これはやりすぎだ、この[操作分析]のアイデアは本当に的を射ている

データ主導の時代において、運用分析はビジネス上の意思決定に不可欠な要素となっています。この記事では、データ分析の運用への応用について詳細に検討し、オペレーターがデータをより深く理解し、より情報に基づいた意思決定を行うのに役立つ一連の実用的な戦略とアイデアを紹介します。

『データ運用とは何か、分析はどう行うのか？』では、運用が実際に直面する困難を列挙しました。本日は、引き続き、データ分析が運用の困難を解決するためにどのように役立つかをお伝えします。

前回の記事でも述べたように、データ分析は業務に多大なサポートを提供してきましたが、残念ながら現状把握の段階に限られています。では、運用における反復的なアップグレードをサポートするには、他に何が必要でしょうか?これには、運用の反復とアップグレードが実際に何を実行しているかから始める必要があります。

1. 運用における反復的なアップグレードの実行方法

オペレーションで反復処理について話す理由は、まず第一に、オペレーションには参照できる基本的なルーチン、テンプレート、ケースが多数あり、ゼロから始める必要がないためです。したがって、「イノベーション、デザイン、創造」などの言葉を使う必要はありません。

男の子はあなたが遊んだゲームを思い出すことができます。初回入金でXX、7日後にログインでXX、そして競争力のあるコンテストでメダルを獲得できますか？ルーチンは非常に似ています。女の子たちは、ショッピング ウェブサイト上のさまざまな割引、オファー、懸賞を調べて、それらが非常に似ているかどうかを確認できます。まさにそんな感じです！

たとえば、AARRR はオペレーションが最も話題にしたいものです。実際、それぞれの側面には多くのルーチンがあります (以下に示すように)。

第二に、環境が変化し、企業の規模が拡大するにつれて、ルーチンは常に固定された方法で適用されるわけではなく、常に時間の経過とともに変化します。この変化は 5 つのレベルに分けられます (以下を参照)。

これらの 5 つのレベルの変更は、次のプロセスに従って実行されます。

上記の内容を読んで、データでいろいろなことができると感じましたか?ちょっと待ってください。どれくらいの量を行うかは、行われる作業の種類によって異なります。適切なサービス オブジェクトが選択されていない場合、単に不要なものになる可能性があります。

2. さまざまな操作のデータ要件

オペレーションと呼ばれていますが、実際にはオペレーションには多くの作業が伴います。具体的な痛みの場所は手術によって異なります。これらの問題点については、データ分析によってどの程度対処できるかが異なります。

本質的に、データ分析方法は合理性、論理、計算を表します。しかし、これが仕事のすべてではありません。仕事には多くの感性、感情、創造性も関わってきます。したがって、一部の仕事は本質的にデータの助けをあまり必要とせず、現状と結果を見るだけで済みますが、他の仕事では慎重な計算と分析が必要になります。上記の要素を組み合わせると、次のように要約できます。

そのため、表示される詳細な分析はすべてユーザーに関連するものになります。ユーザーオペレーション自体が非常に戦略的な仕事だからです。

ユーザーの操作自体も非常に重要です。多くのインターネット企業が株式を公開し、資金を調達するためには、一定レベルのユーザー数、ユーザー増加率、支払いコンバージョン率を達成する必要があります。チャンネル運営（新規ユーザーの獲得）とユーザー運営（既存ユーザーの開拓）にお金をかける気がある。

3. データはどのような質問をサポートできますか?

データ分析は合理的な問題を解決するのに適しているため、上記の分類を見ると、データ分析がどの問題に適しているかがわかるでしょう。しかし、運営上の最大の問題は資金不足であることを忘れないでください。そのため、各業務の経費需要度も加味し、資金が不足している部門の経費問題を優先的に解決する必要があります（下図参照）。

したがって、理論的には、データ支援型運用の最初のステップは「資金を分配する」ことであるはずです。まず、次のような、お金に関する非常に合理的で戦略的な質問に答えます。 同社は、目標が（業界No.1？収益100億以上？）であることを発見しました。 ●この目標に基づくと、XX万人の新規ユーザーと、XXレベルで維持する既存のアクティブユーザーが必要です。 ●新規ユーザー数と現在の市場価格に基づくと、チャネルコストはXXX億です。 ●現在の対策に基づくと、古いユーザーを維持するためのコストはXXX億以上です。目標は、段階的なプロモーションと毎日のチャネル/ユーザー投資X%を通じてx%を達成することです。

これらの分析（実際にはビジネス分析）により、お金、時間、責任が明確に区別され、その後の運用が非常にスムーズになります！私は高い目標を設定することを決して恐れません。ただ、資金が足りないことを恐れているだけです。資金援助と適切な時間的調整があれば、具体的な実施方法を選択することも容易になります (以下を参照)。

具体的な実装レベルに関しては、サブカテゴリが多すぎて、1 つの記事で明確に説明するのは困難です。機会があればゆっくり更新していきます。

4. データの実装方法

しかし、これらの分析のアイデアや方法だけでは役に立ちません。さらに重要なのは実装です。誰もがその原理を理解していますが、実装となると困難を伴います。

▌1.分析と意思決定の分離: これが最大、最大の、最大の問題です。多くの場合、決定は、実際の分析を行わずに、経験、対戦相手の真似、または指示に従って、衝動的に行われます。分析を行う人は、実際には意見や解釈、洞察を持たずにデータを更新しているだけです。

▌2.意思決定と実行が分離されている：これが 2 番目に大きな問題です。多くの場合、方向性、コスト、戦略はトップリーダーによって決定され、草の根レベルの学生は、計画を立てる - 指示を求める - 計画を修正する - 指示を求める - 計画を修正する - 指示を求める、と毎日忙しくしています。なぜこれをやっているのか、そして最終的にどうなるのか、まったくわかりません。分析は役に立ちません。

▌3.理論と実践が分離している：これが 3 番目に大きな問題です。私たちは AARRR については熟知していますが、特定の業界、ビジネス、活動、コピーライティングに関しては、データがどのようなものか、適切な量がどれくらいなのかがまったくわかりません。

▌4.歴史的経験の蓄積の欠如：過去のデータの収集と蓄積がありません。データを扱う学生の多くでさえ、企業が過去に何をしてきたかはおろか、現在何をしているのかさえ知りません。分析を行うことは不可能です。

▌5.アクティビティ、計画、コピーライティングのラベル付けシステムの欠如: ユーザー ラベルがないとユーザーを理解することが難しいのと同様に、これらのビジネス ラベルがないと、ルーチンを要約するどころか、ビジネスを具体的に分類して比較することは不可能です。

上記をまとめると、優れたデータ サポート システムは常に、統合されたビジネス データ操作と共同の取り組みの結果です。 「アーラララー」と叫ぶだけですべての問題を解決できる神レベルのデータアナリストはこれまで存在したことがありません。事例の共有を含め、多くの学生は次のように言います。「ここに 2 つの素晴らしい事例があります。」結局、素晴らしい事例は常に素晴らしい企業によって促進されることがわかりました。再現したいなら、ビジネスラベルの付け方など、基礎をやはり練習しなければなりません。