大手ネット企業が実践するユーザー分析ルール5選！

この記事では、ユーザー分析の 5 つの黄金律をまとめ、企業が「指標への執着症候群」から抜け出し、データ収集から深い洞察への移行を実現し、ユーザーのニーズをより正確に満たし、ユーザーエクスペリエンスと企業のパフォーマンスを向上させることを目指しています。

週末に大企業の友人とチャットをしていて、ユーザー分析について話しました。多くの企業がユーザー分析を行っていますが、多くの人のユーザー分析は表面的なものです。彼らは、ユーザーのアクティブ日数、オンライン時間、累積消費量を数えるだけで、詳細な洞察を得る方法を知らずに数字を見つめ始めます。

友人と話し合った結果、ユーザー分析の 5 つの黄金律をまとめました。これにより、「ぼんやりと指標を見つめる」という問題を効果的に解決できます。見てみましょう。

ルール1: ユーザーセグメンテーションから始める

諺にもあるように、「袖が長いとダンスがうまくなり、お金が多ければビジネスがうまくいく」。データ分析を行う際、データ自体が非常に小さいと、詳細な結論を導き出すことが困難になります。

これはユーザー分析に反映されます。ユーザーが登録時に携帯電話番号のみを残し、1、2回ログインした後は二度と戻ってこないライトユーザーの場合、分析するデータは絶対にありません。大量のデータを蓄積したヘビーユーザーだけが、詳細な解釈を行うことができます。

したがって、ユーザー分析をより詳細に行う場合は、まずライトユーザー、ミディアムユーザー、ヘビーユーザーを階層化して区別し、次に次の点を確認する必要があります。

1. 異なるレベルのユーザー間で背景特性にどのような違いがありますか?

2. ヘビーユーザーは、ライトユーザーや中程度のユーザーからどのように進化したのでしょうか?

3. ヘビーユーザーと比較して、ライトユーザーと中程度のユーザーはどの進化段階で異なりますか?

こうすることで、理由を明確に把握でき、平均月間消費量、平均月間オンライン時間など、ユーザー間の違いを消し去ってしまうような平均値の大量計算を避けることができます。ユーザーセグメンテーションの具体的な方法については、以下を参照してください。これは実際のユーザーセグメンテーションであり、平均ではありません。

ルール2: 指標は深いものと浅いものに分かれており、内容はニーズに応じて異なります

最初のステップを完了すると、多くの人は自然に次のように考えます。ヘビーユーザーは週 7 日間ログインし、ライトユーザーは週 1 日ログインしていることがわかったので、ライトユーザーが 7 日間ログインするように促すチェックインアクティビティを編成します。

この考えはとんでもない。考えてみてください。アプリを使うとき、ログインにかかる時間やクリック回数を慎重に計算するでしょうか？オープニング報酬をゲットしようとしない限り、私は決してそうは思わないだろう。

ユーザーのログイン、アクティビティ、消費行動にはすべて特定の目標があります。これが私が好きなコンテンツです、これが私が好きな製品です、そしてこれが報酬です。これらは直感的な理由です。そして、これらの理由は、コンテンツと製品にラベルを付けることによって取得する必要があります。

原則として、ユーザーがタグの下で蓄積する行動（消費、インタラクション）が増えるほど、そのタグの下のコンテンツ/製品に対するユーザーの需要が高まります。

これを踏まえると、商品を宣伝したいときは、何度か試してユーザーに商品を見せ、データを蓄積して合理的な推論を行う必要があります (下の図を参照)。

ルール3: テストと探索を組み合わせる

最初のステップを完了すると、多くの人が自然に考えるのは、ヘビーユーザーがライトユーザーからどのように段階的に進化したかを分析し、その経験を要約し、それを他のライトユーザーにコピーすることです。

アイデアは良いのですが、企業がユーザーに提供できる製品やサービスには限りがあり、特定のユーザーしか惹きつけることができず、ライトユーザーとヘビーユーザーが必ずしも同じタイプの人々ではないため、うまくいかない可能性があります。

したがって、ヘビーユーザーの消費/インタラクションのプロセスを通じて、成長パスは理論的には次のように要約できます。

ユーザーはXXチャネルから入り、XX特性を持っています
ユーザーは最初にXX製品を体験し、X日後に再購入しました
ユーザーがXX金額の購入を蓄積すると、消費者向け製品カテゴリの拡大が始まります。

しかし、このアプローチはすべてのライトユーザーにとって有用ではない可能性があるため、さらにいくつかのテストラインを開発し、さまざまな方法でライトユーザーを刺激して、どれが効果的かを確認する必要があるかもしれません。

ここで典型的な問題があります。多くの人は、ライトユーザーをすぐにアクティブ化できる最適な推奨ルールをデータから計算できると期待しています。これは難しいことです。なぜなら、ライトユーザーはデータの蓄積が非常に少ないことが多く、テストを行わないと有効な結論を導き出すのが難しいからです。

したがって、最初にさらにテストを行い、データを収集することを強くお勧めします。さらに、データ分析なしでは業務が遂行できないということはありません。使用できる従来の一般的な推奨ロジックは多数あります (下の図を参照)。

たとえば、ユーザーがビールを購入した場合、おむつを推奨する必要がありますか?間違っている！もし彼がビールを買ったとしたら、おむつよりも適切なものはたくさんあります。例えば、

もう少しボトルを購入することをお勧めします（段階的な推奨、ワイン愛好家に適しています）
おすすめ：鶏の足とピーナッツ（ナチュラルカテゴリーの関連、どちらもワインに合うおつまみです）
タバコとライターのおすすめ（タバコとお酒は切っても切れない関係です、あなたと私は幸せです）

これらの商品は本質的に互いに関連しており、データがなくても推奨できるため、まずはこれらの本質的なルールに基づいてテストルートを決定し、その後はユーザーを刺激する情報を推奨し続け、どれに反応するかを確認することができます。

これにより、データが蓄積され、ユーザーに対する継続的な洞察の基盤が築かれるだけでなく、経験も蓄積され、パフォーマンスが迅速に向上します。

ルール4: どんどん試して、継続的に蓄積する

ユーザー分析を行う場合、特にライトユーザーや離脱したユーザーの場合、静的データだけを見るだけでは不十分です。利用できるデータが少なすぎるため、その後の動作は完全に推測に頼るしかないため、結論を導き出すのは困難です。

そのため、自社の既存製品状況＋運営予算を組み合わせてユーザー獲得を増やすルートを開拓し、効果を一つずつテストし、テストしながら経験を積んでいくことができます。

最良のシナリオは、テストを通じて、ライトユーザーをヘビーユーザーに変換する新しい方法を発見できることであり、これは大きな成果となるでしょう。もちろん、悪い状況では、既存の条件下で、製品 + 割引 + コンテンツのすべての可能な組み合わせを試しても、まだうまく実行できないことに気付くかもしれません。

これは実際に価値があります。既存の方法が効果的ではないことを認識することで、少なくともリソースの無駄を節約し、製品のアップグレードや運用方法の最適化など、基礎的な機能の向上を促進できます。

ここでは多くの企業が運営上の問題を抱えています。

テストを拒否し、常に同じやり方で物事を行う
テストを行うときは失敗を受け入れず、「成功」を強制する
一度に複数のソリューションをテストしないでください。

多くの場合、これらの企業の業務/製品部門は、「ランダムパンチでマスターを倒すことができます」と自慢し、「活動を行う目的は利益を生み出すことです！」と叫ぶのが好きです。「絶対に確信が持てないならやらないでください！」

その結果、データがまったく存在せず、ユーザーが何を好むかがまったくわからないか、データが汚染され、新製品がほぼ完全にプロモーションに依存し、「ユーザーはお買い得品が大好きだ」という以外の結論が得られないことになります。

データ分析は、1 つのステップを踏み出して次の 100 ステップを予測することではなく、各ステップを踏みながら、逸脱がないか、どのくらいの速さで進んでいるか、期待どおりに達成できるかどうかを常に確認することです。この点を覚えておく必要があります。

ルール5: 利益要因の影響を個別に議論する

別途議論する必要がある状況があります。つまり、ユーザーが興味に駆られて XX 動作を完了するということです。

一般的なものとしては、次のようなものがあります。

超低価格の初心者向けギフトパッケージのため、登録したユーザーは
市場価格よりはるかに安い人気商品があるため、ユーザーは
多額の補助金による会員活動により、ユーザーはブラックゴールド会員にアップグレードされます
強力なプロモーション活動により、短期間で多くのユーザーがアクティブになる

特に、当社が補助対象とする商品が以下の場合

新しいiPhoneと同様に、市場価格が高く、最も売れているハード通貨である
米、小麦粉、油、卵、牛乳と同様に、これらは幅広い用途で必要とされる製品です。
シャワージェルやペーパータオルなど、幅広く使用されており、長期間在庫できる商品

これにより、短期的には大量のユーザーアクティビティと消費が促進されますが、長期的には、これらのユーザーは当社に対する信頼を確立しておらず、単に安い価格を求めているだけです。この利益重視のアプローチによって生成されたデータは、ユーザーの通常のニーズの判断を妨げ、その後の判断を不正確にすることになります。

したがって、興味に基づく行動は個別に識別して分析する必要があります。