「ヒト・モノ・場」モデルを理解していますか？データ分析はほとんどのシナリオで使用できます。

人・モノ・場所の分析モデルについては聞いたことがあるが、実際の状況を踏まえてどのように分析すればよいかわからないという方も多いのではないでしょうか。この記事では、関連する事例を例に挙げて、「人・モノ・場所」モデルの使い方を分析します。お役に立てれば幸いです。

データ分析を行う学生の多くは、人、物、場所の分析モデルについて聞いたことがあるでしょう。しかし、これは聞いたことはあるが実際に見たことのないものである。実際の分析とどのように組み合わせればよいでしょうか?今日は体系的に説明していきます。

問題のシナリオ:

ある生鮮食品の電子商取引会社では、ユーザーの再購入率が低く、30日以内に2度目を購入しないユーザーが60%に上ります。オペレーションリーダーは非常に不安を感じており、データ分析を通じて再購入率を向上させることを求めています。データアナリストとして何をすべきでしょうか?

A. AIベースの正確な推奨アルゴリズムを確立する（協調フィルタリングを使用する確率40％、関連分析を使用する確率60％）

B. 過去 6 か月の初めの買戻し率の折れ線グラフを作成し、「頑張ろう!」という 3 つの力強い言葉を書き留めます。

C. 分析するものは何ですか?電子商取引はクーポンを配布するだけではないのでしょうか?再購入していないユーザー全員にクーポンが付与されます。やってみよう、オリ！

それとも別の解決策がありますか?

1. 貨物の属性分析

まず簡単な質問をしましょう。米、小麦粉、油の入ったバケツとイチゴ、さくらんぼ、マンゴスチンの違いは何でしょうか?野菜を買ったことがなくても、米、小麦粉、油は季節を問わず毎日食べられるものだということはご存知でしょう。イチゴ、さくらんぼ、マンゴスチンなどは毎日食べられるものではなく、季節限定の果物です。

野菜市場やスーパーマーケットに行くと、米、小麦粉、油は通常、袋ごとまたは樽ごと購入され、1樽で長期間保存できることが分かります。包装用の専用の米樽、米箱、油瓶もあります。イチゴとマンゴスチンは別々に売られることが多く、日持ちしません。買ってから食べないと、数日以内に腐ってしまいます。

これらの一見一般的な製品知識は、総称して「製品属性」と呼ばれます。商品の属性は消費者の購買行動に直接影響します。

• 購入頻度: 新鮮な野菜や果物はより頻繁に購入されますが、米、小麦粉、油はより頻繁に購入されません。
• 市場の季節: 新鮮な果物や野菜が旬です。季節外れのものは高価で美味しくありません。米、小麦粉、油には季節性がありません。
• 商品価格: 単一商品の価格が高い場合は、販売数を減らし、安いときに仕入れ、少量ずつ仕入れ、安い場合はまとめ買いします。

購入チャネル：物流配送がある場合は、大きなハード通貨（米、小麦粉、油）をオンラインで購入し、バラの商品をオフラインで購入する方が便利です。落とし穴を避けるために、現地でいくつか試してみるのが最善です。

これらの貨物特性は常識であり自然法則であり、データ指標の計算方法によって変わることはありません。したがって、生鮮食品の場合、ユーザーの行動は過去の購入履歴に直接影響されます。ユーザーが米を 10 キログラム購入し、2 日後にさらに 10 キログラム購入するとは期待できません。つまり、本当に何度もお米を買いに来るユーザーがいるのであれば、提供しているお米が市場価格よりも大幅に安くなっていないか、誰かが不当に利用していないかをチェックする必要があるのです。

新製品の再購入アイデアを説明できるシンプルなマトリックス モデルがあります。核となるのは、製品の購入頻度と製品の相関関係です。購入頻度については上で説明しましたが、商品の関連付けとは、特定の商品が自然に一緒に購入されることを意味します。特に生鮮食品分野では、例えば冷凍の手羽先や竹串を買うと、炭火焼きやミートボール、バーベキューソースも買う可能性が高くなります。したがって、2 つの次元の交差は、次のマトリックス (下の図を参照) になります。

ただし、商品の属性の観点からのみ見るのは不完全であることに注意してください。食料品を購入するチャネルはたくさんあるのに、なぜユーザーはアプリ内を探し回らなければならないのでしょうか?野菜市場って素敵じゃないですか？ APP/マイクロモールの魅力は何ですか？これにはフィールドの問題が関係します。

2. 店舗属性の分析

ちょっと質問です。今日の昼食は何を食べますか？考えずにすぐに答えてください！

10人中10人の生徒がこの質問に答えられないですよね？実際、事前に準備するどころか、お腹が空いているかどうかを考えるだけでも 10 分から 20 分以上かかります。

食料品の購入についても同様です。高齢者はなぜ野菜市場に行くのが好きなのでしょうか?重要な理由の一つは、料理にはあまり目的がないということです。気に入ったものをその場で買うだけです。第二に、価格を比較して、最も新鮮で安いものを選ぶことができます。スーパーマーケットの生鮮食品売り場を含む野菜市場の視覚的インパクトは、電子商取引のそれよりもはるかに強力です。これは、店舗の属性がリピート購入行動に与える影響です。

以下の属性を保存します:

• 利便性: 食品市場がより近くて便利であればあるほど、より魅力的になります。
• 清潔さ: 市場が清潔であればあるほど、魅力的になります。
• 商品の豊富さ: 料理が豊富であればあるほど、市場は魅力的になります。
• 商品の鮮度: 食品が新鮮であればあるほど、魅力的になります。
• 商品価格：店舗賃料や人件費の違いにより、店舗によっては極めて高額な商品もあります

従来のオフライン店舗では、店舗の場所に関するマトリックス モデルも存在します。 （下図参照）

オンライン チャネルで使用される指標は、オフライン チャネルで使用される指標と同様です。違いは、ユーザーのログインシナリオ、ログイン頻度、ログイン後にアクセスしたコンテンツが店舗までの距離に置き換わることです。オンライン チャネルでは、オフライン チャネルよりもコンテンツとジャンプ パスに関する詳細な分析を実行できます。

興味深いことに、衣料品、スナック、玩具などの消費財とは異なり、生鮮食品分野では、オンライン チャネルのエクスペリエンスはオフライン チャネルよりも実際に悪いです。そのため、人々が外出できない状況では、オンライン生鮮食品の利点が反映されます。例えば、雨の日、疫病流行中の交通規制、通勤中に青果市場に行く時間がない、などです。

しかし、これにより 3 番目の問題が発生します。つまり、一部のユーザーは単に安い価格を探している一方で、一部のユーザーはオンラインでの購入を本当に緊急に必要としている可能性があるのです。したがって、人的要因を考慮する必要があります。

3. ユーザー属性分析

伝統的な業界では、人、商品、場所が中心であり、人とは消費者ではなく販売員を指すことに注意してください。いわゆる労働効率とは、営業スタッフによって生み出される平均的な経済的利益を指します。しかし、インターネットアプリケーションはユーザーにとってのアプリであり、販売という概念はありません。そこで営業マンをユーザーに置き換え、いわゆる人間分析をユーザー属性分析にするのです。

ユーザ属性に関して言えば、多くの学生の条件反射は、性別、年齢、地域です。問題は、あなたの会社が本当にそれほど多くの実際のユーザー情報を収集できるのかということです。さらに、これらのフィールドは必ずしも何かを明らかにするとは限りません。最も典型的なのは性別です。男性と女性の比率の差はほんの数ポイントであることが多く、それでは何も説明できません。

インタラクションと消費者の行動に基づいたラベルの方が有用でしょう。例えば、生鮮食品の電子商取引の分野では、登録すると20元の米、小麦粉、油のクーポンがもらえたり、初回注文は送料無料だったり、輸入さくらんぼ4キロが25元で手に入ったりするなどの活動に、どれだけの顧客が惹かれるでしょうか。これをプロモーションに敏感なユーザーと呼びます。同様に、硬直的な購買ユーザー、異常気象時の購買ユーザー、流行地域のユーザーなどのラベルを追加して、より区別しやすくすることもできます (下の図を参照)。

4. 人・貨物・ヤードモデルの構築

3 つの次元を基本的に理解することで、問題を包括的に説明できるようになります。冒頭で述べた「生鮮食品ECの再購入率の低さ」という問題に戻りましょう。まず、人、商品、場所の観点から分析の仮定を確立します。

人間の視点:

• プッシュの質が悪すぎて、ユーザー自身に需要がない
• ユーザーに需要はあるが、自由放任主義が多すぎて厳格なニーズが少ない
• 厳格な要求を持つユーザーが一定数いるが、製品は彼らのニーズを満たしていない

貨物角度:

• 商品のカテゴリーが少なすぎる
• カテゴリーはたくさんあるが、強い魅力はない
• 排水モデルもあるが、価格は競争力がない

視野角:

• ユーザーの習慣が確立されておらず、2回目のログインはまれである
• 2回目のログインは可能だが、購入ページには入らなかった
• 購入ページに進むが注文はしない

独自の仮定を確立した後、全体的なアイデアを構築するには 2 つの方法があります。

1. まず、データから始めて、最も深刻な問題に対処します。
2. 第二に、ビジネスの観点から、最近起こった大きな出来事は何であり、どこから始めるべきか

（下図参照）

最後に、さまざまな分析次元を組み合わせて全体的な分析ロジックを形成し、大まかな詳細から細かい詳細まで結論を導き出すことができます (下の図を参照)。

V. 要約

人、商品、場所という 3 つの次元は、ユーザーの行動に直接関係しており、製品の属性、店舗の属性、ユーザーの習慣に関して従うべき固有のルールがあるため、よく使用されます。したがって、徹底的かつ詳細な分析の基礎として非常に適しています。一方では、ビジネスをより明確に理解できるようになります。一方、より複雑なモデルを構築するための手がかりも得られます。

しかし、現在業界でよくある問題は、この業界の新参者がクーポンの発行方法しか知らず、たった 1 つのクーポンで言い表せない秘密を解き明かし、それを「インターネット思考は無料!」とさえ呼んでいることです。データサイエンスの分野で働く新人は、RFM と相関分析についてしか知らず、モデルについて話すときは協調フィルタリングを思い浮かべます。皆さん、皆さんのプラットフォームのユーザーの粘着性を考えると、ユーザーの 60 ～ 71 パーセントは一度しかログインせず、ユーザーは当然クーポンで購入されます。モデルをトレーニングするために必要な実際のデータはどれくらいありますか?

生鮮食品の電子商取引業界と同様に、毎日お腹を空かせている同僚と AARRR について話し合うよりも、市場に何度か出向いて、食品を購入する主なグループであるおじさん、おばさん、主婦と話をする方がはるかに有益です。ぜひ試してみてください。

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)