データ分析の運用方法（オペレーターがデータ分析を活用してビジネスの成長を促進する方法）

事業者がデータ分析を活用してビジネスの成長を促進する方法

オペレーターはデータを学習する方法を学ぶ必要があります。末端から→業界×機能方向へとスタートし、セグメントを見つけ、徹底的な改善を行い、ビジネスの成長を可能にします。

今日のテーマはデータ分析です。

まず、データ分析の概念を再理解しましょう。データ分析を定義する前に、「子供は母親に似ているか、父親に似ているか」という興味深い質問について、データ分析者がどのように考えるかを見てみましょう。

これについても考えてみましょう。あなたは母親に似ているでしょうか、それとも父親に似ているでしょうか?この件についてどう判断しますか？

この直感的な判断を下すのに役立つ器官がいくつかあります。たとえば、目が似ていれば似ていると感じますし、鼻も同様に感じますが、耳で判断する人はいません。したがって、データ思考で問題を解決する場合、最初に行う必要があるのは適切な指標を見つけることです。

科学界が現在、目と鼻が 2 人の人間の類似性の度合いを決定できる 2 つの器官であると考えていると仮定すると、いくつかの経験的データを追加できます。たとえば、目の平均長さは 27 ～ 30 mm です。鼻の長さは約6～7.5cmです。

さて、この子は父親と母親のどちらに似ているか分かりますか？目だけ見れば、彼女は母親に似ています。鼻だけ見れば、彼女は父親に似ています。

感情の世界で判断できない場合は、考え方を変えて、すべてをデジタルの世界に置き、計算式に変換して判断する必要があります。

ここで、この 3 人の目と鼻のデータを x 軸と y 軸に投影すると、子供が真ん中にいることがわかります。

デジタルの世界では、2 つのデータ ポイント間の類似性は実際には距離によって表現できます。座標系で 2 つの点が互いに近いほど、すべての次元でこれらの 2 つの点のデータが近くなると考えられます。したがって、感覚世界における 2 つのものが類似しているかどうかという質問を、デジタル世界における 2 点間の距離を求めることに変換できるようになりました。

やり方を知るのはとても簡単です。私たちは中学校でピタゴラスの定理と呼ばれる公式を学びました。座標系では、ピタゴラスの定理を使用して 2 点間の距離を計算します。データを式に代入すると、子供と母親および父親の間の距離を計算できます。このように、子供と母親の距離は 26 の平方根であり、29 の平方根よりも小さいため、子供が母親に近いことがわかります。これがデータ分析における定量的な考え方です。

このケースは、ほぼすべてのデータ分析の基本的なロジックです。データ分析は、物理世界のオブジェクトをデジタル世界にマッピングするのに非常に優れています。データの世界では、あらゆることが計算できるので、物理世界では解決できない問題も多く、このようにデジタル世界では解決できるのです。そして、これこそが、私たちがよく育成について話しているデータ思考なのです。

さて、この事例について話した後、データ分析とは何かについて、誰もがより直感的に理解できたと思います。今では、実際の仕事において、ビジネスに基づいて定義することができます。

データ分析とは、実際にはデータを使用して論理的な分析を行うプロセスです。その本質は論理的分析ですが、データ ツールの助けを借りて行われます。したがって、データ分析は、データ機能と論理分析の 2 つの部分に分けて理解する必要があります。そして重要性の点では、データよりも論理的な分析の方が重要です。

運用担当者にとって、データを取得したり、データやグラフを表示したりするには、データ機能が必要です。

まず、数字の取得の問題について見てみましょう。諺にあるように、料理が上手な人は米なしでは料理ができません。データを分析したい場合は、まずデータを取得できなければなりません。現在、当社のオペレーション担当者のほとんどは、システムから注文をダウンロードするか、IT 部門にデータのインポートを依頼してデータを取得しています。ただし、特にデータ量が多い場合やビジネス シナリオが複雑な場合には、これは非常に非効率的です。 IT 部門がインポートするデータは正確ではない可能性があり、間違ったデータがインポートされたかどうかを検出するのは困難です。

このようなケースはよく見かけます。プロダクトマネージャーである私の友人は、IT 部門に要件を尋ねたら、その後 IT 部門からデータが渡されたと言っていました。彼はデータを使って計算をしましたが、その数字が間違っていることに気づくまでには長い時間がかかったかもしれませんが、当時は誰もそのことを知りませんでした。原因はおそらく、データベースからデータを取得する方法を知らない製品マネージャーにあると思います。私たちのオペレーション部門の同僚、特に昇進を希望する人や大企業で働きたい人は、データを取得する能力が必要です。もっと直接的に言えば、データベース、つまりSQLを操作する能力です。

次に、データを取得した後、指標の意味やデータ指標システムのロジックなど、数字を確認できる必要があります。私は学生たちに、それぞれの主要データが何を意味し、どのような重要性を表し、それがビジネスにどのような変化をもたらすかを知ることの重要性について話しました。私たちはデータを理解し、指標に対して特に敏感でなければならず、さらに各指標の背後にある定義を掘り下げなければなりません。

たとえば先月、ビジネス要件を受け取ったとき、プロジェクト チームの 1 つから、再購入率を調べて、再購入率が毎月どのように変化するかを確認するように依頼されました。しかし、買戻し率指標自体の定義は非常に複雑です。異なる人口に対しては、さまざまなサイクルや異なる定義が存在する可能性があります。彼と長い間話をした後、彼が求めていたのは再購入率ではなく、リピート購入率だということに気付きました。運用管理者がこれら 2 つの指標の違いを理解していない場合、全体的なコミュニケーション効率が非常に低くなり、上司にこの指標の設定方法を説明できなくなります。

したがって、オペレーションを学ぶ学生全員がデータインジケーター定義テーブルを作成し、自分で管理することをお勧めします。インターネットからダウンロードしないようにしてください。インターネットからダウンロードしたコンテンツは、会社のシナリオに適していない場合が多く、会社ではあまり役に立たない可能性があります。

3つ目の能力はチャートを作成する能力です。理解するために、グラフを 2 つの部分に分割することができます。 1 つの部分はグラフ、つまり視覚的なグラフです。 2 番目の部分に関しては、誰もがテーブルの作成方法を知っておく必要があります。 「中国式報道」という用語がありますが、これにはさまざまな側面があります。時間だけでなく、さまざまな次元も見ます。私もこのタイプの時計は好きではありませんが、リーダーが見たいと思うものであることは間違いありません。

さて、データの機能についての説明は終わりましたので、論理分析の部分についてお話ししましょう。最も一般的なデータ分析ロジックは、実際には比較、分解、帰属という 3 つのことを行います。

データ分析から結論を導き出したい場合は、常に比較を行う必要があることを忘れないでください。たとえば、自分をより背が高く見せるために、自分と対照的な背の低い人たちのグループが必要ですか?したがって、比較を行う場合は、比較の基準が必要です。

比較した後は分解する必要があります。この単語を分析するということは、実際にはそれを分解することを意味します。データ分析の本質は継続的にドリルダウンすることです。

全体から重要な部分をどうやって切り離すのでしょうか?基本はコントラストです。したがって、これら 3 つの論理分析プロセスは独立しているのではなく、段階的に進行していることがわかります。

作業の最初の 2 つの部分を完了すると、帰属というさらに困難で大きな作業が残ります。実際のところ、オペレーション部門の同僚だけでなく、私たちデータアナリストにとっても、結果の帰属先を特定するのは非常に困難です。たとえば、よくある質問: 売上が落ちましたが、その理由は何ですか?すべての学生がこの問題に遭遇すると思いますが、どのように解決すればよいでしょうか?最も一般的な方法は、売上高を平均注文額と売上高、または平均注文額と顧客数に細分化するなど、指標を細分化することです。

内訳を確認した後、各指標の前年比成長率を見て、前年比でどの指標の減少率が最も大きいかを確認します。この指標は、当社の全体的な下落の可能性を高めるものと考えています。この場合、分析と比較なしでは帰属は達成できないこともわかっています。

さて、先ほどデータ分析の概念とそれに必要なスキルのいくつかについて説明しました。その後、データ分析がどのようにビジネスの成長を促進するかについて説明します。

この問題は、データ駆動型の反意語である「直感駆動型」から始まります。ビジネス上の意思決定にデータを使用しない場合は、常識に基づいて判断します。たとえば、雷が鳴ったら雨が降りそうだと思って傘を持っていきます。しかし、天気予報ではより多くのデータを集めて天気を判断できるので、雷は鳴っているけれど雨は降っていなければ傘を持っていく必要はありません。これが直感主導型とデータ主導型の違いです。

もちろん、すべてのシナリオがデータ分析に適しているわけではありません。これが機能するための前提条件の 1 つは、基礎となる大量のデータがあることです。そのため、多くの企業、特にスタートアップ企業では、分析どころか、データもまったく持っていません。この段階では、ビジネスを推進するために経験を頼りにすることがより重要です。そのため、データ分析は、企業の成熟度が中期から後期、あるいは業務全体の中期から後期の段階において、より洗練された業務を行う必要があるときによく使用されます。

データ分析の価値は、金鉱で金を掘ること、マジックナンバー、OKR の分解の 3 つの部分に分けられると思います。

金鉱山で金を掘るとはどういう意味ですか? 80/20 ルールによれば、ビジネスにおいて最も価値のある 20% の顧客または 20% の製品がロングテールであり、残りの 80% がロングテール製品であるため、ロングテール理論に基づいた意思決定が必要になります。

私の記事のこの部分の元のタイトルは「砂金採り」でした。これは砂漠で金を探すという意味ですが、私の上司は実際には砂金採りだけでは満足していません。上司がよく私に言うのは、金鉱で金を掘るように、まずはビジネスにとって最も価値のある人材を見つけなければならないということです。

もちろん、最初のステップは最も価値のある手がかりを見つけることです。たとえば、私たちがよく使用する RFM モデルは、重要かつ価値のあるユーザーを見つけるのに役立ち、効率的なコンバージョンを促進するためのインセンティブをユーザーに提供します。たとえば、ボストン マトリックスは、収益源となる製品や主力製品を見つけるのに役立ち、それによって当社は投資を増やし、市場シェアを向上させることができます。たとえば、広告チャネル アトリビューション モデルを使用すると、どのチャネルが最も効率的であるかを企業に伝えることができるため、企業は広告を継続的に掲載して ROI を向上させることができます。

2 つ目はマジックナンバーです。これは実際には「グロースハッキング」の分野で言及されている概念です。簡単に言えば、その機能の 1 つは、企業が目標を設定し、いくつかの手段を確立するのを支援することです。

実際の仕事では、60 点取れば済むものもあれば、100 点取らなければならないものや、基準を突破しなければならないものもあります。マジックナンバーは、どの程度達成すべきかという問題を解決するのに役立ち、また運用において基準と中間の閾値を定義するのにも役立ちます。

たとえば、クラスター分析によって、異なる製品や異なる人々のグループ間の境界線を見つけることができます。これは、ユーザーセグメンテーションの基準の中で最も重要な部分でもあります。たとえば、会員制度を確立する場合、会員レベルをいくつかのレベルに分ける必要があります。ダイヤモンド会員とはどのような会員で、ゴールド会員とはどのような会員ですか？その間には根拠があり、これも分析を通じて行うことができるものです。

たとえば、ユーザーリーチ戦略に関して、ユーザーに 3 回リーチするべきでしょうか、それとも 5 回リーチするべきでしょうか?たとえば、現在トレーニングを行っている友人の中には、サービス アカウントを実行する際にいくつかのベンチマークを設けている人もいます。それは、サービス アカウントをフォローし、48 時間以内にユーザーに到達するという最も効率的な方法です。最良の効果を得るには、48 時間以内に何回連絡すればよいですか?この n は、データ分析を通じてこの魔法の数字を見つけることができます。

毎年末になると、各事業部門の責任者は上司と目標について話し合うだけでなく、データ部門の同僚を探して指標を継続的に取得し、データを測定および計算する必要があるため、データアナリストは実は非常に忙しくなります。ビジネス マネージャーが、この目標を設定せずに数か月間、上司やグループとコミュニケーションをとっているのをよく見かけます。結局のところ、目標を高く設定しすぎるとチームはそれを達成できず、低く設定しすぎるとリーダーは満足しません。したがって、私たちは合理的な目標を設定します。それ自体が価値であり、これには分析が必要です。

最も重要なことは、目標を設定した後、より実用的な計画を立てられるように、それを KPI レバーに細分化する必要があることです。

いくつかの大きな目標は実際には達成が難しく、設定が非常に複雑で、強力な論理を必要とします。この時点で、市場分析を開始し、いくつかの競合製品のデータを分析して、市場全体の発展規模とブランド全体の発展の余地を予測することができます。これが私たちのデータ分析でできることであり、私たちは方向性を決めることができます。

大きな目標を設定した後は、もちろん、上司の最終目標と組み合わせて、いくつかのロジックツリー分析手法を使用して、現状に基づいて大きな目標を分解して分析する必要があります。過去の経験に基づいて、改善できる最も価値のある問題点を見つけ、新年に実行できる実践的なアクションを形成します。これは、一部の OKR を細分化するプロセスにおいてデータ分析が果たす役割です。

次に、オペレーターがデータ分析を学ぶ正しい方法についてお話しします。先ほど、データ分析の概念をデータと分析に分けて説明しました。そのため、学習プロセスでも 2 つの部分に分けて学習します。

1 つはツール テクノロジーであり、データ機能の向上に役立ちます。もう 1 つの部分は思考方法であり、論理的分析能力を向上させるのに役立ちます。

運用担当者にとって、Python や BI は必要なく、分析で使用される統計的確率や機械学習を詳細に学ぶ必要もありません。もちろん、学ぶ時間と意欲があれば、Python を学ぶことは非常に費用対効果が高いです。

Excel を学ぶにはどうすればいいですか?

誰もが習得すべきだと思う 5 つのポイントは次のとおりです。

1. よく使われる機能
2. これらの関数のより高度な組み合わせとネスト
3. 視覚化してみる
4. さらに一歩進んで、ピボットテーブルをスライサーに接続します
5. 動的なレポートを作成する機能

誰もがこの5つのポイントを習得できれば、Excelは大丈夫だと思います。すぐに使用できる関数へのリンクもここに用意しました。独学で勉強したい場合は、評判の良いBilibiliで王培鋒の動画を検索することもできます。

Excel をさらに上達させたいなら、Power Query を学習することをお勧めします。 Excel との違いは、Power Query ではビッグ データを処理でき、ポイント アンド クリックで実行できることです。 13 種類のデータクリーニング方法を解決すれば、100 万レベルを超えるデータを操作できるようになります。

もっと上達したいならSQLを学んでもいいでしょう。前述したように、実際にデータベースを操作します。 Songyue 氏は、これまでデータ分析について皆様と共有してきた中で、SQL の重要性を繰り返し強調してきたと思います。ここではこれ以上強調しません。

無料の学習ルートをいくつか共有します。 Mosh SQL の説明は非常に明確です。英語の場合は、もちろん中国語の字幕が付いています。英語があまり得意でない場合は、Shang Silicon Valley に関するコンテンツを検索できます。日本のエンジニアが書いた、非常に古典的な SQL の教科書が 2 冊あります。

SQL をどの程度まで学ぶべきでしょうか?ここに基本的な講義シリーズがありますので、SQL を学習した後にご覧ください。独学で勉強する場合は、ここで週ごとの学習スケジュールを参考にして学習計画を立てることもできます。

分析方法については以前に説明しました。モデルがいかに複雑であっても、それは実際にはこれらの分析方法のバリエーションです。ここでは 13 個をリストしましたが、これで十分だと思います。それぞれの分析方法でいくつかの問題を解決できます。たとえば、相関分析はパッケージ販売などの問題を解決できます。当社では、より良い販売結果を得るために、特定の製品をパッケージに組み合わせたり、特定の機能を組み合わせたりすることがあります。

ファネル分析には、Tmall の AIPL を母集団として、JD の 4A、さらにはグロースハッキングの AARRR 海賊モデルなど、さまざまなバリエーションがあります。実際、それは本質的にファネル分析であり、それ以上のものではありません。そのため、誰でもこれらの分析を検索して学習することができます。

データや分析手法と比較すると、ビジネスモデルは特定の分野における経験の蓄積です。たとえば、先ほど説明した AIPL をファネル分析と呼べないのはなぜでしょうか? AIPLは、eコマース事業者の運用経験を統合したモデルだからです。 Alibaba は、このモデルがすべての電子商取引業者のユーザー資産分析の問題を解決するのに役立つと信じており、このモデルを使用して分析を行っています。

また、このことから、学習ビジネスモデルは、電子商取引、ゲーム、機能的なユーザー指示など、私たち自身の業界や機能と組み合わせる必要があるというインスピレーションも得られます。実際、それぞれの分野には独自のビジネス モデルがあり、誰もがその一部を学ぶだけで済みます。

どうやって見つけるのですか?ここでは、これら 43 のモデルすべてをリストしたリンクを示します。それらすべてを理解する必要はないので、それらに目を通すことができます。興味があり、仕事に役立つと思われるものを 3 つ、5 つ、または 10 個選び、興味があれば詳しく学習してください。

さて、これが今日共有したデータ分析の内容です。

著者 |三潔科知乎の契約講師であり、業務におけるユーザー価値の向上を中心としたデータ分析プロジェクトの実施を担当する現場データ分析スーパーバイザーであるビスケット。