのため、ユーザー セグメンテーションを行う際には、実際にはユーザー層別化とユーザー セグメンテーションを同時に包括的に実行し、つまり、分析に適した次元 (ユーザー セグメンテーションは本質的に多次元分析手法です) を見つけたい場合があります。

この包括的な分析はユーザーセグメンテーションに近いため、以下ではユーザーセグメンテーションと呼ぶことにします。

上から下へ、全体から部分へという思考モードを指します。この思考モードは非常に明確な階層関係を持ち、私たちが普段使っている線形思考とは大きく異なります。構造化思考では、思考を支援するためにいくつかの思考フレームワークを使用し、断片化された情報を体系化し、思考をより広く包括的なものにします。

正式名称は「Mutually Exclusive Collectively Exhaustive」で、中国語で「相互に独立し、完全に網羅的」という意味です。つまり、重要な問題に対して、重複のない、漏れのない分類を実現することができ、問題の核心を効果的に把握し、問題解決の有効な手段となるのです。

（この2つの内容は、バーバラ・ミントの「ピラミッド原理」から引用したものです。興味のある方は詳しく読んでみてください）

構造化思考と MECE 分析の目的は同じで、分析中の重複や欠落を避け、分析の正確性と完全性を確保することです。これら 2 つは、分析指標を構築するときに特に役立ちます。

指標は多くの場合、目標を測定する単位または方法です。指標は、目標の実際の状況をより明確かつ正確に把握するための基準となります。

指標の定義は特に重要です。

例えば、重慶麺を食べるとき、店長は辛さを弱めにするか、中辛にするか、それとも激辛にするか聞いてきます。福建省出身のあなたは、少し辛い料理を頼みました。食べ始めると辛すぎて水を飲み続けましたが、上司は「少し辛い」が一番辛くないと考えていました。ここで、上司の「ちょっと辛い」という基準があなたの基準と違うことに気づくでしょう。

また別の例としては、記事を公開したときにコメントがすべて賞賛だったが、記事がほとんど読まれずコンバージョン効果が良くない場合、コメントを評価基準として使用することはできません。コメントを生成するプロセスにすでにファネルが存在するため、コンテンツが気に入らないユーザーの多くは痕跡を残さずに去ってしまう可能性があります。

同様の例はたくさんあるので、ここですべてを列挙することはしません。つまり、指標を策定する際には、目標を完全に測定できる正確な指標を選択する必要があります。

私の意見では、良い指標とは、客観的に分析できる中核的な推進指標であるべきです。それは比率であるべきです。優れた指標は、誤解を招くような虚栄心の指標であってはなりません。

たとえば、アクティブ ユーザーの数よりもアクティビティ率の方が重要です。アクティビティでは、閲覧数よりもコンバージョン率の方が重要です。

果物の販売を例に、構造化された思考を使用して、ビジネス プロセスを上から下まで分析し続けます。

プロセスの観点からは、各ステップに対応する指標が設定され、購買チャネルを通じてコストが管理され、商品販売を通じて売上と利益が把握され、商品販売と店舗閲覧の比率が有料コンバージョンとなります。この比率は、店舗と商品を最適化することで改善できます。

もちろん、このように指標をリストアップする場合でも、中核となる指標を見つけ、虚栄心の指標を取り除き、指標を押し付けないように注意する必要があります。

RFMについては前回の記事で説明しました。ここからは、実際の状況に応じてどのように調整していくかを中心にお話しします。

長期間運用されている K12 教育アプリのユーザーをセグメント化する必要がある場合、次の点を考慮する必要があります。

1. RFM モデルを適用するときは、まずサンプル属性と RFM モデルの属性の違いを比較します。

K12教育商品は主にコースや知識などであり、販売されるのは期間です。期間によって、一部のユーザーの再購入行動が更新に変わる可能性があり、製品カテゴリの数もユーザーの再購入行動の発生に影響を与えます。

2. グループ化の目的を明確にし、その目的を主軸として、グループ化の次元を上から下まで整理する必要があります。

教育ユーザーの場合、新規ユーザーの追加や活性化の促進の観点から、より多くの新規ユーザーを獲得し、より多くのユーザーをアクティブに保つことがグループ化の目的ですが、今回の私のグループ化の目的は、支払いを増やすことです。私の目標は2つあります。

1つは、すでに支払ったユーザーにさらに支払わせることであり、もう1つは、支払っていないユーザーに有料化することです。未払いステータスのユーザーには、支払い期限が切れたユーザーと、一度も支払ったことがないユーザーの 2 つのカテゴリが含まれます。一度も課金したことのないユーザーをさらに細分化すると、新規ユーザーと既存ユーザーに分けることができます。この考え方に沿って、層ごとに考えていくと、最終的に私たちが望むユーザー セグメンテーションの次元に到達します。

3. 主なディメンションに加えて、実際の状況に基づいて他のディメンションを補足する必要がある場合もあります。

K12 教育製品を例にとると、学校やクラスなどの属性が追加されている製品もありますが、追加されていない製品もあります。もちろん、これは製品の位置付けと大きく関係しています。学校やクラスを追加すると、ユーザーの離脱コストが一定程度増加します（当面は拡大されません）ので、より洗練された運用を行うのに役立つこれらのディメンションを追加できます。

上記の 3 つのポイントを組み合わせると、次のグループ化ディメンションが存在します。

次に、各ディメンションを定義する必要があります。通常、次の 3 つの点を考慮します。

（１）次元の本来の状態に基づいて区別する。たとえば、クラス ディメンションは、ユーザーの属性に応じて、クラスありとクラスなしの 2 つのタイプに分けられます。

（２）新規ユーザーや既存ユーザーなど、自社のデータ統計に応じて差別化を図る。元のデータ統計が 7 日以内に新規ユーザーとして登録したユーザーを指していると仮定すると、ここでも同じ定義を使用する必要があります。

（３）散布図分布に基づいて区別する。たとえば、使用頻度の場合、過去 N 日間の各ユーザーのアクティブ日数の散布図分布に基づいてディメンション属性を定義できます。

上記の 3 つの基準に従って、次の図が得られます。(具体的な定義は示されていませんが、自分で試してみることができます)

以上で、ユーザーをグループ化する作業は大まかに完了しました。

ユーザーのグループ化には多大な労力を費やしてきましたが、グループ化後の運用戦略の方が重要です。次の点に注意する必要があります:

1. グループ化のためだけに、無理に差別化された活動を作成したり、大幅に異なる運用計画を策定したりしないでください。グループ化後は複数のユーザー グループに直面することになりますが、計画された運用アクティビティが複数のユーザー グループで同時に実行されることもあります。現時点では、意図的に区別する必要はありません。

2. 運用上のフィードバックに基づいてグループ化を改善します。何らかの理由により、初期のグループ化は完璧ではないかもしれませんが、運用結果を通じて徐々に改善することができます。

3. A/B テストを活用して運用戦略の有効性を評価します。同じグループ内のユーザーの基本変数は一貫しているため、運用戦略を検証するための A/B テストに適しています。

また、対応する運用戦略の策定と実施についてはここでは説明しません。

この記事はもともと @无花 によって Everyone is a Product Manager に掲載されました。著者の許可なく複製することは禁止します。

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