このような環境において、データ分析の価値をどのように実証できるでしょうか?

データ分析の価値をシナリオに反映するにはどうすればよいでしょうか?この記事の著者は、データ分析は単に固定された分析手法を適用するのではなく、ビジネスニーズに基づいて行われるべきであり、経験を積みビジネスに役立てることでデータ分析の価値を高めることができると指摘しています。

学生たちは職場で、「自分たちが行った分析にはビジネス上の価値がほとんどなく、レポートを送信しても反応がない」とよく不満を言います。データ分析でその価値を反映させるにはどうすればよいでしょうか?今日は具体的なシナリオに基づいて詳しく説明します。

1. 問題のシナリオ

同級生が企業の会員センターに入会し、「データ駆動型ビジネス」の仕組みを構築したいという野心を抱いていた。この目的のために、彼は以下のことをたくさん計画しました。

• 運用状況を反映するフルリンクデータインジケータシステムを確立する
• 3,000 のメンバータグを作成してメンバーのポートレートを充実させる
• RFMモデルを確立し、メンバーを階層化する
• 会員の購買行動を予測する予測モデルを確立する
• 会員に購入を勧める商品推奨モデル

計画を提出した後、学生はリーダーから「これにどんなビジネス価値があるんだ！」と批判されました。生徒は全く理解しませんでした。ユーザー分析について言及されるときは、常に、ユーザー ポートレート、RFM、階層化、および推奨事項についてでした。私の知らない不思議な力があるのか​​？なぜこれらは「価値がない」と批判されるのでしょうか? ? ? ?

2. 「価値とは何か？」から始めましょう

この質問は「データ分析の価値とは何か」から始まります。私たちがサードパーティ企業、データ製品企業、またはコンサルティング企業である場合、BI、データモデル、CDPなどの一連のツールを事前に作成し、それをファーストパーティに販売することができます。これはデータ分析の価値を直接反映したものです。

しかし、別のシナリオでは、私たちがクライアント企業となり、データがビジネスに直接役立ちます。この時点で、データ分析の価値は「ビジネスにどれだけ役立つか」によって定義されます。もし：

• 企業はすでに私たちが提供するデータを見ることができます
• 私たちが行う予測はビジネスにはまったく必要ありません
• 私たちが行った分類は、企業にとって全く理解できないものである
• 企業が私たちが作成した肖像画を使用する場所を見つけることができない

つまり価値がないということです。これは「誰もがこうした分析を行っている」ということとは何の関係もありません。弊社の業務で使用できない限りは認められません。

したがって、データ分析の価値を高めたいのであれば、「ハンマーで釘を探す」ということはできません。まず、「ユーザー ポートレート、RFM、関連する推奨事項、動作予測」のハンマーをいくつか使用し、次にハンマーを使用できる場所を確認します。代わりに、「私たちのビジネスに本当に必要なものは何なのか」を考える必要があります。

知らせ！単にビジネスに何が必要かを尋ねるだけではだめです。なぜなら、彼らはあなたに運勢を占ってもらいたいと考えている可能性が高いからです。

3. ビジネス上の問題の解決

企業に直接「何が欲しいですか？」と尋ねてみると、おそらく次のようなことを耳にするでしょう:

• 来月の商品の販売量を100%の精度で予測したい
• ユーザーの離脱理由を100%の精度で知りたい
• イベントの参加者数を100%の精度で予測したい
• ユーザーが何を望んでいるかを100%正確に判断したい

最後には、彼らは丁寧にこう言うかもしれません。「100% できなくても、98% なら大丈夫です。心配しないでください。」

実際にこの要件を使用して実行した場合、確実に実行できなくなります。なぜ？製品の売上、ユーザーの離脱、ユーザーの需要はすべて、ビジネス手段によって影響を受ける総合的な結果だからです。たとえば、ユーザーはもともと購入するつもりがなかったが、企業からクーポンが送られてきたので購入したいと思った、といったケースです。この時点で、結果を予測するためには、まず企業がクーポンを発行するかどうか、また、どのくらいのクーポンが発行されるかを知っておく必要があります。

つまり、モデル化して予測できるとしても、まず「ビジネス手段とは何か」を知る必要があります。これは明らかにビジネス要件と矛盾しています。これらの人々は、私たちが 100% 正確な予測を行い、その予測結果に基づいて行動を起こすのを今も待っています。そのため、ビジネスニーズをそのまま鵜呑みにするのではなく、ビジネスニーズを分解して、努力できるポイントを見つけましょう。

たとえば、「ユーザー離脱の理由を 100% 正確に把握している」という場合は、もう 1 つ質問をします。「それを知ったら何ができるでしょうか?」

• 貢献度がほとんどないユーザーもいます。もし彼らが去ってしまったら、彼らを取り戻すことは本当に価値があるのでしょうか?
• 一部のユーザーは、当社の製品に対する需要がなくなりました。本当に製品が改善されるのでしょうか?
• 一部のユーザーの要求が当社の既存ユーザーと競合しています。私たちは本当にこれらの人々を喜ばせたいのでしょうか?
• 無料のものをもらうためだけにここにいるユーザーもいます。私たちは本当に彼らを無制限に満足させなければならないのでしょうか?
• …

ビジネス シナリオを組み合わせて、要件を細分化します。ほとんどの場合、企業が実行できることは非常に限られていることがわかります。特に短期的に特定の指標を上げるには、クーポン配布・情報発信といった手段が考えられますが、それだけです。長期的な改善は、全体的な事業計画と密接に関連しています。したがって、ビジネスで何ができるかに焦点を当てることで、データがビジネスで使用できることを保証できます。

ここでの一般的な要件は、ビジネスが実行できることに応じてではなく、要件を細分化することです。代わりに、データ レベルで単純にぐるぐる回っているだけです。たとえば、ユーザー離脱を分析するには、離脱したすべてのユーザーのリストを取り出し、性別、年齢、過去の消費など、一連の記述的な統計結果を入力します。これは大量のデータのように思えるかもしれませんが、それでもビジネスアクションとは無関係です。経営者は、これを読んでもまだ混乱し、「だから何？ どうすればいいの？」と尋ねます。

4. ビジネスの盲点を見つける

問題を分析した後、さらにビジネスの盲点を探すことができます。ビジネスの盲点を見つけることは、データ分析の価値を高めるのに非常に役立ちます。企業はデータ、特に KPI に関連するデータについて全く知らないわけではないので、通常はデータを注意深く監視しています。あなたが提示したデータが相手がすでに知っているデータである場合、相手は間違いなく「それはすでに知っていたのに、分析する意味は何なのか」と文句を言うでしょう。

それで：

• ビジネスは何を知らないのか
• ビジネスが不確実なこと
• 企業は何をテストしたいのでしょうか?

ここでデータ分析の価値が最もよく反映される

例えば、ユーザー離脱の場合、企業側は毎月定期的にクーポンを発行しており、以下のような多くの基本データをすでに把握している可能性が高いです。

• 毎月何人のユーザーが離脱しているか
• ユーザーを呼び戻すために毎月何枚のクーポンが発行されますか?
• 毎月プッシュ通知を送信するためにいくつのチャネルが使用されますか?
• 各チャネルのコンバージョン率とリコール率

この時、これらのデータについて「完全な指標体系を確立する」という大義名分のもとで再度語ると、「そんなことはずっと前からわかっていた」と批判されるだろう。したがって、既存のデータに基づいて、誰もが知りたい追加事項は何であるかを掘り下げることができます。

ここで、既存のルールを変更するかどうかが重要な問題となります。変更が行われない場合は、既存のプッシュ チャネル、プッシュ コピー、プッシュ クーポン タイプに基づいて順列と組み合わせを作成します。最も高い変換率を実現する方法を見つけます。ルールを変えたいなら、ビジネスの面で何ができるでしょうか？例えば、額面金額を増やす、情報をプッシュする時間を変える、プッシュ方法を変える（ユーザー分裂に基づくなど）、プッシュ内容を変える（クーポンをプッシュするのではなく、売れ筋商品をプッシュするなど）などです。

変更するかどうかはビジネスと密接に関係しています。多くの場合、企業には戦略を変更する権限がないため、戦略はすでに上司によって設定されており、わずかな調整しか行うことができません。場合によっては、ビジネス戦略を変更したい場合があり、この場合には大量のデータのサポートが必要になります。まず、ビジネスがどの方向に変化したいのかを理解する必要があります。

例えば、ビジネス側としてはクーポンの強度を上げる方向で調整していきたいと考えています。現時点でのデータ分析の考え方は次のとおりです。

• クーポンによって最も想起される可能性が高いグループを調べる
• これらのグループの価値あるセグメントを特定する
• 人々の過去の消費を計算し、クーポンの有効性に関する推奨事項を作成します

原則として、購買力のある人材は積極的に呼び戻す価値があります。企業の経営者が懸念を和らげるためにリソースを求める際には、こうした詳細なデータを強調する必要があります。このレベルでデータを提供することで、ビジネスアクションを大幅にサポートし、データの価値を反映することができます。

ここでの分析は依然として次の点に注意してください。

• ユーザーの過去の消費を区別し、ユーザー価値を計算する
• クーポンの収集/使用に対するユーザーの感受性を区別し、「クーポンの好み」としてラベル付けする
• ユーザーの反応率を差別化して情報をプッシュし、反応率の高いグループを見つける

しかし、「これはビジネスに特に必要なデータである」ということが明確になれば、そのデータは公開され、誰もが認識できるようになります。無差別に RFM を実行し (セグメンテーション ルールがまだビジネス側で確認されていない)、それを破棄するのではなく、ビジネス側は「だから何?」と混乱することになります。それで、何ができるでしょうか? ? ?

5. 経験を積む

データ分析が積極的に実行できるもう 1 つの非常に重要なことは、目標に関する経験を蓄積することです。ビジネス部門は自己中心的で、自分のプロジェクトを主張することが多く、異なるプロジェクト間のクロストークを簡単に無視してしまいます。たとえば、ユーザー離脱に関して言えば、離脱したユーザーは特定の商品のファンであり、季節的なショッピングニーズを持っている可能性が非常に高いです。会員センターからやみくもに配布されるクーポンには反応せず、商品部がプッシュする活動には反応します。

このとき、データ部門はさまざまな部門からアクティビティを積極的に収集し、ユーザーに基づいて、さまざまなアクティビティがユーザーにどのような影響を与えるかの全体像を表示できます。このようなパノラマデータは、自分の部門のビジネス担当者が目にすることはほとんどなく、ビジネス思考を簡単に刺激することができます。したがって、データ部門がさまざまなビジネスアクションを積極的に収集し、同じビジネス目標を中心に統合することが特に推奨されます。これも価値を反映する方法です。

VI.まとめ

上記から、データ分析はビジネスに基づいて行われ、ビジネスに役立つものである必要があることがわかります。これは単なる空論ではなく、具体的なビジネス シナリオとビジネス ニーズを組み合わせ、具体的にはビジネスの実現可能な範囲について議論し、ビジネス上の問題を分解して、それらに 1 つずつ答えることでのみ実現できます。

著者: 地に足のついた教師チェン

出典: 地に足のついた教師 陳 (ID: 773891)