ステップバイステップの分解: 優れたデータ分析プロジェクト

データ分析の世界では、すべてのプロジェクトは探検のようなもので、未知のジャングルの奥深くまで進んで隠された宝物を見つける必要があります。この記事では、大手インターネット企業の TOB 事業ラインの実践的なケーススタディを使用して、元のモデルから始めて高度なデータ分析フレームワークを段階的に構築する方法を示します。

多くの学生が実際の事例を見たいと要望しており、今日は彼らがここにいます。本文全体にしっかりした内容が詰まっていますので、注意してゆっくり読んでください。

問題のシナリオ: 大手インターネット企業の TOB 事業ラインは、プラットフォーム マーチャントに SaaS/PaaS サービスを提供できますが、販売レベルが低く、コミュニケーション品質が悪く、コンバージョン率が不十分です。現在、顧客転換率向上のため、スピーチ研修を実施する予定です。

1. オリジナルモデル

最も簡単な方法は、スピーチ A とスピーチ B の 2 つのバージョンを定義することです。コンバージョン率を見て、コンバージョン率の高い方を使用します。 （下図参照）

それで、これを実行することで何か問題はありますか?

2. 高度なアーキテクチャ

最も単純なアプローチには、いくつかの層の問題が発生する可能性があります。

▌質問1：売上自体の影響は考慮されていません。営業マンの能力が高いので売れ行きが良いのかもしれません。そのため、S、A、B、C などの異なる販売レベルごとにセールストークの効果を個別に分析する必要があります。

▌問題2：顧客への影響を考慮していない。特定の顧客とは成約しやすい可能性もあるため、VIP1、VIP2、VIP3 など顧客レベルを区別し、個別に効果を見る必要があります。

▌質問3: レトリックの実際の影響は考慮されていません。顧客の中には、あなたの言うことを何でも受け入れる人がいる一方で、あなたの言うことを何も受け入れず、価格だけを気にする顧客もいる可能性があります。したがって、セールストークによって影響を受ける可能性のある顧客グループを見つけるには、クロステストが必要です (以下を参照)。

最終的には、以下の図に示すように、販売タイプや顧客タイプごとに適切なセールストークを設定し、成果を最大化できる結果になります。

3. 最初の基盤

簡単な質問をさせてください。販売の SABC レベルを取得するにはどうすればいいですか?

分類があるからには、判断基準があるはずです。

判断基準の構築自体が大きなプロジェクトです。

例えば：

1. パフォーマンスが良いということは売上が良いということでしょうか?

2. 意図、署名、代金回収、リピート購入、どの側面が彼が優秀な営業マンであることを証明できますか?

3. 上記の 4 つの側面にはそれぞれ、数量と金額という少なくとも 2 つの指標があります。

4. 署名と支払いの回収を選択した場合、2 つの指標の交点がマトリックスを形成します。どのように定義すればよいでしょうか? （下図参照）

5. 指標が 3 つある場合はどうなりますか?指標が 4 つある場合はどうなりますか?

上記のすべての問題は、結果が出るまでにある程度の努力が必要です。

ここで問題を単純化して、契約金額だけを考えてみましょう。契約金額が高い営業担当者は優秀な営業担当者であるため、パフォーマンスをどのくらいの期間評価すべきかという疑問が生じます。時間の次元が追加されると、次のような新しい絡み合いが始まります。

※1ヶ月間の検査はカウントされますか？ 3ヶ月ですか？半年ですか？

*1か月間観察して、今月は良いが、来月は良くない場合、良いと見なされますか？

※3ヶ月検査の場合、合計値ですか、平均値ですか、それとも1ヶ月間で基準を満たした回数ですか？

※6ヶ月間の観察で、安定性が良好でどんどん良くなっているものと、最初は良好だったがその後悪化したものとを区別すべきでしょうか？ （下図参照）

上記のすべての問題に対処する目的は、シンプルな営業担当者の評価ラベルを作成することです。顧客にも同じ問題があり、まったく同じジレンマがあります。

たとえば、顧客レベルの評価は次のようになります。

1. どのような指標が検査されますか?

2. 検査にはどのくらいの時間がかかりますか?

3. どのようなレベルの指標が良好とみなされますか?

4. 試用期間中の変動にはどのように対処しますか?

5. 契約に署名する前に予測を立てるべきでしょうか?どのように準備しますか?

6. 契約締結プロセス中に予測を修正する必要がありますか?どうすれば修正できますか?

すべての情報が明確に分析されて初めて、正確な顧客評価、特に販売前の評価が得られます。

それはまさに、上記の作業が複雑すぎるからです。したがって、一般的な解決策は 3 つあります。

1. 単純なものから複雑なものへ: 最初に単一の指標の分類を行い、それをゆっくりと追加して、数回繰り返します。

2. まず典型的なケースを捉え、次に要約する: たとえば、まずビジネス側にいくつかの肯定的なサンプルにラベルを付けてもらい、次にその特徴を調べます。

3. 結果から逆算する: たとえば、ビジネス側の KPI が契約金額である場合、この目標を達成するにはどれだけ達成する必要があるでしょうか?

それぞれの方法には独自の動作方法がありますが、ここでは詳しく説明しません。これは、正確な分類を得るためには、時間とコストがかかる多くの作業が必要であり、そうしないとバグだらけの最も単純なモデルしか作成できないということを皆に感じてもらうためです。

しかし、それでも問題は解決したのでしょうか?

4. 第 2 レベルの基礎質問: スピーチスキル A の分類はどのようにして生まれたのでしょうか。

実際、営業マンがたった一言で商品を売ることはめったにありません。特にtoB営業の場合は、言うべきことがたくさんあります。

ここには少なくとも 4 つの部分があります。

1. 冒頭の挨拶：冒頭の挨拶とトピックの紹介

2. 製品紹介：製品の特長、利点、メリットを顧客に積極的に紹介する

3. 質問回答：顧客の質問や疑問に答える

4. 販売促進スキル：顧客に早く注文を促す

ここで2つの疑問が生じます。

まず、これら 4 つの部分をどのように分類してラベル付けし、分析に含めるかです。

第二に、販売担当者が何を言ったかを知る方法です。

質問 1 に関しては、スピーチ自体をどのようにラベル付けして分類するかです。次の操作を実行できます。

1. 製品紹介バージョン

2. 顧客の問題: 機能、価格、経験、事例、システムインターフェース

3. 販売促進手法の分類：プロジェクトの進捗状況別、割引別、リソース管理別

つまり、これらのしっかりした基礎作業があって初めて、音声 A の初期分類ラベルを取得できるのです。これは扱いやすいです。質問2はさらに複雑です。

5. 第三の基盤

2 番目の質問に関しては、データをどのように収集するかが鍵となります。

1. SCRMシステムがあれば、取引プロセスを体系的に実行でき、どのケースを見せたか（商品紹介段階）、どの資料を呼んだか（質疑応答段階）、どの割引を問い合わせたか（受注促進段階）など、ある程度のデータを補完できる。

2. システムサポートがない場合、販売トレーニング、販売戦略、デモアプリケーションの種類と数量、適用された割引など、他の動作から推測することしかできません。

そして、次のように導き出されます。

1. 営業研修記録、研修タイプタグライブラリ

2. 販売戦略記録、戦略分類タグライブラリ

3. デモレコードとタイプタグライブラリを申請する

4. 価格適用記録、商品価格割引ラベルライブラリ

これらの記録とラベルがなければ、販売プロセス全体が制御不能になります。まず、自分たちが何をしたかがわからず、次に、それを仕事の結果に結び付けることができません。徹底的な分析を行うことは不可能です。つまり、レコードとラベルがあれば分析が容易になります。

VI.経験の要約

良いレトリックを単独で見つける方法を見ると、表面構築の段階で完璧に行われているように見えます。しかし、現実には下層に大量の基礎工事が残っており、分離してしまうと、表面の建物がどんなに壮大であっても、それを建てることはできません。プロセス全体が連結され、巨大なシステムを使用していくつかのビジネス上の問題を解決します。作業量は多いですが、非常に効果的です（下図参照）

注: このシステムを構築した後、CST モデル (Customer Success Test) などの適切な名前を付けることができます。この名前は、アーキテクチャ図と組み合わせると非常に印象的なものになります。

七。よくある質問

実際の業務で有用な分析を行うことはなぜ難しいのでしょうか?本質は、インフラの欠如とビジネスからの分離です。

データを扱う学生は、統計やアルゴリズム自体に頼りすぎており、基本的なビジネス ラベルの構築が不足しており、ビジネスで認められている標準的な結果が不足しており、ビジネスにプロセスの改善やデータの収集を促しません。

ビジネスに携わる学生は、プロセスがデータに与える影響を無視し、プロセスの標準化やデータ収集に注意を払っていません。彼らは、データが空から降ってくると考え、データ構築には無頓着だったが、「テンガ社の大物」がそれを一気にやってくれると期待していた。

この二つが組み合わさると、盲人が盲目の馬に乗るようなものです。実際の状況は次のとおりです。

基本データ番号

ビジネスタグ番号

プロセスデータ番号

予測なし

トランザクションの結果を単純に交差させて、何も考えずに出力します。

*業界AのスピーチAのコンバージョン率は14ポイント高い*

業界BのスピーチBのコンバージョン率は5ポイント高い*

…

営業部門が「それは売上そのものなのか、セールストークなのか、製品なのか、プロモーション不足なのか、それとも外部要因なのか」と質問しても、どの質問にも答えられません。結局、彼らは震えながら「調査をしてくれる営業担当者を探しましょうか???」と言うだけだった。

8. シナリオの拡張

学生の中には、「販売プロセス自体はデジタル化するのが難しいが、オンライン取引であれば各ステップごとにデータ記録が存在するため簡単だろう」と言う人もいるかもしれません。はい、オンライン取引にはデータ記録があり、コンバージョンファネルを描くことができます。しかし、最終的なコンバージョン率が高くない場合は、どのように分析すればよいのでしょうか?

プロモーションチャンネルを評価しますか?

各チャネルの応答率を推定しますか?

プロモーションコンテンツにラベルを付ける必要はありますか?

CTA アクションにラベルを付ける必要があるでしょうか?

変換製品にラベルを付ける必要はありますか?

プッシュ通知の対象ユーザーにラベルを付ける必要があるでしょうか?

これらは同じインフラストラクチャです。これらのことが行われず、最終的なコンバージョン率が低い場合、運用部門は、チャネル自体、コピーライティング、製品、プロモーション不足、または外部要因のいずれが原因なのかを疑問に思うでしょう。

チャネルタイプ、顧客タイプ、変換プロセスを含むクロステーブルを描画する方法しか知りません。

彼はただ文句を言い続けます。「第3ステップのコンバージョン率が低いからです。」彼は再び震えながら言った。「調査をしてくれるユーザーを探したほうがいいでしょうか？」

つまり、ファネル チャートとファネル分析は異なるものです。ファネル チャートを作成するのは簡単ですが、ファネル分析を行うには、アイデアを慎重に設計し、適切な基盤を築き、混合要因を排除する必要があります。