運用データ分析手法（3つの実際のケースを分析し、運用を洗練させるためのデータ手法を発見しました）

3つの実際のケースを分析した後、私は洗練された操作のためのデータ手法を発見しました

著者 |呂成同

編集者 |チェン・ジン

タイトル画像 | ZCOOLヒーロー

ビッグデータの発展に伴い、インターネットの実践者は、優れた反復的な製品のためのデータの価値を認識する必要があります。製品はユーザーの行動と密接に関連しており、データ分析によりこれらのユーザーの行動を定量化し、価値を生み出すことができます。データ主導の思考に基づいて製品の決定を行い、ユーザー エクスペリエンスを分析および最適化することによってのみ、製品の反復を正しい方向へ進めることができます。

9月13日、DTはShushu TechnologyのCEOであるLu Chengtong氏を招き、データ駆動型の方法をどのように実装するかを説明し、3つの実践ケースを通じてデータ分析が製品のコア指標にどのように影響するかを分析しました。この記事は彼のスピーチの書き起こしです。

まず、データドリブンな意思決定の価値を感じていただくために、データドリブンな意思決定の事例をご紹介したいと思います。下の図は、いくつかの製品の DAU (1 日あたりのアクティブ ユーザー数) の折れ線グラフです。特に明らかなパターンはないことがわかります。ビジネス開発の指針として DAU を予測したい場合、どうすればよいでしょうか?

画像の説明: 製品の DAU トレンド

この場合、PCU (最大同時ユーザー数) KPI を達成するために広告を掲載するかどうかを決定する必要があります。まず、DAU を分類します。毎日ログインするユーザーは、昨日の保持ユーザー、今日の新規ユーザー、以前に失ったユーザーの 3 つのカテゴリに分類できます。同時に、ユーザー離脱も発生しており、ユーザーの出入りがDAUの変動につながります。

画像の説明: 1 日あたりのアクティブ ユーザー数の内訳

下の表からわかるように、新規ユーザーの維持率は時間の経過とともに減少し、曲線を形成します。

画像キャプション: 新規ユーザーの維持率は時間の経過とともに低下する

下の図は、べき乗分布モデルである保持曲線モデルです。 a は定数であり、係数 b は負の数であり、新しい保持係数として定義されます。 b 値が大きいほど、保持力は向上します。 b 値は、製品の品質、ユーザーの品質、運用活動に関連しています。

下の図は新規顧客維持係数b値の推移を示しています。 b値が大きく変動するたびに、新しいバージョンがリリースされたときです。その後、小口顧客獲得活動を行うと、b 値は下降傾向を示します。

この場合、新規ユーザー維持モデルに基づいて、PCU 500,000 を達成するには、2 週間連続で毎日 80,000 人の新規ユーザーが必要であると計算されました。最終評価の結果、予算が少なすぎることが判明したため、広告計画は中止されました。これはデータ主導の方法によってリスクを回避する事例です。科学的なデータ分析は、リスクを段階的に特定し、これを実行する必要があるかどうかを推測するために使用されます。これはデータ駆動型手法の価値を体現したものです。

『グロースハッカー』という本が出版されて以来、中国ではデータ駆動型ブームが巻き起こっている。多くの企業が、自社のビジネスの成長ポイントを見つけるために成長チームを結成し始めています。データ駆動型を実装する際には、注目すべき重要なポイントがいくつかあります。たとえば、製品を市場の需要に合わせることが、データ駆動型開発の基礎となります。この基盤が確立されていないと、データ駆動型開発を確立することは困難になります。さらに、製品のさまざまな段階で異なる North Star インジケーターを設定します。 North Star インジケーターを使用すると、チーム全体が中核となる目標を中心に戦略をカスタマイズし、単一のインジケーターの成長に集中することができます。

画像キャプション: データ駆動型のいくつかの重要なポイント

次に、製品保持率の向上に関するケーススタディを紹介します。

商品の定着率をいかに向上させるかは誰もが関心を持つ課題です。製品の保持率を向上させるには、通常 3 つの方法があります。最初の方法は、製品の構造の最適化です。製品全体のコア変換プロセスに問題があるかどうかを確認するには、データ分析を使用する必要があります。ユーザーエクスペリエンスの観点、例えば初心者の転換について、初心者の指導プロセスに無理があるのではないか？読み込み時間は長すぎますか?ユーザーエクスペリエンスに影響を与えるフロントエンドのクラッシュはありますか?

2つ目の方法はユーザーオペレーションであり、最も一般的なのはオペレーション活動と成長インセンティブシステムです。たとえば、インセンティブ システムでは、ユーザーが製品を長く使用すればするほど、その製品を使い続ける可能性が高くなります。例えば、少し前にMeituanはタクシーサービスを開始しました。 Didiのユーザーには忠誠心がなく、Meituanに切り替えるのにコストはかかりませんでした。 Didiにはユーザー増加のためのインセンティブ制度がないからです。たとえば、Didi はユーザーをレベル別に分類する必要があります。たとえば、ユーザーが特定のキロメートルを走行した場合、そのユーザーは特定のレベルに達しているはずです。そして、各レベルには対応する報酬、交換可能な対応するインセンティブ、または割引があります。このように、ユーザーが長く使用すればするほど、結びつきは強くなります。これは成長インセンティブ制度のルーチンです。

最後の方法は、ユーザー離脱の警告とリコールであり、製品の最適化と運用手段を通じてユーザー離脱に介入することです。ユーザーが離脱した後は、データ分析を通じて可能な限り離脱の理由を突き止め、早期に警告を発し、将来どのユーザーが離脱するかを予測して事前に介入する必要があります。もう 1 つは、失ったユーザーの呼び戻し、失ったユーザーに対する呼び戻し戦略の策定方法、失ったユーザーへの報酬方法、失ったユーザーへのアプローチ方法です。

次に、実際の例を紹介しましょう。あるゲーム製品では、運用活動を通じてユーザー維持率を向上させたいと考えており、これは 2 番目の方法に属します。このゲームのDAUは約5万人で、ユーザー1人あたりの平均ゲームプレイ数は約20です。10以上のゲームをプレイするユーザーが45%、7以上のゲームをプレイするユーザーが50%を占めています。このアクティビティの目的は、スタートが製品全体の中核的な価値と中核的な体験であるため、スタートの数を増やすことでユーザーの維持率を向上させることです。

当初の計画では、10ラウンドごとに賞品を抽選し、1日あたり最大6回の抽選を行う予定です。平均すると、抽選のたびに各人が 2,000 枚の金貨を受け取ります。データ分析を通じて改善を行いました。改善された計画では、7ゲームごとに1回、1日6回賞品を抽選します。 1人あたりに配られる金貨の平均額は2,500枚です。同時に、中級・上級レベルのゲームのサービス料金を値上げしました。したがって、実際に一人当たり1回に配られる金貨の量は、約1,800枚となります。これによりコストが削減され、賞品抽選の基準も下がりました。

画像説明: 修正後の効果

活動計画の見直しによる効果としては、参加者数が1,950人増と大幅に増加し、アクティブユーザーの割合が26％から30％に増加し、より多くのユーザーをカバーできるようになりました。同時に、アクティブユーザーの平均抽選回数は3.8回から4.6回に増加し、平均スタート回数は15回増加しました。

製品の設計やイベントの運営中に、ユーザーからのフィードバックデータを無視しないでください。製品のユーザーベースが比較的小さい場合は、アンケートや CE を実施することで、ユーザーと直接コミュニケーションをとることができます。製品のユーザーベースが大きい場合、この調査の有効性は低くなります。膨大な量のユーザーフィードバックデータを、データ量の包括性を確保しながら科学的かつ客観的な方法で分析するにはどうすればよいでしょうか。私たちは、クローラー技術を通じてすべての外部データをキャプチャし、テキストマイニングアルゴリズムを通じてユーザーの発言を分析するプラットフォームを提供します。

画像の説明: ユーザーフィードバックデータ

たとえば、感情認識は、ユーザーのフィードバックが肯定的か否定的かを判断することです。トピック検出はユーザーが何を議論しているかを判断し、突発問題警告は製品に突発的な問題があるかどうかを判断し、フィードバック監視はユーザーの否定的な発言に対するフィードバックを監視できます。最後に、製品の評判を分析するための全体的なソリューションが作成されます。

注：上記の内容は、データヒーローオンラインラボでのゲストの陸成同氏の講演の記録に基づいてまとめられています。写真は彼のライブ PPT からのもので、私が確認したものです。 「原文を読む」をクリックすると、著者のライブ放送のリプレイが表示されます。

Data Hero からのより実践的な共有、トピックの議論、福祉の分配を期待していますか? DT Data Hero の公開アカウント (ID: DTdatahero) のバックグラウンドで「データ コミュニティ」と返信して、DT Data Community への参加を申請します。

この記事のデータヒーローは、ShuShu Technology の CEO であり、テキストマイニングと NLP を研究対象とするコンピューターサイエンスの博士号を持つ Lv Chengtong 氏です。 2011年から2015年までTencent Technologyに勤務し、2015年7月にShuShu Technologyを設立し、さまざまな業界でビッグデータ技術の実装に取り​​組んでいます。同社の使命は「データ駆動型の能力で顧客を支援する」ことであり、データ認識、データ分析能力、データ分析ツールの 3 つのレベルで顧客を支援し、企業がデータ駆動型の中核競争力を迅速に構築できるよう支援します。

「データヒーロープロジェクト」は、China Business Network の子会社である DT Finance が立ち上げたデータ コミュニティです。これには、データ ヒーロー コラム、データ ヒーロー ラボ シリーズのアクティビティ、およびデータ ヒーロー アライアンスが含まれます。ビッグデータ分野のエリートを集め、データの価値を共同で探求することを目的としています。データヒーロープロジェクトの詳細については、「データヒーロープロジェクト」と返信してください。グループへの参加を申請するには、DT Jun の WeChat (dtcaijing003) を追加し、「データ コミュニティ」と記入してください。応募や協力については、[email protected] までご連絡ください。