製品運用データ分析（データ分析を理解していない製品運用が1億KPIを処理できるのか）

製品運用はデータ分析を理解していないのですか？ 1億のKPIをどう扱うか

「カカのプロダクトノート」第4回：プロダクト運用におけるデータ分析についてお話しします。

「どのような製品オペレーションですか？」

「製品オペレーションは製品の製造に責任がありますか？」

「製品オペレーションが製品作業にも責任を持つのであれば、製品マネージャーの職務は何をするのでしょうか？」

「プロダクトオペレーションとプロダクトマネージャーの関係は？職務をどのように区別するのですか？」‍

仕事を始めたばかりの同僚や、業務に慣れていない同僚の中には、上記のような疑問を持つ人が多くいます。確かに、垂直分野においては、コンテンツ運用、生放送運用、チャンネル運用、ユーザー運用、イベント運用…といった職務内容が非常に明確かつ直感的で、職名だけでも明確に区別できます。製品運用の責任は企業によって異なるため、製品運用に対する理解が曖昧になります。

パート 1: 製品運用はどのような役割を果たすのか?

製品オペレーション≠プロダクトマネージャー。プロダクトオペレーションとは、コンテンツ構築、ユーザーメンテナンス、イベント企画の3つのレベルから、プロダクトコンテンツとユーザーを管理する専門職です。通常、企業収益とユーザー数という 2 つの指標が含まれます。簡単に言えば、製品オペレーションとは、会社または部門内で KPI の設定に主な責任を負い、年末のボーナスの額を決定する「金の袋」のような存在である人々のグループです。一年間の努力の末、最後にお粥を食べられるか、ご飯を食べられるかは、製品運営担当者がどれだけ努力するかにかかっています。

製品運用は、「収益」と「ユーザー数」という 2 つの主要指標を担当します。製品運用担当者がデータ分析を理解していない場合、データから問題を敏感に特定して解決策を提案することができず、部門のKPI指標を達成できないことにもつながります。

パート2：製品操作のヒント、データ分析のヒント3つ

すべての製品オペレーターがデータ分析を理解しているわけではありません。多くのオペレーターは文系のバックグラウンドを持っており、複雑なデータ式を操作することはおろか、データに対しても敏感ではありません。データに直面すると、多くの製品オペレーターはジレンマに陥ります。一方では、自分自身の知識に盲点があり、他方では部門全体の期待があります。著者はこれまでの業務経験をもとに、業界に入ったばかりの方やデータ分析が分からない方のために、データ分析の近道を3つまとめています。

収益指標を例にとると、収益指標が正常かどうかをどのように判断し、その後どのように改善すればよいのでしょうか。

1. 普遍的な公式を適用し、各指標を1つずつ確認する

カカの製品ノート

普遍的な公式の秘密は、指標を細部まで分解し、致命的な問題を見つけることです。いわゆる最も詳細な指標とは、尽きるまで無限に細分化された指標のことです。前述のとおり、収益 = 有料ユーザー数 * 1 人あたりの平均単価です。もちろん、この公式は完全には解明されていません。なぜなら、さらに細分化すると、デイリーアクティブユーザー数はチャネルごとのアクティブユーザー数に、売上高は製品カテゴリごとの売上高などに細分化できるからです。各製品はプロモーションチャネルや製品カテゴリが異なるため、さらに細分化しても参考価値は低いです。製品オペレーターは、独自のビジネスニーズに応じて詳細を細分化し続けることができます。

普遍的な公式を覚えていますか?次回上司からデータの分析を依頼されたら、数式を適用して 4 つのディメンションの履歴データをエクスポートし、年/月/日ごとに比較します (上司から与えられた分析要件によって異なります)。比較分析を実行する場合、一度に分析できるデータ変数は 1 つだけであり、複数の変数データを同時に分析することは避けてください。複数の変数データを同時に分析すると、データの原因を見つけることができなくなります。

データ変数を保持するとはどういう意味ですか?以下に示すように、これは過去 6 か月間の企業の収益とユーザー データです。

カカの製品ノート

キャッシュフローは2月と5月にピークを迎えます。メモによると、春節やメーデーの休日による成長かもしれないが、データの増加を引き起こした具体的な行動は何だったのだろうか？それは偶然でしょうか、それとも必然でしょうか?成長モデルは再現可能でしょうか?製品の操作を一つ一つ分析する必要があります。

データの増減を分析するために、前年比と前月比の2 つの分析方法が導入されています。

前年比: つまり、春節と春節、メーデーとメーデーなど、今年の同じ期間のデータと昨年の同じ期間のデータの比較です。

前月比: 今月と先月の比較など、連続する期間のデータの比較。

前月比分析

概念を理解した後、2019 年 1 月から 6 月までの月ごとのデータを確認してみましょう。

カカの製品ノート

普遍的な公式によると、売上高 = 1日のユーザー数 x 1日の活動率 x 支払い率 x 1人あたりの平均単価

各種データの月間成長率を一覧にすると、売上高が増加すると一部の指標（デイリーアクティブユーザーなど）は必然的に増加し、売上高が減少すると一部の指標も必然的に減少し、正の相関関係を形成していることがわかります。分析する際には、正の相関関係にある指標のデータを 1 つのカテゴリにグループ化して最初に無視し、負の相関関係にある指標のみを調べることができます。例えば、3月と4月のデータによると、売上高は増加しましたが、1日あたりのアクティブユーザー数、1日あたりのアクティブ率、平均単価はすべて増加しました。増加額はまったく同じではありませんでしたが、支払い率のみが減少しました。このとき、支払い率指標に注目する必要があります。

次のステップは、支払い率について仮定することです。支払い率が先月と同じであると仮定すると、売上高はいくらになりますか?支払率が5％増加したので、売上高はいくらですか？その間にあるデータのギャップは、改善が必要な部分である可能性があります。結局、支払い率がわずかに低下した理由は、運営側が4月最後の2日間に新しいクーポンを時間通りにリリースしなかったため、アクティブユーザーの支払い率が低下し、再購入率が当初の46％から39％に低下し、月全体の支払い率が低下したためであることがわかります。これがデータ減少の原因であり、その後の操作でクーポンを適時補充する必要があります。

前年比比較

前年比データを分析する場合は、同じ種類のデータをテーブルにグループ化し、グラフにプロットして、パターンを簡単に表示および発見できるようにするのが最適です。次のように：

カカの製品ノート

多くの企業は、KPI を達成するために、年末に収益のピークを迎え、その後 1 月にデータが落ち込みます。データは2月の春節に急増し、3月と4月には減少し、5月に再び上昇する見込みです。

グラフの 2 年間のデータ増加パターンは似ています。唯一の違いは、2019 年のデータ増加率がより変動的であり、これは何らかの操作または製品のアクションに関連しているはずです。現時点では、ビジネスレベルに戻って原因を探る必要があります。例えば、2019年の春節期間中に4つのイベントが開催され、各イベントの売上高は20万人を超えましたが、2018年には1つのイベントのみが開催され、売上高はわずか18万人でした。データ分析により、これが売上高の急増の主な理由である可能性があることがわかりました。そのため、今後は交通ピーク期が到来する前に、事業者は交通ボーナス期を逃さないように戦いに備え、収益増加につながる活動を事前に計画しておく必要がある。

2. 絶対値は重要ではなく、データの増加率が重要です

下の図に示すように、これは特定のアプリと新しく起動したアプリのタブページデータです。新しいタブの主な評価指標は、売上高と新規ユーザーです。

カカの製品ノート

このタブのユーザーデータだけ見ると、新規ユーザー数は毎月増加しています。ビジネスタブの担当者は、新規ユーザーの獲得に成功したようです。上司は彼にボーナスを与えるべきだ。しかし、データの経験がある人はそうは考えません。なぜそう言うのでしょうか？増加データを確認してください:

カカの製品ノート

半年間のデータを見ると、新規タブユーザー総数は毎月増加しているものの、4か月間の新規ユーザー増加数はアプリ全体の新規ユーザーデータよりはるかに低い（つまり、新規ユーザー誘致効果がアプリ全体より低い）ことがわかります。運営エディターが新しいタブに多くの新規ユーザーを引き付けなかったため、タブユーザー総数の増加は自然な増加であり、運営戦略とは何の関係もないようです。 Tab の増加が APP の増加よりも高い場合、オペレーターが優れた運営を行い、より多くのユーザーを引き付けていることを意味します。

データの絶対値が高いことはビジネスがうまく運営されていることを意味するわけではなく、製品運用ではデータの増加にもっと注意を払う必要があることがわかります。成長率が市場を上回っている場合、合計データが高くないように見えても、より大きな指標と競争しているため、タブを優れた方法で操作します。

3. ユーザーをうまく維持したい場合は、CTRデータに注意する必要があります

用語集: CTR はクリックスルー率のことで、インターネット広告でよく使われる用語です。 CTR = 実際のクリック数/表示回数

下の図は、新しいアルゴリズムを使用する前と後のデータのパフォーマンスを示しています。 3 月に、アプリは新しいアルゴリズムの推奨を開始し、クライアントはユーザーの 50% を新しいアルゴリズムに切り替えました。

カカの製品ノート

赤でマークされたデータを見ると、新アルゴリズムに切り替えてからホームページの総ユーザー数が大幅に増加しており、1月と比較して30万人増加、5月には50万人増加しています。製品運用の責任を担い始めたばかりの人の多くは、絶対データだけを見るという誤解に陥りがちです。ユーザー数の増加は、アルゴリズムが適切に最適化されていることを証明しています。そうでなければ、どうして 30 万人もの増加が起こり得るでしょうか?しかし実際には、アルゴリズムの有効性はユーザーの絶対数ではなく、CTR によってテストする必要があります。さらに、ページの合計 CTR 結果を単純に見ることはできません。データを、カットオフ データの CTR パフォーマンスと元のアルゴリズム データの 2 つの部分に分割する必要があります。この方法でのみ、比較は価値あるものとなり、どのアルゴリズムの推奨が好ましいかを知ることができます。

学びましたか？上記の3つのヒントをノートに書き留めておけば、基本的なデータ分析を簡単に習得し、収益1億円のKPIを処理できるようになります。