できました！データ分析を使用してユーザーのコンバージョン率を向上させます

この記事では、データを活用して分析し、最適化の結論を導き出す方法を説明します。一連のアイデアとケース分析を通じて、データ分析の作業から何かを得るのに役立ちます。

「データ分析では具体的な業務最適化ポイントを特定する必要がある」というのは、多くの企業がデータアナリストに求める要件であり、多くの学生を悩ませる問題でもあります。

さまざまなデータ指標から最適化の結論を導き出すにはどうすればよいでしょうか?今日は、具体的な問題シナリオに基づいて、何をすべきかを体系的に説明します。

問題のシナリオ:

あるオンライン教育機関では毎週無料のライブ放送を行っており、予約すればすべてのユーザーがライブ放送を視聴できる。企業側はライブストリーミングを通じてユーザーの決済率の向上を期待している。

しかし、実装してしばらく経つと、ビジネス側は疑問を持ち始めました。ライブ放送登録後の視聴率や視聴者数は、支払い率に役立つのだろうか？結局のところ、生放送を行うにはコストがかかります。番組数が増えているのに、コンバージョン率が上がっていないように感じるのはなぜでしょうか? ?

Q: この問題をどのように分析すればよいでしょうか?ライブストリーミングビジネスの最適化ポイントはどこにあるのでしょうか？

1.よくある間違い

多くの学生は、シナリオを区別したりラベルを付けたりせずに、データベースで使用可能なフィールドを使用することに慣れているため、当然何も分析できません。たとえば、この場合、元のデータ レコードは XXX というライブ ブロードキャストであり、XX 人がサインアップし、XX 人が視聴している、それだけである可能性が非常に高くなります。深く考えないと、次のような傾向が出てきます。

• 毎日のライブ放送視聴者数と毎日の売上数の合計を取り、相関分析を行い、相関係数を確認します。
• 各ライブ放送の視聴者数とライブ放送後に購入した人数からライブ放送のコンバージョン率を算出し、折れ線グラフを描く
• ライブ放送を視聴した人と登録したがライブ放送を視聴しなかった人を2つのグループに分けて購入率を計算する

この方法では、3 つの数値を計算できますが、結論を出すときに、ビジネス側から簡単に異議を唱えられます。

• ライブ放送の視聴者数と売上高の相関係数は 0.76 であることがわかりました。だから何？ ? ?
• ライブ放送のコンバージョン率が過去 3 週間で低下していることに気づきました。ナンセンスです!私はそれを知っていた...
• ライブ放送を見た後の購入率が 5% 高くなったことがわかりました - ナンセンスです!高いはずだけど、だから何？

ここでよくある疑問が生じます。これらの結論がナンセンスである理由は、ビジネスを見た後、何をすべきか本当に分からないからです。ビジネス側が期待する最適化の提案は、「ライブストリーミングはまだ実行できますか?」です。可能であれば、何回ショーを行うことができますか?何のトピックですか?何のリンクですか?それができないなら、どうやって販売問題を解決すればいいのでしょうか?これは役に立つアドバイスです。

それで、問題をどのように解決するのでしょうか?

1. ビジネスシナリオを理解する

ビジネスの最適化ポイントを見つけるには、もちろんビジネスそのものに戻ることが第一歩です。教育ビジネス自体の観点から言えば、すべてのユーザーが同時にライブ放送を開始することはあまり適切な行動ではありません。ユーザーによってニーズがまったく異なるため、

• 新規登録ユーザー：教育機関やコースに馴染みがなく、信頼関係を築く必要がある
• 一度支払ったユーザー: たった 2 回のレッスン後に新しいコースを購入するように依頼しても、誰も購入しません。
• n回支払ったユーザー：ユーザーは既に学習成果と進歩を達成しており、次のプロモーションも昇格コースです

つまり、人によって当然教育ニーズは異なります。

これを見た多くの学生は本能的にこう言うでしょう。「異なるグループの間でライブ放送を行えば、もっと効果が出るだろう！」

ビジネス シナリオを理解することは単なる始まりに過ぎないため、この点についても批判されるでしょう。

2. ビジネスの問題点を分析する

提案をするときは、「指標が低すぎるので、上げる必要があります」や「混合放送は良くないので、分離することをお勧めします」など、合理的に聞こえるが実際には愚かな提案は避けてください。

なぜ？人々は愚か者ではないからです。指標が低いことがわかったら、必ず指標を上げることを考えます。分散セッションを行う余裕があれば、別々に行うことも検討します。常識に反する行為の背後には、たいてい隠れた理由がある。さらに整理するには、まずビジネスの問題点を見つける必要があります。

表面的には、ライブストリーミングによってもたらされるコンバージョン効果が明らかではないことが現在の問題です。

さらに深く調べてみると、考えられる問題は、ライブ放送がすべて混在しており、分類のガイダンスが不足していることです。

よく見ると、なぜシチューの鍋があるのか​​？その背後にある隠された理由はおそらく次のとおりです。

• いくつかのトピックは誰もが興味を持ちます。例えば、キャリア開発や基礎スキルなどに分けて考える必要はありません。
• ライブストリーミングにもコストがかかり、時間とコンテンツの制作も必要です。ただし、新規会員獲得のペースは一定ではありません。新規会員をターゲットにする場合、スケジュール調整が非常に面倒になります。
• ライブ放送を企画する同僚にとって、古いユーザーの学習状況は個別にカウントされていなかったため、各学習の進捗状況に何人の人が到達しているかを把握することができませんでした。
• 観客を分割した後、一部のグループの人数が非常に少なくなり、コンバージョン率が個別のライブ放送をサポートするのに十分でない可能性があります。
• 事業を分割しても、必ずしもコンバージョン率が向上するとは限りません。現時点ではこれを証明するデータはありません。

つまり、いわゆる分割は見た目が良いだけかもしれませんが、実際は多くの複雑な問題があります。

しかし、これらの具体的な論点はデータ分析にとって宝の山です。分析される問題が具体的であればあるほど、結論を導き出すのが容易になります。分析される問題が曖昧であればあるほど、結論を導き出すのが難しくなります。具体的な問題点がわかったら、データを活用して問題を解決する方法を検討できます。

3. 帰納的分析ロジック

ビジネスの問題点は非常に分散している場合があり、データを使用して解決するには分析ロジックが必要です。ロジックを構築する最も簡単な方法は、大きいものから小さいものへ、大まかなものから細かいものへ、まず明らかな問題を排除し、次に詳細を追求することです。

この場合、データの観点から見ると、上記のビジネス上の問題点は次の 3 つのカテゴリにまとめることができます。

1. 既存のライブ放送のコンバージョン率が良くないというのは本当ですか？特定の科目に限定されているのでしょうか、それともすべての科目で許可されているわけではないのでしょうか?
2. 既存ユーザーの場合、コンバージョン率に本質的な違いはありますか?生放送で突破できるものとできないものは何でしょうか?
3. 既存の製品はすべてライブストリーミング変換に適していますか?単価が異なるさまざまなシナリオがありますか?

これら 3 つの質問は、特定の最適化の提案に直接つながります。

ただし、これら 3 つの問題は相互に絡み合っている可能性があることに注意してください。例えば、ライブ放送で商品が売れないのであれば、ライブ放送自体が良くなかったり、ユーザーに需要がなかったり、商品が合わなかったりする可能性もあります。このとき、分析ロジックを構築する必要があります。

タイトルから判断すると、ビジネス面ではユーザーや製品にフォーカスするのではなく、ライブストリーミングからスタートしたようです。したがって、分析ロジックを構築する際には、まずライブ放送から始めて、ライブ放送自体が適切に整理されていないという問題を解消する必要があります（下の図を参照）。

第二に、教育製品の場合、ライブ放送のトピックは本質的に販売される製品に関連していますが、必ずしも視聴者のユーザーに関連しているわけではありません。特に初心者のユーザーの場合、本当に何を学びたいのかわからないことが多く、ただ見るだけになってしまうことが非常によくあります。したがって、第 2 レベルをユーザーごとに分割して、新規登録ユーザーと古いユーザーを区別することができます (下の図を参照)。

分析ロジックが構築されたので、データを入力できますが、準備作業を行うことをお勧めします。

4. データを準備する

ビジネス状況を説明するために、多くのラベルが必要になることがよくありますが、これらのラベルは事前に準備されていない可能性が非常に高いです。だから準備が必要なのです。

たとえば、次の場合:

• ライブ放送ラベル（学習トピック、講師レベル、対象グループ、難易度）
• ユーザータグ（新規ユーザー/旧ユーザー、新規ユーザー、旧ユーザーのソースチャンネル）
• 製品タグ（グループ、価格、学習トピックに適しています）

これらはすべて、その後の分析の手がかりとなるように、1 つずつ準備する必要があります。

注: ビジネス側では結論を緊急に分析する必要がある可能性が高く、以前のインフラストラクチャは非常に貧弱であるため、1 つずつラベルを付ける時間がありません。このとき、ビジネス側は、ラベル付けがなければ問題の詳細な分析を行うことは不可能であることを認識する必要があります。少なくとも、特に重要なもののいくつかを最初にマークすることをお勧めします。そうしないと、いつも最後の最後になって詰め込み勉強することになり、まったく進歩がなくなります。

5. 出力分析の結論

上記の準備がすべて整ったら、最後のステップは当然のことながらデータを入力することです。さらに、このような分析は、問題の最も明白な点を見つけ、非常に詳細な最適化の提案を行うのに役立ちます (下の図に示すように。スペースの制限により、下の図では演繹ロジック全体を完全には表示していないことに注意してください。興味のある学生は自分で完成させることができます)。

分析ロジックを構築する際、各ユーザータイプに対応する状況は、実際には具体的なビジネス最適化ポイントとなりますが、最終的な判断はデータによって行われます。状況が頻繁に発生すればするほど、解決される問題も増えます。さらに、2 つの要素が絡み合っている場合は、データの量も考慮して、解決すべき主な問題を選択する必要があります。ここでデータ分析が役に立ちます。そうしないと、非常に多くの複雑な問題が生じ、どこから始めればよいか分からなくなってしまいます。

2. まとめ

したがって、ビジネス シナリオを深く掘り下げてレイヤーごとに分析することによってのみ、最適化ポイントをより適切に取得できます。注: 最適化の提案は、一般的にギャップを埋めるという観点から行われますが、既存の欠点を埋めることが最適な解決策であることを意味するわけではありません。もっと良いアイデアがあるかもしれません。

著者: 地に足のついた教師チェン

ソース公開アカウント: Down-to-earth Teacher Chen (ID: 773891)