データ操作と分析 (データ アナリストとオペレーター、もう数字を追いかける必要はありません!)

データアナリストの PK 操作、もう数字に追われることはありません!

データアナリストにとって、データに対する終わりのない需要は最も恐ろしいものです。データ アナリストが行う必要があるのは、受動性を積極性に変え、数字を追いかけるのではなく、データが業務に本当に役立つようにすることです。この記事では、いくつかのシナリオを組み合わせて、データを活用して運用分析を支援する方法を紹介します。見てみましょう。

データアナリストが最も恐れているのは、データ収集に対する終わりのない需要であるに違いありません。今回、このような需要シナリオに直面し、私たちは受動的な姿勢から能動的な姿勢へと転換し、データ分析を活用して業務をサポートしました。早速本題に入りましょう！

問題のシナリオ: ある電子商取引会社は最近、データを通じて、多数のユーザーがショッピング カートに商品を追加したものの、代金を支払っていない (略して「カートに追加したが購入していない」) ことを発見しました。運用部門はこの状況に取り組み始めましたが、リーダーたちは満足せず、データ分析チームにユーザーポートレートモデルを通じてカートに追加したが購入していない顧客を分析し、支払い率を上げるよう要求しました。あなたが会社のデータアナリストで、次のように質問しているとします...

質問 1: あなたはデータ アナリストです。最初にすることは何ですか?

1. 過去3か月間のカートに追加されたデータの傾向を確認する
2. ユーザーポートレートモデルを構築する
3. 商品をカートに追加したが購入しなかった顧客グループを分析する
4. 支払い率分析を実施する
5. オペレーションスタッフに何をしているのか聞いてみる

質問 2: このシナリオにおけるリーダーのニーズは何ですか?

1. ユーザーのポートレートモデルが必要
2. 顧客分析レポートが必要
3. 支払い比率を上げる必要がある
4. 業務改善の必要性

質問 3: ウェブサイトで何かを購入する場合、支払いを決定する最も大きな要因は次のどれですか。

1. ウェブサイトサーバーに余分なコードがある
2. ウェブサイトスタッフが書いたPPT
3. 人気の新型iPhoneを見ました
4. 最新の人気iPhoneを見ました。どこよりも安いですよ
5. 他の場所よりも500元以上安い人気の新しいiPhoneを見ました

データ分析が役に立たない理由の 80% は、それが現実から切り離され、孤立して行われているからです。現実から乖離し、孤立して働く根本的な原因は、データを扱う人々がデータそのものに執着しすぎて、本当にやりたいことを忘れてしまうことにあります。たとえば、このケースのシナリオでは、上記の 3 つの質問をすると、愚か者でも理解できます。

• ユーザーは特定の価格の特定の製品に対してのみ支払い、PPT やコードに対しては支払いません。
• リーダーに必要なのは、コピーライティング、アクティビティ、ページ、価格に対応する運用を改善することです。
• 業務を改善するには、まず他社が何をしているのか、改善の余地はどの程度あるのかを把握する必要があります。
• アルゴリズム、モデル、レポート、数式、さらには数字も、すべて改善方法を見つけるための手段です。

したがって、最初にすべきことは、次の点についてオペレーターに相談することです。

• この顧客グループに対して現在どのような対策が講じられていますか?
• 各対策の開始時期
• リーダーの不満の具体的なパフォーマンスに注目してください。最初のステップは、具体的なアクションを理解することです。動作の良し悪しについては、操作説明を聞くこともできますが、それ以上は自分で分析する必要があります。データの傾向を組み合わせて、潜在的な機会と問題を特定します (以下を参照)。

ここではコミュニケーションスキルも重要です。

このシナリオでは、リーダーたちの不満がすでに顔に表れていることに注目してください。このとき、運用部門に対して、「私はあなた方と協力して解決策を見つけ、このタスクを一緒に完了させます」という姿勢をしっかりと示す必要があります。これがより多くの支持を得る唯一の方法です。

「自分はすごい、あなたたちはみんなバカ」のように振る舞うなら、他人に束縛されて恥をかくことになるのは目に見えています。

質問4: 調査の結果、現在の運営では、ショッピングカートに追加された金額の10%のクーポンを発行していることがわかりました。例えば、100 元の商品には 10 元、200 元の商品には 20 元が付与されます。クーポンの配布には区別はありません。これを知れば、あなたは...

1. ユーザーポートレートモデルを構築する
2. 顧客セグメント分析レポートの作成
3. 支払い比率曲線を分析する
4. 分割製品変換

質問 5: カートに追加された商品の問題に良い影響を与えたことをどのように証明しますか?

1. ユーザーポートレートモデルの報告
2. 顧客グループ分析レポートのレポート
3. 支払い比率曲線を報告する
4. 運用パフォーマンスの変化の報告

質問6: 新しい戦略が成果を生み出したことを証明できる状況は次のどれですか（以下を参照）

人間の一般的な心理は、待つ時間が長くなればなるほど、期待が高まるというものです。特に、すでに不安になっているときは、すぐに結果が出ることを期待します。

したがって、このシナリオでは、ユーザー ポートレート、モデル、レポートはすべて正しいのですが、主な考慮事項は、効果が出るまでにどれくらいの時間がかかるかということです。結果が早く現れるほど良いです。同時に、効果的な方法はシンプルであればあるほど良いです。方法が複雑になればなるほど、参加できる人数が少なくなり、より大きな責任を負わなければならなくなります。

例えば、先ほどの「超精密購買モデル」は、データを扱う人以外には理解できません。最終的に効果が良くなかった場合は、データを扱った人が責任を負わなければなりません。ここでも、「顧客に消費してもらうには何行のコードを書く必要があるか」という疑問が生じます。

つまり、コードに頼らず、オペレーションと連携してクーポン配布を優先するということです。これを聞いた学生の多くは、その効果は早くて良いので、扱いにくいと感じるかもしれません。

ここでの「効果的である」には、いくつかの種類の効果もあることに注意してください。最も単純な概念である入力と出力の比率を使用すると、入力を減らし、出力を増やし、比率を改善することはすべて効果的であると考えられます。

したがって、最初から問題を完全に解決することを目標にするのではなく、結果を継続的に最適化することを目標に設定してください。これにより、作業の完了が容易になり、継続的な結果も保証されます。

このように整理してみると、考えがずっと明確になります。つまり、現在のクーポンの全面配布は非常に乱暴なやり方だということです。商品によって利益率は異なります。このような単純かつ大まかな値引きは、粗利益を著しく圧迫し、粗利益がマイナスになる製品を生み出す可能性が高くなります。

同時に、賞味期限が近づいている商品もあるため、在庫処分のためにさらに利益を出すことも可能です。商品によっては、商品自体の利益率が高いものもあるので、さらに利益を伸ばす余地があります。この整理の後、最初の段階のアクションは非常に明確になります (以下に示すように)。

質問 7: 次の 2 つのオプションのうち、どちらを最初に行う必要がありますか?

このシナリオでは、リーダーはすでに不満を抱いており、外部の部門に連絡していることに注意してください。この場合、すぐに「投資額にXXX百万を追加する必要があります」と言うと、資本が直接逆噴射されるか、追加投資後の効果は無敵だと考えてリーダーの期待がさらに高まることになります。

どちらの場合も、あなた自身が穴を掘っていることになります。したがって、コスト削減の観点から始めるのが最善です。まず、マーケティング費用を節約するために、明らかにマイナスの影響を与える補助金を削減します。次に、期限切れが近づいている製品をいくつか製造し、在庫を処分します。そして、解放されたコストを高利益商品の補助金として使い、カートに追加のコンバージョン率を高めます。

その後は繰り返し続けることができます。例えば、利益率の高い商品の転換率が向上した場合は、価格弾力性テストを実施し、補助金を適切に削減し、マーケティング費用の新たな波を放出することができます。単一製品の販売がほぼ完了している場合は、解放された利益を使用して、全額割引やクロスセルを行うことができます。

これらは単なる価格操作であり、データの計算は簡単で、結果も簡単に確認できます。結局のところ、配布されるクーポンは実際のお金です。こうすることで、効果的であるだけでなく、長持ちします。毎月のパイロット プログラムと 4 ～ 5 回の反復により、少なくとも半年間は継続できます。この貴重な6か月は、「人工知能アルゴリズムの推奨」や「ビッグデータユーザーポートレートの洞察」のためのデータを蓄積し、モデルをトレーニングするための十分な時間を得るために使用できます。

価格がほぼ同じであれば、当然継続することができ、効果も最適化され続け、皆が幸せになります。大きな動きを最初から控え、半年も控えて、結局何も起こらないまま、恥をかいて去っていくよりも、ずっと良いことです（次の図を参照）。

学生の中には、次のように質問する人もいるかもしれません。「このシナリオでは、運営側はまず包括的な補助金を支給し、その後最適化を行うので、コストを削減する余地がある。」操作を小規模なグループでのみ試験的に実行し、失敗して最適化する必要がある場合は、どうすればよいでしょうか?

これは、特に小規模な MVP をテストする場合に良い質問です。サンプルサイズが小さいため、さまざまな状況を分析する必要があります。私たちは何をすべきでしょうか?

コラムニスト

地道な教師の陳、WeChat 公開アカウント: 地道なアカデミー、そして「みんなはプロダクトマネージャー」のコラムニスト。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 pexels から取得されています。

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。