データ増加実験を実施するプロセス全体

データ アナリストにとって、データの増加はデータ分析の鍵であり、データの増加実験により事前に問題を特定し、増加を確実にすることができます。本稿では、著者はデータ成長実験の実施の全プロセスを紹介し、擬似データ成長と基本的な成長モデルを紹介し、成長の基礎、サイクル、実施などの次元を深く考察します。多くの新人データアナリストに多くの経験をもたらすと信じています～

以前にもお話ししましたが、データアナリストが成果を上げるには成長が最善の方法です。今日は、データを通じて成長実験を設計する方法の例を見てみましょう。さっそく始めましょう！

問題のシナリオ:

複数の製品ラインを持つ FMCG 企業は、全体の売上を伸ばすために新しい飲料 (2 SKU) を発売したいと考えています。この商品は新しく、経験も不足しているため、今年中に実験を行い、その結果を見てから大規模にプロモーションする予定です。

Q: 問題を事前に検出し、成長を確実にするために、成長実験はどのように設計すればよいですか?

1. 誤ったデータ増加

多くの新入生が手を挙げて、次のように述べました。

1. Toutiao、Tencent、Alibabaのビッグデータからすべての情報を入手
2. ユーザーから店舗までのコンバージョンファネルを確立 - 棚 - 選択 - ショッピングカートに追加 - チェックアウト
3. ABテストを実施し、AAAB比較のために入店ユーザーを自動的にコーディングして誘導する
4. 対象ユーザーの性別、年齢、収入、趣味を正確に特定するためのユーザーポートレートを作成する
5. 人工知能ビッグデータモデルを構築して有機的な売上を正確に予測する

現実は、データがないのです。独自のチャネルがないので、購入数しか取得できません。他のデータについては考えないでください。それらは一つも存在しません。ただし、店舗に商品が在庫されているかどうかは、店舗管理者による定期的な検査によって判断できます。

それで、何をすればいいのでしょうか?

2. 最も基本的な成長モデル

最も単純な考え方は、新製品を発売するのは売上を伸ばすためであり、新製品が発売された後は、チャネルの注文が新製品が発売される前よりも多くなるというものです。最も単純なモデルが生まれました (以下を参照)。

すると、実験設計は非常に単純なものになるようです。

1. いくつかの店を探す
2. 分布
3. 流通後の売上を観察する
4. 終わり

本当に終わりましたか？

3. 成長の基盤を考える

最初の質問: お店を探すときはランダムですか、それとも特定の目的を念頭に置いていますか?

生まれつき販売が得意な店もあれば、生まれつき販売が苦手な店もある可能性が高いです。事前に店舗の過去の注文履歴を分析しないと、成長の可能性を過大評価/過小評価する可能性が高くなります。専門店があるかどうかに特に注意してください。このような店舗が多すぎると、全体的な判断に影響する可能性があります（以下を参照）。

初期段階でパイロット サンプル ストアを選択するときは、事前に十分なスクリーニングを行い、次の点を考慮してください。

• 店舗所在地: コミュニティストア/CBDストア/歩行者専用道路ストア
• 店舗のパフォーマンス: 全体的なパフォーマンスは良好/平均的/悪い
• カテゴリー別パフォーマンス: 飲料 良い/普通/悪い
• 営業時間：新店舗/旧店舗

これらのデータは利用可能です。データ1はスーパーバイザーの店舗検査表に記録され、データ2、3、4は注文書に記録されるため、完全に利用可能です。必要なのは、事前にデータを分析し、適切な階層化とラベル付けを行うことです。

非常に多くの側面が交差することで、新たな疑問が生じます。パイロット プロジェクトにはいくつの店舗を選択すべきでしょうか?統計によれば、1 つのグループの最小サンプル サイズは 30 で、最大は 384 であり、95% の信頼度レベルでのサンプリング誤差は 5% になりますが、これらは手元の問題とはほとんど関係がありません。

なぜなら、ここでの疑問は次の通りです。

• 抽選は店舗ごとに行う必要があり、すべての店舗を合わせても抽選数が十分でない可能性があります。
• テスト対象製品は新製品であり、テストサイクルが長い場合があり、供給が十分でない可能性があります。
• テスト対象商品は新規出品商品であり、営業側が各店舗・拠点に配布する必要があるため、作業負荷を考慮する必要があります。

そのため、サンプル数を設計する際には、まずテスト期間中の単一店舗の売上高を推定し、在庫があるかどうかを確認します。これが、期待に応えているかどうかを実際に測定する唯一の方法です。店舗の総数を決定した後、上記の考慮事項に従ってサンプルを追加します。最終的な結果は、各カテゴリにできるだけ多くのサンプルが含まれるようにすることです。

あらかじめ店舗を第 1 階層、第 2 階層、第 3 階層に分類しておくと、作業がはるかに簡単になります。なぜなら、第 1 レベル、第 2 レベル、第 3 レベルの分類では、販売能力や店舗の規模などの要素が考慮されている可能性が高いからです。ただし、使用する前に注意すべき点がいくつかあります。

• 以前の第 1 レベル、第 2 レベル、第 3 レベルの分類は依然として正確ですか?レベル 3 > レベル 2 > レベル 1 という状況は、後で分析するときに非常に恥ずかしいことになるので避けてください。
• 第 1 レベル、第 2 レベル、および第 3 レベルがタイプと見なされるかどうか。すべての第 1 レベルの店舗を同じタイプ (たとえば、すべて CBD ストア) にすることは避けてください。そうしないと、事後評価中に他の店舗からのサンプルが著しく不足することになります。
• レベル 1、2、3 は飲料の販売に関連していますか?タイトルの会社は全範囲の会社であることに注意してください。レベル 1、2、3 は全体的なパフォーマンスに応じて分類される可能性が非常に高くなります。飲料カテゴリーに応じて、レベル3>レベル2>レベル1という極端な状況が発生します。

上記の問題が存在しない限り、レベル 1、2、3 の分類をそのまま使用できます。

成長の基盤を考慮すると、設計がより包括的になるだけでなく、その後の評価も大幅に容易になります。次のような気まずい質問は避けてください。

• なぜテスト結果が良くないのですか?私が見つけた店はどれも非常に悪いからです。
• なぜプロモーションの可能性を分析できないのですか?同じタイプのお店を探しているからです。
• レベル 1 の店舗の売上がなぜ悪いのでしょうか?なぜなら、彼らはもともと販売が得意ではないからです。

また、事後分析では、様々なタイプの店舗ラベルの状況、特に各タイプの店舗ラベルの影響について詳細な分析を行うことができます。このように、実験を繰り返すと方向性が明確になり、実装するとアイデアが増えていきます（下図参照）。

それで、このステップを考慮するにはこれで十分でしょうか?

4. 成長サイクルを考慮する

ステップ 2: テストするタイミングとテスト期間を検討します。

一般商品には独自の販売サイクルがありますが、飲料品のサイクルはさらに特殊です。夏季に集中する場合もありますし、各地の気候に左右される場合もありますし、短期的な天候に左右される場合もあります。そのため、テストサイクルを設計する際には、まず価格が似通っている、種類が似通っている、ターゲット層が似ている飲料の動向を整理し、総合的な判断をする必要があります（下図参照）。

全体的な判断を行った後、できるだけ多くのシナリオをカバーするために、より長い観察期間を設定できます。このようにして、その後の評価と分析中にさまざまな状況を分析することもできます（下の図に示すように）。

5. 成長の実現を検討する

ステップ 3: ビジネス実装アクションを検討します。

新製品を発売する場合、宣伝、流通、販売促進が一緒に行われることが多いです。これらの着陸動作が、最終的にテスト結果を決定する要因となります。これらすべてのアクションは、現地の支店/オフィスの実行に依存しており、実行が非常に重要です。

非常に深い疑問があります。テストの結果が良くないと...

• 商品自体に需要がないということでしょうか？
• それとも、私の仕事がうまくいかなかったからでしょうか?
• それともデータアナリストがミスを犯したのでしょうか?

ビジネス実行プロセスを監視して初めて、ビジネスがうまく行われているか、うまく行われていないかを判断できるようになります。ビジネス実行プロセスを監視しなければ、データ分析が計算されていないと常に言われることになります。 「今、私たちは人工知能とビッグデータに夢中です。私たちのデータアナリストはあまりにも愚かです。Tou Teng'a のような、確実に理解できるデータアナリストを雇うべきです。」 - 鍋はあなたのために用意されているので、それをはっきりと理解する必要があります。

取得する情報には以下が含まれます。

• 配布開始時間
• 配達完了時間
• 補充注文時間

この情報を使用して、注文データを組み合わせてさらに分析を行うことができます。

• 起動が長時間遅れることはありますか？
• ゆっくりと進歩し始めましたか?
• 規模に関係なく目を閉じて道路を舗装した人はいるでしょうか？
• 在庫不足はありませんか？

もちろん、その後の検証も継続する必要があり、検証中には次のようないくつかの重要な側面をチェックできます。

• 暑い夏には、商品を冷凍庫に入れるのではなく棚に置いてください。
• ハイパーマーケットは棚を作らない、棚を作るだけだ
• 店舗に持ち込めない販促資材もございます。

これらの検証データも監督者から収集し、データと一緒に分析して結果を確認しやすくする必要があります。

こうすることで、結果を説明するときに自信が持てるようになります。適切に実行されなかったことについて製品やデータのせいにすることは許されず、うまくできなかった点について反省する必要があります。これは、問題に対する本当の答えを見つけるのにも役立ちます。

V. 要約

現在、データ分析の分野における最大の問題は、学習プロセスが書籍中心であり、現実とかけ離れていることです。アルゴリズム、統計原理、ユーザー ポートレート、ファネル モデル、AB テストを機能させるために、データ分析を教える書籍、教師、コースでは、アルゴリズムを実行できる豊富なフィールドとクリーンさを備えたデータ セットを具体的に選択します。新人は仕事を勉強のように扱い、いくつかのデータセットを実行した後、何かを達成したと思って満足します。

この 2 つが交差した結果、新参者は実際の問題に遭遇すると、Tou Teng に万能薬があると空想したり、急いで本で答えを探したり、さまざまなグループに駆け込んで「インターネット飲料業界の大物はいませんか? 緊急です。オンラインで待っています。支払いできます!」と尋ねたりすることになります。私たちが失った唯一のものは、特定の問題に対処し、特定の分析を行う能力です。

問題を解決するには、迷信を打ち破り、現実的になり、ビジネスプロセスを注意深く研究し、合理的な方法を設計することです。単純なデータを処理する方法と、豊富なデータを処理する方法があります。ビジネス プロセスの改善により、単純なデータを充実させることができます。これら 3 つが組み合わさって初めて、有能なデータ アナリストが能力を発揮できるようになります。

著者: 地に足のついた教師チェン

出典：WeChat公開アカウント「地味な陳先生（ID：gh_abf29df6ada8）」