データ分析に最適な9つの方法

はじめに: この記事の著者は、主にデータ分析のためのいくつかの方法論を紹介し、基礎から単一の指標まで紹介し、徐々に複数の指標へと拡張していきます。この記事には明確なアイデアがあり、多くの実用的な方法が含まれています。データ分析能力をさらに拡張したい人にとっては一読の価値があります。

「データ分析の方法論は何ですか？」職場でも面接でも、この質問は多くの学生を困惑させるでしょう。まあ、毎日数字を計算するだけでわかるけど、方法論って一体何なの！まとめ方！今日は、面接、業績報告、自慢話などに特に使われる 9 つの基本的な方法を紹介します。

01 基本的な方法とは

本質的に、ほぼすべての仕事はデータに関連しており、多かれ少なかれ何らかのデータ分析手法が必要です。しかし、データ自体には閾値があります。多くの人は、学校に通っていた頃は複雑な理論どころか数学の授業さえも怖がっていました。

したがって、いわゆる基本的なデータ分析方法は次のようになります。

• 高度な数学、統計、オペレーションズ・リサーチ、アルゴリズムの原理は含まれません。
• 複雑なビジネスロジックや因果推論ロジックを必要としない
• 特定のビジネスシナリオに限定されず、普遍的な

つまり、基本的な方法は誰でも使える方法です。このコンセプトに基づいて、シンプルで使いやすい 9 つの基本的な分析方法をまとめました。

02 インジケーターから始める

1. 定期分析法

最も基本的な分析方法は、1 つの指標から始めることができる「循環分析法」です。いわゆる「循環分析法」は操作が非常に簡単です。指標の観測時間を延長して、周期的な変化パターンがあるかどうかを確認することです。

この方法は分析が簡単ですが、非常に実用的です。なぜなら、初心者は周期的な変化の読み方がわからないため、笑いものにされてしまうことが多いからです。

のような：

「昨日指標が急激に下がったことに気づいた」 - 昨日は週末だったので、下がるはずだった（自然なサイクルの変化）

「製品Aの売れ行きが非常に良いことが分かりました」 – 製品Aは発売されたばかりなので、売れ行きは良いはずです（製品ライフサイクル）

私たちが注目する指標は、多くの場合、次のような複数の部分から構成される全体的な指標です。

本社 - 支店A、支店B、支店C 総売上 - 製品A、製品B、製品C

したがって、全体的な指標を見た後、全体を構成要素ごとに分解し、各部分の構成を理解することができます。構造分析法（全体の内部構造を分析する）です。

2. 構造解析法

構造解析法は多くの場合有用です。たとえば、「なぜパフォーマンスが低下しているのですか?」と質問すると、答え：「XXエリアがうまくできていないからです！」構造を見ると、責任者をすぐに見つけることができます。

3. 階層的分析法

単に構造を見るだけでなく、人々はランキングを作成し、高、中、低のレベルを区別することも好みます。これが階層分析法です。

多くの学生は階層化と構造を混同しています。次の2つの文を覚えておいてください。

構造は客観的に存在するので、明確に質問するだけです。階層化は主観的なものであり、高低を判断する必要があります。

これら3つの方法は基本中の基本です。まず、それらはすべて指標を分析しており、次に、事実に基づいており、計算を必要としません。初めて会社に着任したときや、初めて新しいデータに接したときは、これら 3 つの方法を使って基礎知識を確立することができます。

03 1つの指標から2つの指標へ

1. マトリックス分析法

指標の数が 1 つから 2 つに増える場合、最適な方法はマトリックス分析です。マトリックス分析法は、2つの指標の交差を通じて分析マトリックスを構築し、平均値を使用して4つの象限を切り出して問題を発見します（下図を参照）。

マトリックス分析の最大の利点は、直感的で理解しやすいことです。 2 つの指標を相互比較すると、問題を見つけるのは簡単です。特に、この 2 つの指標が投入/コスト指標である場合、高コスト + 低収益と低コスト + 高収益の 2 つのカテゴリは、ビジネスの改善方向を直接示すことができるため、「良いか悪いかをどのように評価すればよいかわからない」という問題を大幅に回避できます。

多くのコンサルティング会社は、KANO モデルやボストン マトリックスに似たこの方法を好んで使用します。本質は、2つの優れた評価指標を見つけ、その2つの指標をクロス構築してマトリックスを構築し、ビジネスを分類することです。分類効果は非常に良好で、広く流通するようになりました。

04 2つの指標から複数の指標へ

分析指標が複数ある場合、最も重要なタスクはこれらの指標間の関係性を把握することです。典型的な関係は 2 つあります。

1. 第1のタイプ: 平行関係

いくつかの指標は互いに独立しており、上位レベルの指標の構成要素となっています。例えば、パフォーマンス = 顧客数 * 消費率 * 平均顧客単価という式がよく使われます。

1. 主な指標: パフォーマンス
2. 二次指標: 顧客数、消費率、平均注文額
3. 顧客数、消費率、平均注文額は互いに独立している

この時点で、顧客数、消費率、平均注文額は 3 つの並列指標であり、すべてパフォーマンスのサブ指標です。

2. 2番目のタイプ: 連続関係

いくつかの指標は相互に関連しており、時系列的な関係があります。たとえば、よく言われるのは、「新規登録ユーザー数 = 広告表示回数 * ランディング ページのコンバージョン率 * 登録ページのコンバージョン率」です。

1. 主な指標: 新規登録ユーザー数
2. 二次指標: 広告表示回数、ランディングページのコンバージョン率、登録ページのコンバージョン率
3. ユーザーはまず広告を見て、広告をクリックしてランディングページに入り、登録を完了する必要があります。

この時点で、広告ページ、ランディングページ、登録ページのインジケーターは相互に関連しており、ユーザーは段階的に進む必要があります。

これら 2 つの関係は、次の 2 つの基本的な分析方法に対応しています。

並列関係：指標分解法、第 1 レベルの指標を分解することで、第 2 レベルの指標から問題を見つけることができます。

ファネル分析法：一連のプロセスを観察することで、プロセスのコンバージョン率を把握し、コンバージョン率の欠点を見つけ出します。

3. 指標分解法

指標分解法は、一般的にビジネス分析でよく使用されます。簡単な例を挙げると、ミニプログラムモールの先月の売上は150万、今月は120万でした。結果だけ見ると、30万人が足りないということ以外は何も分かりません。しかし、指標を分解してみると、多くのことがわかります（以下に示すように）

内訳をみると、今月は登録ユーザー数が増加したものの、消費率が大幅に低下したため、収益が低下したことがわかります。消費率を高める方法についてさらに考えることができます。

4. ファネル分析

ファネル分析法は、インターネット製品/プロモーション/運用分析でより一般的に使用されています。これは、インターネット製品ではより多くのユーザー データを記録できるため、ユーザー変換プロセス全体を分析に提示できるためです。

簡単な例を挙げると、私たちはオンラインで商品の広告を見ると、とても興味を持ち、クリックして購入します。広告ページ → 詳細ページ → ショッピングカート → 支払いといういくつかの手順を踏む必要があります。ファネルのように、ステップが追加されるごとに、一部のユーザーが失われます。

この時点で、コンバージョン ファネルを使用して、この関係をグラフィカルに表現できます (以下を参照)。

コンバージョン ファネルを使用すると、ファネルをさらに分析してビジネスの改善に役立てることができます。

• どのリンクが最も多くのユーザーを逃しており、改善が必要ですか?
• さまざまな製品のファネルの形状はどのようなもので、どれがプロモーションに適しているのでしょうか?
• 新製品改訂後、見逃したユーザーの数は減りましたか?

5. 相関分析

もちろん、直接的な並列/直列関係を持たない指標もありますが、仕事では、次のような指標が関連しているかどうかも知りたいと思います。

• 広告投資と販売実績
• 雨、風、店舗の混雑
• ユーザーのクリックと消費行動

このとき、相関分析の手法を習得する必要があります。注意: 指標は本質的に相互に相関している可能性があります。生来の相関関係には、次の 3 つの一般的な形式があります。

• 構造分析では、全体指標と部分指標の関係
• 指標分解法では、メイン指標とサブ指標の関係は
• ファネル分析法では、前のステップと次のステップの指標の関係

これら 3 つの状況は、直接関連していると呼ばれます。直接的な相関関係はデータ計算を必要とせず、指標のソートを通じて関係を明確に見ることができます。相関分析法では、主に散布図/相関係数を使用して潜在的な相関関係を見つけます（以下を参照）。

ただし、相関関係は因果関係と同じではないことに注意してください。相関係数をどのように解釈するかは、具体的なビジネス上の意味と組み合わせる必要があり、ランダムに結論を導き出すことはできません。

05 指標からビジネスロジックへ

1. ラベル分析法

上記の方法はいずれもデータ指標の計算に基づいていますが、実際のビジネスではデータ指標で直接表現できない関係性も多くあります。

例えば：

• コミュニティストアは歩行者天国の店舗よりも売上がよいのでしょうか?
• プライベート ドメイン トラフィックはパブリック ドメイン トラフィックよりもコンバージョン率が高くなりますか?
• 風が強くて雨が降っているときの方が、空が晴れているときよりも売上は上がるのでしょうか?

コミュニティ ストア/プライベート ドメイン トラフィック/雨でも晴れでも、これらを単一のデータ インジケーターで測定することは困難です。しかし、これらの要因はビジネス運営に影響を及ぼします。どのように分析すればよいでしょうか?これには、ラベル分析方法を使用する必要があります。

簡単な例を挙げると、ある南部の州では8月に大雨がよく降ります。雨が店舗の業績に影響を与えることは誰もが考えています。それで、どのように分析するのでしょうか? 5 段階法に従って、この州の店舗を以下のように分析できます。

したがって、雨はパフォーマンスにほとんど影響を与えないという結論に達することができます。

上記の例では、ラベルが非常に粗雑で、雨が降っている/降っていないという 2 つの単純なカテゴリしかないことに注意してください。雨以外にも台風や雹、高温などが発生することもあります。そのため、ラベル付けの精度がラベル分析の精度を決定します。適切なラベルを選択できるかどうかは、アナリストのビジネスに対する理解をテストします。

これまでに合計 8 つの基本的な方法が紹介されました。実際の作業では、複数の方法を組み合わせて使用​​するのが一般的です。企業から提起される質問は複雑になる可能性があり、複数の指標と複数のラベルが関係する可能性があるためです。この時点で、考えるべきことがたくさんあります。考えを整理するには、9 番目の方法である MECE メソッドを使用する必要があります。

2. MECE法

MECE とは (Mutually Exclusive Collectively Exhaustive) の略称で、「相互に独立かつ完全に網羅的」という分類原則を指します。 MECE メソッドを使用して問題を分類すると、明確かつ正確になり、答えを見つけやすくなります。

MECE 法は、基本分析と高度分析の分岐点であり、基本から高度にアップグレードするためのチャネルでもあります。すべての複雑な問題は慎重に整理し、解決可能な小さな問題に分割する必要があります。いわゆるビジネス分析モデルは、実際にはビジネス上の問題の MECE 分解です。

もちろん、学生の中には、「これら 9 つの方法を習得した後、さらに深く学ぶにはどうすればよいのか」という疑問を持つ人もいます。一般的に、詳細な分析には 3 つの方法があります。

06 基本的な方法をマスターしたら

1. ルート1: ビジネス分析モデル

ビジネス モデルは、定義が曖昧、データが不十分、ビジネス ガイダンスの必要性などの問題を解決するために使用されます。たとえば、ビジネスが苦戦している例:

• ユーザーにとってよりよいのは具体的に何でしょうか?
• どうすれば売上を促進できるでしょうか?
• この活動はどの程度の影響を与えましたか?

これらの質問は単純に聞こえますが、実際の定義は非常に曖昧です。何が良いとみなされるのでしょうか?どのように機能しますか?お金のないインセンティブは本当に役に立つのでしょうか?さまざまな問題が複雑に絡み合い、ビジネス部門独自の小さな考えが混じり合うこともあります。そのため、ビジネスロジックを慎重に整理し、実行可能な問題解決ロジックを導き出す必要があります。

2. ルート2: アルゴリズム分析モデル

アルゴリズム モデルは、明確な定義、豊富なデータ、複雑な計算プロセスを伴う問題を解決するために使用されます。

たとえば、価値の高いユーザーを特定するという問題は、ビジネスにおいて明確に定義されています。

• ユーザー価値を測定するために使用される指標は何ですか?
• 「高い」価値を評価するためにどのような基準が用いられるか
• 収集された豊富なデータ（性別、年齢、興味、関連製品、インタラクション、コメントなど）
• 手動でラベル付けされた「高価値」ユーザーのグループが陽性サンプルとして存在する

この時点で、モデリングにはさまざまなアルゴリズムを使用できます。モデリングの目的は、分析の深さを増やすことではなく、分析からビジネスアプリケーションまでの効率を向上させることです。比較的正確なモデル判断により、企業は毎回長い PPT を記述することなく、CDP + MA を通じてマーケティング ルールを自動的にトリガーできます。

3. ルート3: 統計的推論

統計的推論法は、明確に定義され、データがなく、テストとデータ収集が必要な問題を解決するために使用されます。

たとえば、製品の新バージョンをリリースする場合、ビジネスではすでに、新バージョンではユーザーの平均オンライン時間を増やすことが目標であると定義されています (平均問題)。現在、テストが必要であり、2 つの予備バージョンのうち 1 つを選択する必要があります。このとき、二重母平均比較仮説検定法を使用する必要があります。

もちろん、実際の問題はより複雑で、さまざまな制御変数、仮定、システム開発、データ収集計画を考慮する必要があり、アナリストだけでは解決できません。

著者: 地に足のついた教師チェン

出典：WeChat公式アカウント「地味な陳先生」