データ分析の実施プロセス

陳氏は、大手アフターサービスチェーンの事例を通じて、データ分析の実装プロセス全体を明らかにしました。この記事では、体系的な分析フレームワークを提供するだけでなく、データ実装プロセスにおける管理方法の重要性も強調しています。データ アナリスト、ビジネス上の意思決定者、またはデータ分析に関心のある読者にとって、この記事は貴重な洞察を提供します。

「あなたのデータ分析は完璧です！」

「数字を書く以外に、実用的な提案をいただけますか？」

「数字は見たけど、だから何？ どうするの？」

このような苦情はオフィスでよく発生し、データを扱う学生を非常に落ち込ませます。それを実装するには具体的に何が必要ですか?今日は例を挙げて体系的に説明していきます。

問題のシナリオ: 大規模なアフターサービス チェーン プロバイダーは、メーカー、企業、個人からのサービス要求を受け付けます。要求を受け取った後、カスタマー サービスは作業指示書を生成し、それを自社運営のサービス ポイントまたはアウトソーシングされたサービス プロバイダーに割り当てて、現場でサービスを完了します。

現在、ノース スター インジケーターは、完了した作業指示の実際の数であることが決定されています。質問: さらなる実装分析をどのように実施するか。

1. データランディングにおけるよくある間違い

多くの生徒がその質問を見ると、「先生、私はこの質問の答えを知っています!」と言います。作業指示書 = 要件の数 * 変換率。完了した作業指示書の数を増やしたい場合は、要件の数と変換率という 2 つの指標を組み合わせる必要があります。

高く上げろ！

データが着陸する方法は次のとおりです。

まず、より多くのメーカー顧客を獲得する必要があります

第二に、より多くの法人顧客を獲得する必要がある

第三に、個人トラフィックを増やす必要がある

4番目に、顧客サービスの効率性を向上させる

第五に、現場管理を強化する必要がある

6番目に、マスターのスキルを向上させる

ほら、この提案はとても具体的で実用的だ...

額……

まず、これらの指標は高く設定されるべきであることは事実であり、この6つの点はまさに提案です。問題は、これらがすべて正しいナンセンスだということです。データアナリストでなくても、誰もが「すでに知っている」ので、当然、高く設定する必要があります。どうすれば下げられるのでしょうか?

データからビジネスアクションを導き出すための鍵は、優先順位です。データ計算の価値は、データ分析を通じて何が重要なポイントで何が補助的なのかを見つけることです。計算をしなければ、これは強化する必要がある、あれは強化する必要があると誰もが分かるでしょう。

2. ステップ1: ビジネスプロセスを整理する

実装の第一歩は、データ レベルで数字について話すのをやめて、数字だけについて話すことです。まず、データがどのビジネス プロセスから取得され、どのプロセスによって影響を受けるかを明確にする必要があります。ビジネス レイヤーは通常、タマネギの皮をむくように、層ごとに粗いものから細かいものへとコーミングされます。例えば、今回のケースでは、多くの業務ロールが関わってきますが、カスタマーサービスが得た手がかりをもとに需要と供給に分けることができます（下図参照）。

完了した作業指示書の数を増やすことが目標です。優先すべき第一レベルは、需要と供給が一致するかどうかです。

1 か月または全体的な需給状況だけを見ると、次の 3 つの状態が考えられます。

需要 ≥ 供給

需要 = 供給

需要 ≤ 供給

最初のレベルの判断によって、その後の着陸方向が決まります。

需要 ≥ 供給、供給能力の向上

需要 = 供給、供給コストの監視/削減を継続

需要≤供給、顧客を開拓し、需要を拡大する

これは V1.0 の実装提案です。実際のアドバイスはこのような口語的な形で与えられるのではなく、計算された形で与えられることに注意してください。

このステップは単純に見えますが、実際には謎が隠されています。それは、どちらの端が大きいかをどのように判断するかということです。

ステップ2: 判断基準を確立する

判断基準は、上司がその場で判断できるほど単純なものではありません。需要 ≤ 供給であることは、たとえば、アフターセールス技術者 1 人あたりの平均作業注文数が少ない、平均給与が低い、スタッフの離職率が高いなど、比較的簡単に観察できます。

しかし、需要 ≥ 供給の場合、データレコードが存在しない可能性が高くなります。たとえば、個人の顧客が電話をかけてきたが、修理担当者との予約が取れない場合、法人のお客様から電話があり、修理が完了するまで長時間待たされるが、年間契約を結んでいるため、しばらくは怒らない。

このような状況では供給能力を評価することが難しく、データは正確ではありません。企業が顧客を失ってから対応した時には、すでに手遅れです。

したがって、基準を確立するには、個別の分析を行うのが最善です。例えば、メーカー・法人顧客の場合、契約締結時にサービス条件を一致させる必要があります（例えば、注文は受領後 24 時間以内に処理する必要があるなど）。個々の顧客については、顧客が需要を開始した後の完了率を見て、顧客の理由（問い合わせた後に高すぎる、ドアに誰もいない、気軽に尋ねたなど）を完了率から排除して、比較的正確な数値を計算する必要があります。

これは判断基準を見つける作業です。標準を確立した後は、全部門の合意を得て全会一致で承認される必要があります。

このステップは非常に重要です。多くの学生が実践するのが難しい理由は、最初のステップにあります。数字はあるが判断力がないのです。あるいは、判断条件が厳密でなく、事業を深く掘り下げていくと、曖昧な事業定義や紛争が数多く発見されることになります。こうすれば自然に落ちることはありません（下図参照）

ステップ3: 短期から長期へ

注意: 時間は延長され、季節によって変動する場合があります。たとえば、特定の機器は夏/冬に頻繁に使用されるため、故障する可能性が高くなります。そのため、1 か月を基準に基準を設定した後、1 年全体の状況を見て、さらに問題点を特定することができます。

たとえば、全体的な状況は需要 ≥ 供給ですが、

時々（1～2か月）

頻繁（3か月以上発生）

持続可能性（新品/寿命が近い）

季節的（特定の季節に発生する）

対応する優先順位も異なり、ガイドできる実装提案も異なります（下図参照）

5. ステップ4: 重要なポイントを見つけてそれに焦点を当てる

全体的な状況が決まったら、地域の問題を検討します。たとえば、最初の段階では、問題は供給側、つまり供給不足から生じていることがわかりました。それで、それをさらに分析するにはどうすればよいでしょうか?

まず、事業ラインは3つあり、その3つのラインのうちどれに重点を置くのかを区別する必要があります。なぜなら、メーカーや企業などのtoB顧客とtoC個人ユーザーという2つの基本的な開発理念があるからです。これらは現在、作業指示の総数に占める割合が異なるだけでなく、将来の開発に対する重要性も異なります。 toB が会社の生命線である可能性は高いです。

重要度の違いの影響により、現在のデータが同じであっても、将来の展開に対する判断が異なる可能性があります。まず判断を下してから下を見る必要があります（下図参照）

6. ステップ5: 全体から詳細へ

第二に、アフターサービスは地域ごとに提供されるため、どの地域が特に深刻で、どの地域が例外であるかを区別することができます。これは比較的理解しやすいです。各地域の顧客の要求とストア/マスター構成は異なります。遠隔地へのアウトソーシングは2度目になる可能性が高い。したがって、問題点を固定することも役立ちます。つまり、大きな問題に焦点を当て、小さな問題は無視して、まずは顕著な問題がある領域を解決します。

ここでは戦略的な違いがあります。特定の領域での需要が特に強く、それがすべてアウトソーシングされていると本当にわかっている場合は、「アウトソーシングによってパフォーマンス開発の傾向を維持する必要がある」というよりも、「アウトソーシングを置き換えて、自分でサービス ポイントを設定する」という選択をする可能性が高くなります。

実際には、良い指標を維持するか悪い指標を改善するかという問題ではありません。第三の選択肢がある可能性は十分にある。

7. ステップ6: ローカルから詳細へ

最後に、アフターサービスは2段階で行われます。顧客サービスが注文の発送に遅いのか、アフターサービスの実行が悪いのかを区別する必要があります。

この分解は最も複雑です。カスタマー サービスが注文を発送できないのは、地域/大規模カスタマー サービス チームの作業がすでに飽和状態になっているか、休日などの通常の理由、または部品の転送を待っているなどの客観的な理由による可能性が非常に高いです。そのため、受注後のサービスチーム/サポート状況/休日状況などの詳細なデータを入手しなければ、ディスパッチャーの問題なのか、サービスの問題なのかを判断することは困難です。

実装計画を検討する際、問題が詳細であればあるほど、解決時期を遅らせる必要があります。細かい詳細まで調べると、データがまったくないことがわかる場合があります...手元にあるデータは何でも使用してください。これは分析の基本原則でもあります。

8. ステップ7: データから管理へ

詳細データが不足している場合でも、管理手法を活用してデータ構築に協力することができます。例えば、初めての注文であれば、受注後30分以内に割り当てを完了し、アフターサービスにも異常がないことなどがカスタマーサービスに求められます。異常があった場合は、手動でフィードバックがマークされます。

また、各地域のアクセサリの在庫を事前に確認し、在庫切れラベルを事前にマークしておくことで、分析時にアクセサリ待ちで遅れているものを判別することができます。また、サービス マスターに、自宅に到着する前やサービスを完了した後にシステムに出勤および退勤を記録してもらうことで、マスターの勤務状況をカウントし、スタッフの定員に達したかどうかを推測することもできます。

これらの管理手法自体もパフォーマンスに役立つことに注意してください。事前にサポート上の問題を検出し、最前線の行動を監視してより多くの仕事とより高い報酬を与え、成長の可能性のある領域を迅速に特定することができます。

したがって、これらのビジネス上の利益を餌として利用することで、管理策の実施を促進し、データ収集の目的を達成することができ、一石二鳥となります。適切な管理方法がなければ、データを収集できず、当然実装もできない可能性が高くなります。ビジネス上のメリットがない場合、上級管理職が強力に介入してソフトウェアを強制的にダウンさせたとしても、ビジネス側が協力せず情報をランダムに入力すると、データは混乱したままになります。

IX.まとめ

データを実装する場合は、粗いものから細かいものまで段階的に実行し、さまざまな異常を排除し、重要なポイントを押さえ、最終的に管理方法と組み合わせてそれを信頼して実装する必要があります。

単純に:

1. 指標が低い場合は上げる

2. 指標が高ければ、それを維持します

それは、単に「無敵の神将モデル」を製作するだけで解決できるものではありません。たとえば、何人かの生徒はそれを見てこう言いました。「おやまあ！」カスタマーサービスが注文を送信しました!それは条件反射のようなもので、Didi/Meituanに倣って人工知能による注文発送モデルを確立しました。

まあ、これはアフターサービスです。タクシー/テイクアウトのように機械の破損率が毎日続くわけではなく、需要も限られています。さらに、宅配便の場合、付属品の問題もあり、気軽に扱うことができません。したがって、細かいことをやりたい場合は、ビジネスプロセスを掘り下げて、根気よく玉ねぎの皮をむく必要があります。