データ操作分析のやり方（操作乾物）

操作のヒント

ソース |アクティビティボックス-APPアクティビティ操作ツール（huodonghezi.com）

データ駆動型の時代では、感覚や経験に基づいて意思決定を行う時代は終わりました。運用マネージャーとして、データから問題を見つけ、分析し、解決するために、特定のデータ分析機能を習得する必要があります。

では、データ分析とは何でしょうか?オペレーションではデータ分析をどのように活用して製品の最適化を図っていますか?データ分析の方法は何ですか?次に、データ分析についていくつかお話させていただきます。

データ駆動型で洗練された運用時代の到来とともに、製品機能をどのように反復していくのでしょうか?製品変換プロセスを最適化するにはどうすればよいでしょうか?ユーザーのポートレートに基づいて正確な配信を行うにはどうすればよいでしょうか? ...こうした一連の問題に直面すると、これまで有効だった方法がもはやそれほど信頼できるものではなく、客観的なデータに基づく分析によって、業務の意思決定をより正確に支援できることがわかります。

例えば、交通運用の面では、PVやUVといった虚栄心の指標だけに注目するだけでは不十分だと思われます。 CPC、DAU、平均訪問期間、訪問深度、直帰率、平均トラフィックコンバージョンなどのより洗練された指標と、これらの指標に基づく大規模なデータ分析は、ユーザーの行動を判断する上でより分析的に意味があります。

1. コンセプト

データ分析は、その名前が示すように、データ + 分析であり、データが最初に来て、分析が二番目に来る必要があることを意味します。収集された大量の一次データと二次データを適切な統計手法を使用して分析し、データの価値を最大化します。有用な情報を抽出し、結論を導き出すために、データを詳細に調査して要約するプロセスです。

2. 目的

当社では、データ分析を活用して、常に特定のビジネス上の問題を解決し、ビジネスの成長を促進しています。解決したい問題の種類に応じて、データ分析の目的は、現状分析、原因分析、将来予測の 3 つに分けられます。

（１）現状分析

現状分析の意味は、大きく分けて「何が起こったか」と「今何が起こっているか」という2つの観点から捉えることができます。分析を通じて、企業の全体的な運営状況をお伝えし、企業のさまざまな業務運営の発展と変化を理解していただき、企業の運営状況をより深く理解していただくことができます。

現状分析は、通常、日報、週報、月報などの日々のレポートを通じて完了します。

（２）原因分析

現状分析の第一段階を終えると、企業には特定の隠れた危険があることがわかるので、これらの隠れた危険を分析する必要があります。たとえば、ある商品の登録コンバージョン率は 15% で安定しているはずですが、ある日突然 5% 未満に低下してしまいます。この時、その日のデータを分析し、登録コンバージョン率の低下の原因を突き止め、解決策を提示する必要があります。これが原因分析です。

原因分析は、通常、特別な分析によって完了し、実際の動作条件に基づいて特定の現在の状況に対して原因分析が選択されます。

（３）未来を予測する

現状と原因を分析した後、次のステップは将来を予測することです。オペレーターは保有するデータとデータ分析手法を使用して、将来の開発動向を予測します。

たとえば、ある電子商取引会社の 7 日間の再購入率は平均 30% です。現在、初回購入者は1,000名です。これらのユーザーの行動は監視され、7 日間で再購入率が 30% に達するかそれを超えるかどうかが確認されます。買戻しの成長率はデータの結果に基づいて判断されます。これはデータ分析と将来のアプリケーションの予測です。

予測分析は通常、四半期計画、年間計画、その他の計画を策定する際に実行されるテーマ別分析を通じて完了します。現状分析や原因分析ほど頻繁には行われません。

データ分析を初めて行う人の多くは、データ分析のやり方が分かりません。一度にすべてをやろうとすると、どこから始めればいいのかわからなくなってしまいます。これらはすべて分析的なアイデアの欠如の現れです。今日は、データ分析のワークフローと、一般的に使用されるデータ分析の方法論と手法の一覧を紹介します。

1. データ分析プロセス

データ分析には主に、分析の目的とアイデアの明確化、データ収集、データ処理、データ分析、データ提示、レポート作成という、比較的独立しつつも相互に関連する 6 つの段階が含まれます。

写真はインターネットから

（１）分析の目的とアプローチを明確にする

何かをする前には明確な目的が必要ですが、データ分析についても同じことが言えます。データ分析を行う前に、まずデータ分析の目的を明確にし、なぜデータ分析を行うのか、どのような結果を達成したいのかを把握する必要があります。たとえば、元の商品ランディングページの購入コンバージョン率は比較的低く、トラフィック流入後の購入コンバージョン率を高めるには新しいランディングページが必要です。

（２）データ収集

データ収集とは、決定されたデータ分析とフレームワークの内容に従って、関連するデータを意図的に収集し統合するプロセスです。データ分析の基礎となります。

データを収集する方法の 1 つは、自社製品のコードに「視点」コードを追加することであり、もう 1 つの方法は、サードパーティのデータ統計ツール (Baidu Statistics など) を使用することです。これらはすべて、製品内での一連のユーザー行動を監視し、その後の分析のためにデータを保存できます。

（３）データ処理

データ処理とは、データ分析を実行するために収集されたデータを処理および整理することを指します。データ分析の前の重要な段階です。このプロセスは、データ分析プロセス全体の中で最も長い時間がかかり、データ ウェアハウスの構築とデータ品質の保証にもある程度依存します。

データ処理の主なタスクには、データのクリーニング、データの変換、データの抽出、データのマージ、データの計算などの処理方法があり、さまざまな生データをデータ分析に必要なスタイルに処理するために使用されます。

（４）データ分析

データ分析とは、適切な分析方法とツールを使用して処理されたデータを分析し、貴重な情報を抽出し、効果的な結論を導き出すプロセスを指します。

この段階では、データを制御してデータ分析を実行するには、ツールと方法を使用する必要があります。一般的なデータ分析は Excel で完了できますが、高度なデータ分析には、Power-BI、SPSS、R などの専門的な分析ソフトウェアやその他のデータ分析ツールを使用する必要があります。

（５）データの提示

一般的に、データ分析の結果はグラフや表の形で提示されます。諺にもあるように、言葉は表ほど良くなく、表はグラフほど良くありません。データ表示方法を利用すると、提示したい情報、意見、提案をより効果的かつ直感的に表現できます。

よく使用されるデータ チャートには、円グラフ、縦棒グラフ、棒グラフ、折れ線グラフ、散布図、レーダー チャートなどがあります。もちろん、これらのチャートをさらに整理して処理し、ピラミッド チャート、マトリックス チャート、ファネル チャート、パレート チャートなどの必要なグラフィックにすることもできます。

（６）レポート作成

最後の段階は、データ分析プロセス全体の要約とプレゼンテーションであるデータ分析レポートを作成することです。レポートを通じて、データ分析の原因、プロセス、結果、提案が意思決定者の参考として完全に提示されます。優れたデータ分析レポートは、優れた分析フレームワーク、明確な結論、実行可能な提案または解決策という 3 つの要件を満たす必要があります。

2. データ分析の方法論

データ分析にはさまざまな方法論がありますが、この記事ではそれらについて説明しません。エディターは、より一般的な理論をすべての人に紹介し、将来データ分析フレームワークを確立する際のガイドとして使用できます。

（１）PEST分析手法

PEST分析手法は、政治、経済、社会、技術の4つの側面から内部環境と外部環境を分析し、マクロ環境の分析に適しています。 PEST 分析手法は、マクロ環境の現状と変化の傾向をあらゆる側面からよりよく把握することができ、企業が生存と発展の機会を活用し、環境からの潜在的な脅威をできるだけ早く検出して回避するのに役立ちます。

写真はインターネットから

PEST分析手法には、政治、経済、環境、社会の4つの要素が含まれており、「PESTハザード」とも呼ばれています。 PEST では、上級管理職が関連する能力と資質を備えていることが求められます。 PEST は、企業および環境分析のための基本的なツールです。外部の全体的な環境の要因と組み合わせると、SWOT 分析で機会と脅威をまとめることができます。

（２）SWOT分析

SWOT 分析 (TOWS 分析、Dows マトリックスとも呼ばれる) は、状況分析手法です。 S (強み) は利点、W (弱み) は欠点、O (機会) は機会、T (脅威) は脅威またはリスクです。

写真はインターネットから

SWOT 分析は、企業自身の競争上の優位性、欠点、機会、脅威を特定し、それによって企業の戦略を内部リソースおよび外部環境と有機的に組み合わせるために使用される科学的な分析方法です。

この方法を使用すると、研究対象が置かれている状況について包括的、体系的かつ正確な調査を実施できます。研究対象に密接に関連するさまざまな主要な内部の強み、弱み、外部の機会、脅威を分析することで、通常はある程度の意思決定を伴う結論を導き出すことができます。結論に基づいて、対応する開発戦略、計画、対策を策定することができます。

（３）５W2H分析法

下の図に示すように、5W2H 分析法では、なぜ、何を、誰が、いつ、どこで、どのように、どのくらいという7 つの共通次元から問題を分析します。

写真はインターネットから

この分析方法は、7 次元分析法とも呼ばれ、非常にシンプルで便利かつ実用的なツールです。企業のマーケティングや経営活動に広く活用されています。意思決定や実行施策に非常に役立ち、課題の検討漏れを補うのにも役立ちます。

簡単に言えば、5W2H法は問題を発見し解決する方法です。

（4）4Pマーケティング理論

4Pマーケティング理論は、製品、価格、場所、プロモーションのことで、1960年代にアメリカで生まれました。マーケティング分野では、この市場志向のマーケティングミックス理論が企業に最も多く利用されています。

写真はインターネットから

企業のマーケティング活動はすべて、製品、価格、チャネル、プロモーションの 4P 理論に基づいて行われていると言えます。これら4つを組み合わせて調整することで、企業の市場シェアを拡大​​し、利益を上げるという最終目標を達成することができます。

携帯電話業界にとって、4P理論は馴染み深いものであるはずです。 OPPOを例に挙げましょう。製品、価格、チャネル、プロモーションのあらゆる側面を学ぶ価値があります。

• 製品

消費者にとって、問題点を解決する製品は良い製品です。 OPPO の製品戦略は、消費者のより高い要求に継続的に応え、消費者の悩みを解決することです。 「5分の充電で2時間通話」や「この瞬間、もっとクリアに」というスローガンは、この点をよく反映しています。

• 価格

OPPO の全体的な価格戦略は、全国的に価格を統一し、厳密に管理することです。この戦略では、異なるチャネルで異なる価格が発生することはありません。ある程度、オンライン チャネルも制限されます。オンラインとオフラインの価格が同じであれば、消費者は購入前に実店舗に行って実物を体験する意欲が高まります。もちろん、この方法は会社の価格管理に役立ちます。一方、消費者の安心感にもつながります。割引感はないが、不利になるわけでもない。むしろ、ブランドに対する信頼が高まります。

• 場所

OPPO のチャネルは、「OPPO-地方代理店-代理店-ユーザー」というよりフラットな傾向があり、OPPO はチャネル パートナーとバンドル方式で協力します。一部のパートナーは会社の株式を保有しており、これによりチャネル パートナーは販売においてより注意深く、熱心に働くようになります。また、チャネル パートナーとの高度な信頼関係を構築し、変動の中でも安定して存続できるようにします。

• プロモーション

OPPO のマーケティングプロモーション戦略は、積極的な宣伝と大規模な登場です。これにより、消費者は情報を苦労して検索する必要がなくなり、簡単に受け入れることができ、この受け入れは主観的で受け入れる意欲が生まれます。典型的な例としては、楊冪、李易鋒、TFboys、楊洋、迪阿里尔巴など、多数の人気アイドルをブランドの宣伝に招待することが挙げられます。 「ランニングマン」や「Go Fighting」など、多くの人気バラエティ番組のスポンサーを務める。各地の利用者数の多い空港、地下鉄、高速鉄道駅などに広く広告を展開します。この直接的かつ鋭いアプローチにより、消費者はブランドが伝えたいメッセージを素早く受け取ることができます。

（５）AARRRモデル

AARRR モデルは、すべての運用担当者が理解する必要があるデータ モデルです。有名な「Growth Hacker」のデータ分析フレームワークもこのモデルに基づいています。

AARRR は、獲得、アクティベーション、維持、収益、紹介を含むユーザー ライフ サイクル全体から始まります。

写真はインターネットから

各リンクは、ユーザーの獲得からアクティビティの増加、維持率の向上、収益の獲得、そして最終的なバイラル拡散の形成まで、ライフサイクルにおける 5 つの重要なプロセスに対応しています。

3. 一般的なデータ分析方法

上記では、明確なデータ分析フレームワークの構築に役立つ 5 つの古典的な分析手法を紹介しました。では、具体的なビジネス シナリオの問題に対しては、どうすればよいでしょうか?

以下の編集者は、実際の業務のニーズに応じて、データ分析でよく使用されるいくつかの方法を紹介し、データ分析の実際の適用において皆様のお役に立てれば幸いです。

（１）トレンド分析

トレンド分析は、データ監視およびデータ分析の最も単純で基本的かつ最も一般的な方法です。クリックスルー率、GMV、アクティブユーザー数など、コア製品指標の長期追跡に適しています。

一般的には、データトレンドチャートが作成されます。直感的な数字やトレンドチャートを通じて、市場、ユーザー、製品の特性などを素早く理解できます。また、さまざまな次元に従って指標を分割し、最適化ポイントを見つけることもできるため、正確かつリアルタイムで意思決定を行うことができます。

電子商取引のウェブサイトを例にとると、トラフィックを最初の重要な指標とします。ウェブサイトの訪問者数（UV）やページビュー（PV）などの指標を統合データダッシュボードに集約し、リアルタイムで更新します。このようなデータ ダッシュボードを使用すると、主要な数値と傾向が一目でわかります。

（２）多次元分解

単一の数値や傾向がマクロすぎる場合は、より詳細なデータの洞察を得るために、さまざまな次元でデータを細分化する必要があります。ここでのディメンションには、ブラウザ、アクセス元、オペレーティング システム、広告コンテンツなどが含まれますが、これらに限定されません。ディメンションを選択するときは、分析結果への影響を慎重に考慮する必要があります。

たとえば、ウェブサイトの直帰率が 0.47、平均訪問深度が 4.39、平均訪問時間が 0.55 分であるかどうかを監視する場合。次に、これらの指標を、地域、アクセス元、デバイス、ブラウザなどの複数の次元に細分化できます。細分化すると、多くのアイデアが見つかります。

（３）ユーザーのセグメンテーション

特定の最適化と分析を通じて、特定の行動や背景情報を持つユーザーをターゲットにすることを、ユーザー セグメンテーションと呼ぶことがあります。

例えば、登録コンバージョン率を考える場合、ユーザーのログインプラットフォームがPC、タブレット、携帯電話のいずれであるか、また北京、上海、広州、深センなどのユーザーグループを区別する必要があります。これにより、チャネル戦略と運用戦略をターゲットにして最適化できるようになります。

（4）ファネル分析

ファネル分析は、最も一般的なデータ分析方法の 1 つです。ウェブサイトのユーザー行動分析やAPPのユーザー行動分析のトラフィック監視、製品のターゲット変換など、日常のデータ操作やデータ分析作業で広く使用されています。たとえば、ファネルチャートを使用して、ウェブサイト内の特定のキーパスの変換率を分析できます。ユーザーがウェブサイトにアクセスしてから購入するまでの最終的なコンバージョン率を表示できるだけでなく、キーパス全体の各ノードのコンバージョン率も表示できます。

ファネル分析を行う際に注意すべき重要なポイントが 2 つあります。

• 全体的なコンバージョン率を見るだけでなく、コンバージョンプロセスの各ステップのコンバージョン率にも注意を払う必要があります。
• ファネル分析も複数の次元に細分化する必要があります。内訳を見ると、さまざまなディメンションでのコンバージョン率も大きく異なることがわかります。

（５）保持分析

人口ボーナスが徐々に薄れつつある時代においては、既存ユーザーを維持するコストは新規ユーザーを獲得するコストよりもはるかに低いため、分析において維持率は最も重要な指標の 1 つとなります。

リテンション分析は、ユーザーのエンゲージメント/アクティビティを分析するために使用される分析モデルであり、最初の行動を実行したユーザーの何人がその後の行動を実行するかを調べます。これは、ユーザーにとっての製品の価値を測定するための重要な方法です。すべての製品とサービスは、ユーザー維持に重点を置き、すべての顧客が確実に実現されるようにする必要があります。

保持率を測定するための一般的な指標には、翌日保持率、7 日間保持率、30 日間保持率などがあります。

（6）A/Bテスト

グロースハックの主なアイデアの 1 つは、大きくて包括的なものを作ることではなく、すぐに検証できる小さくて正確なものを継続的に作ることです。クイック検証、検証方法は？主な方法はABテストです。

A/B テストは、2 セットの計画を採用して目標を達成することです。実験を通じて、2 つの計画セットのデータ効果を観察し、2 つの計画セットの長所と短所を判断します。

たとえば、Google は検索結果の表示方法（テキストのタイトル、フォント サイズ、色など）をさまざまな方法で変更し、検索結果内の広告のクリック率を継続的に最適化します。

写真はインターネットから

A/B テストを実施するときに注意すべきことの 1 つは、A/B テストを実施する前に A/A テストまたは同様の準備を行うことが最善であるということです。 A/A テストとは何ですか? A/A テストは、2 つの実験グループが同じレベルにあるかどうかを評価するものであり、A/B テストが意味を持ちます。

データ分析プロセス中は、非常に経験豊富なデータアナリストであっても、データの誤りに注意する必要があります。これらの種類のエラーを理解することで、分析中に災害を回避できます。

1. データの偏り

データを分析する際に個人的な偏見や動機に影響を受けること。つまり、自分の主張を裏付けるデータのみを選択し、裏付けないデータは破棄する。 「データの偏り」はデータの客観性を破壊します。

この誤りを避ける方法は、関連データをできるだけ多く収集し、データを分析するときに他の人の意見を求めることです。

2. サンプリングバイアス

代表的でないデータから結論を導き出すこと。例えば、ネット界隈の人たちにはほとんど使われていないニュースや情報アプリなのに、なぜこのアプリは今でもこれほど多くの閲覧数があるのでしょうか？

したがって、データを分析する際の重要なステップは、どのデータが欠けているかを自問することです。データは一部しか反映していないため、全体像を把握できない場合もあります。

3. 誤った因果関係

データを分析する場合、同時に発生する（相関する）2 つのイベントが因果関係にあると判断するのは簡単です。

この誤りを避ける方法は、より多くのデータを収集し、考えられる第 3 の原因を調べることです。場合によっては、それらの相関関係が互いではなく、第 3 の独立した要因に関連している可能性があることが分かります。

4. シンプソンのパラドックス

大きな差がある 2 つのグループのデータを合計すると、グループ比較で優位に立つグループが、総合評価では負ける側になります。

「シンプソンのパラドックス」によってもたらされる誤解を避けるためには、個々のグループの重みを考慮し、グループ化されたデータのベース数の違いによって生じる影響を排除するために特定の係数を使用する必要があります。

本から学ぶことは常に表面的なものです。上記の内容は、基本的な枠組みとアイデアのみを提供します。データ分析のスキルを本当に習得したいのであれば、実際の仕事にそれを応用する必要があり、練習を重ねることで完璧になります。

著作権に関するお知らせ: この記事は ActivityBox の意見です。商業目的での転載については、著者に連絡して許可を得てください。非営利目的での転載の場合は出典を明記してください:

http://www.huodonghezi.com/news-2323.html