データの操作方法（データ操作の「道」「技」「道具」の解釈）

データ操作の「道」「技」「道具」を解釈する

記事更新計画：前回の活動運用記事が長すぎて読みにくいという友人からの反応があったことを考慮して、今回のデータ運用の予備計画では記事を4つの記事に分割し、当初は3〜4週間ごとに1つの記事を更新する予定です。

背景：

データ操作に関するこのシリーズの記事は、ここ数年の私の仕事経験と洞察に基づいて書かれています。卒業後は台湾No.1のインターネット企業で数年間働きました。私の主な仕事は、会社のデータ収集、データ分析、ビジネス開発をサポートするためのデータレポートの作成を担当することでした。仕事では、成熟したデータ運用システムがビジネス拡大の意思決定をサポートする仕組みを知り、視野が広がりました。

その後、インターネット金融のスタートアップ企業で働きました。この仕事を通じて、スタートアップ企業におけるデータ運用の「無駄」な存続状況を目の当たりにしました。現在、成長を続けるインターネット金融会社で働いていますが、ビジネス部門のデータ運用に対する強い需要と、ビジネスに対するデータ運用の強力なサポートを実感しています。

記事の構成:

データ操作は、広義の定義と狭義の定義に分けられます。

• 狭義のデータ操作とは、データ操作の職務上の位置付けを指し、アクティビティ操作、製品操作、ユーザー操作、コンテンツ操作などとともに、操作システム全体のすべての部門を指します。データの収集・分析、意思決定支援、業務の洗練化に向けた全社的な業務システムの開発支援などが主な業務です。一般企業の一般的なデータ運用の位置づけは、狭義の意味での「データ運用」に属しており、本連載でも分析の焦点となっている。
• データ運用とは、広義では「データを活用して企業の運用上の意思決定を導き、ビジネスの成長を促進する」というデータに基づく運用上の考え方を指します。狭義のデータ操作に比べ、広義のデータ操作はより「抽象的」です。広い意味でのデータ分析については詳しくないので、今回はそれに焦点を当てません。

データ操作の値は、大きくても小さくてもかまいません。より大きな規模で見ると、企業の事業の方向性に影響を与え、企業の事業の成否を決定づける可能性もあります。より小規模な場合には、特定の製品機能の最適化や広告チャネルの選択に影響を与える可能性があります。

データ操作の価値を説明するために、最近私に起こった事例を紹介しましょう。私はある月に収益を生み出す活動を計画しました (以下を参照)。主な運営ロジックは、その日に一定の範囲内で年間金額を投資したユーザーは、それに相当する現金の赤い封筒を受け取ることができるというものでした。

間隔設定に関する次のダイアログが表示されます。

上記の簡単な会話は、日常業務のほんの一部ですが、データ操作の価値をよく反映しています。一方で、ビジネスを最適化するためのガイドにもなります。一方、外部からの疑問に答えたり、専門性を高めたりするためにも使用できます。

• 「道」とは価値観を意味します。データ操作システム全体の基本的なサポートです。それは、データ操作の概念の価値、理解、認識をすべての人が認識することです。それは文化的価値観に属し、「見えざる手」に属します。
• 「スキル」とは科学的な方法論を指します。データ操作システムの構築を完了するには、それをサポートする一連の有効な理論的基礎が必要です。諺にもあるように、「分析の前に理論が先だ」
• 「ツール」とは、データ分析ツールを指します。諺にもあるように、「仕事をうまくやり遂げたいなら、まず道具を研がなければならない」。適切なデータ分析ツールの支援がなければ、効果的なデータ分析を行うことはできません。

データ操作の「道」は、一般的に、価値の識別と価値の位置付けという 2 つのレベルから理解されます。

（１）価値認識

データ操作に必要な最初のことは、データの価値を認識することです。企業のデータ運用システムが正常に構築され、円滑に運用できるかどうかは、次の要因によって決まります。

• まず第一に、企業の意思決定者や経営陣が戦略的な観点からデータ運用の価値を重視できるかどうかにかかっています。
• 2つ目の質問は、全員がデータ運用の概念を持つような、データ運用の文化的雰囲気を会社が形成できるかどうかです。
• 最後に、最前線で活躍する担当者はデータの価値を正しく理解し、担当する業務を推進するためにデータを活用できるでしょうか。

このように、トップダウンとボトムアップが統合されて初めて、データ操作の価値が発揮されるのです。企業内にデータ運用の文化的雰囲気が形成されず、全員が独自の考えに基づいて意思決定を行い、データ分析の価値を信じていない場合、データ運用は単なる形式的なものになってしまいます。

（２）価値ポジショニング

データ操作を成功させるには、データ分析を明確に位置付ける必要があります。データ分析の価値を簡単に否定したり、データ分析を神格化したりすべきではありません。データ運用の基盤は、業務を正確に把握することから始まります。ビジネスを考慮せずにデータ分析について語るのは、単なる空論です。

データ分析の最終的な目標は、企業のさまざまな目標を達成することです。そのため、業界の背景、ビジネスの意味合い、製品、ユーザーなどについて深く理解する必要があります。ビジネス システム全体を理解することによってのみ、データ操作の価値を効果的に位置付け、最終的な成長目標を達成することができます。

データ操作の価値を認識した後は、データ操作システムの構築を導く突破口となる、対応する方法論が必要になります。

「技術」は一般的に、データ分析フレームワークとデータ分析方法論という2 つのレベルから展開されます。

（１）データ分析フレームワーク

私たちのデータ分析の最終的な目標は、ユーザーにより良いサービスを提供することです。そのため、ユーザーはデータのソースであり、データ分析の最終的なサービス対象です。データ分析フレームワークは、下から上に向かって、データ計画、データ収集、データ分析、データ意思決定です。

1) データ計画

データ計画は、データ運用システム全体の基盤となります。 「計画は成功の鍵であり、計画の欠如は失敗につながります。」データ計画を立てる前に、まず目標を明確にする必要があります。主な目標は何か、どのような次元のデータが必要かを明確にすることによってのみ、データ収集とデータ作業の次のステップを導くことができます。

データ計画は一般的に、指標と次元という2つの側面から実行されます。

索引：

指標の選択は特定のビジネス目標に基づいており、純預金、純利益、投資変換率などの特定の運用結果を測定するために使用されます。

たとえば、会社の利益を中核指標として簡単な分析をしてみましょう。

利益（コア指標）＝売上 - コスト = トラフィック * コンバージョン率 * 平均注文額 - （固定費 + 運営費 + 人件費）

分析例:

3月に純利益が突然大幅に増加したため、上司は具体的な理由を知る必要があります。

3月は賃貸住宅の繁忙期であり、同社がテレビCMを打ったこともあり、新規登録者数が増加したほか、新規・既存ユーザーの有料商品購入数が大幅に増加した。固定運営費や人件費は変わらず、売上がコストをはるかに上回ったため、今月の利益は大幅に増加しました。

寸法:

ディメンションの主な目的は、トラフィックのソース、人口統計属性、地域属性、デバイス属性、ユーザー行動属性などの指標の属性を細分化することです。

データ分析の次元体系は、一般的にマクロデータ、メソデータ、ミクロデータに分けられます。マクロデータ分析は業界全体の状況、メソデータ分析は自社製品の全体的な状況、ミクロデータ分析は製品や業務の特定のポイントの稼働状況について分析します。これら 3 つは相互に補完し合い、シームレスに連携してビジネス目標の達成に貢献します。

2) データ収集。

データ収集は、データベース運用システムの基盤となるサポートであり、データは運用システム全体の基礎となります。

データ収集の次元:

一般的には、トラフィックデータ、行動データ、ビジネスデータ、外部データから収集されます。

• トラフィックデータ:データ収集の開始点です。トラフィック データは、検索エンジン、アプリ、有料チャネルなど、ユーザーのソース チャネルを反映します。トラフィックデータのソースを記録・分析することで、プラットフォーム製品のトラフィックソースの分布を完全に把握し、Webサイトのマーケティング活動や製品運用計画を強力にサポートします。例えば、同社は毎週の会議でプラットフォームのチャネルマーケティング状況に関する統計分析を実施し、さまざまな重み付けに従ってランク付けします。今週のチャネルマーケティングの状況を把握できるだけでなく、来週のチャネルコスト比率の配分に関するデータ意思決定の根拠も提供します。
• 行動データ:主に、アプリの起動、各モジュールのクリック、投資の変換など、製品に対するユーザーの操作を記録します。ユーザーの行動データを分析することで、製品と操作状況をより細かい粒度で正確に把握し、製品の最適化と具体的な運用戦略の次のステップに関する意思決定をサポートします。例：アクティビティランディングページの調整、製品機能の最適化など。
• ビジネス データ:ビジネス データは、製品の操作プロセス中に生成されます。例えば、収益向上活動を行った場合、どれだけのユーザーが投資したのか、投資額は主にどの範囲に集中しているのか、新規ユーザーと既存ユーザーの投資比率はどれくらいなのか、再投資率はどれくらいなのか、などはすべてビジネスデータです。
• 外部データ：外部データは通常、業界レポート、百度指数、微博指数、政府レポート、芝麻信用、競合製品データ分析などの第三者から取得されます。外部データは一般的に、業界の全体的な状況を大まかに把握し、競合製品との水平比較分析に使用されます。主に参考資料としてご利用ください。

データ収集の方法:

一般的なデータ収集方法コードには、埋め込みと埋め込みなしが含まれます。

コード追跡:収集する必要があるデータを収集するために、統計コードを手動で製品に追加します。国内のBaidu Statisticsや海外のGoogle Analyticsなどのツールなど。

埋め込みポイントなし:中国における埋め込みポイントなしの達人は GrowingIO であり、最初にデータを定義して収集するプロセスを変えています。すべてのユーザー行動データを収集するには SDK を追加するだけで済み、ニーズに応じていつでも柔軟なデータ モデリングと分析を実行できます。

3) データ分析

データ分析は、データ操作システム全体の重要なタスクです。私たちの最終的な目標は、データ分析を通じて問題を特定し、ビジネスの成長を促進するための合理的な解決策を提案することです。データ計画とデータ収集はどちらもデータ分析に役立ちます。

データ分析方法:

データ分析方法の選択は、ビジネスの種類に応じて決定する必要があります。適切なデータ分析ツールを使用すると、データ分析をより効果的に行うことができます。たとえば、ウェブサイトのコンバージョン率を監視するファネル分析、製品機能を監視・分析するA/Bテスト、運用戦略の最適化などです。

データ分析プロセス:

完全なプロセスにより、問題を迅速に特定し、解決策を見つけることができます。目標の設定、データ分析、仮説の提案、優先順位付け、実験の実施、分析と最適化は、完全なデータ プロセスです。プロセスを決定すると、新たなサイクルが始まり、継続的な最適化を通じて成長を実現します。

（２）データ分析方法

「分析の前に理論が重要」であり、成功するデータ分析システムは、基礎となる正しい分析方法論から切り離すことはできません。

1) 「AARRR」海賊理論モデル

古典的な「AARRR」海賊理論モデルは、私たちがよく使用するデータ分析理論モデルです。データ分析を行う前に。ユーザーが AARRR モデルのどの段階にいるのか、対応する主要な指標は何かを把握する必要があります。対応する分析方法は何ですか?

2) 学習エンジン理論モデル

学習エンジンの理論モデルは、著者が『リーン・スタートアップ』で提唱した洗練された運用方法から派生したものです。主な指針となる考え方は、製品の機能を調整したり、運用戦略を最適化したりする場合、MVP を使用して小規模でユーザーと市場の反応をテストし、データを観察して最終結果が期待される効果と一致しているかどうかを確認し、継続的に調整と最適化を行うというものです。

データ分析ツールというと、自分でデータ分析システムを構築しようと考える人も多いかもしれません。小規模なスタートアップ企業はビジネスモデルが未熟で、リソースも限られています。一般的に言えば。データ分析システムの構築は検討しません。成長企業は急速に発展し、データ分析システムの構築が事業の発展に追いつかない。

実際のところ、これを行う必要はありません。データ分析システムを自分で構築するのは、時間と労力がかかるだけでなく、特に使いやすくもありません。市場には選択できる優れたデータ分析ツールが数多くあります。サードパーティのデータ分析ツールの助けを借りて、作業時間の 80% をデータ分析に、20% のエネルギーをデータツールの選択と構築に費やして、作業効率を向上させることができます。

適切なデータ分析ツールを選択すると、ビジネスを処理する際に半分の労力で 2 倍の結果を達成できるようになります。たとえば、マーケティング部門が広告チャネル データを監視する必要がある場合は、チャネルの効果を監視するための統計ツールを選択する必要があります。例: Baidu 統計、Google 分析など。

製品担当者はユーザー行動データに重点​​を置いているため、GrowingIO、Shence Data など、ユーザー行動を監視するデータを選択する必要があります。

ツールを上手に使いこなし、ビジネス シナリオを理解できるようになると、強力なデータ分析ツールを無限に再利用できることがわかります。

簡単な例:

さて、これでデータ操作シリーズの最初のセクションは終了です。今後は、データ運用のマクロ、メソ、ミクロの側面について詳細な解釈・分析を行っていきます。ぜひ注目していただければと思います。

著者: Jiushan Atong、WeChat 公開アカウント: Jiushan Atong (ID: Jsat1754675302)

この記事はもともと @九山阿童 によって Everyone is a Product Manager に掲載されました。無断転載禁止

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