指標の変動を分析するには、データモデルを次のように構築する必要があります。

指標の変動を分析するには？この記事の著者は、よくある誤った実践、診断モデルの 3 つの重要なポイント、指標の区別、肯定的および否定的原因の明確化、日常的なコミュニケーションと排除、結果後の診断を分析します。見てみましょう。

ビジネス指標が変動し始めると、人々は常に次のような疑問を抱きます。

• 「なぜ5％も増えたのですか？」
• 「なぜさらに1％下がったのですか？」
• 「なぜ2日間上昇した後、再び下落したのか？」
• 「なぜ3日間何も変化がないのか？」

さまざまな部門の口からは常に何十万もの「なぜ」が飛び出し、データを扱う学生たちは毎日数字を計算するのに忙しくなります。彼らは目が回っているだけでなく、「なぜ事前に先見の明が持てないのか」と不満を言うようになります。 「君は十分に深く考えていないよ！」

何をするか？今日はそのシステムについて説明させてください。

1. よくある間違い

最も一般的な方法は、指標に変化があったときに分解することです。さまざまな次元を抜き出して相互参照し、最も差が大きい要因が指標の変動を引き起こす要因であると考えられます（下図参照）。

そうすることは非常に愚かで非効率的です。

それは愚かなことです。なぜなら、ビジネス側は特定の問題を気にしているからです。例えば：

• 新製品が十分良くないからでしょうか?
• 相手は動いているか？
• 実行が不十分なのでしょうか?
• 環境に変化はありますか？

…

これらのビジネス上の理由は、データベース内の「性別、年齢、地域、製品名」などの単純なディメンションでまとめることはできません。したがって、クロス集計を作成したとしても、これらのより深い疑問に答えることはできません。

非効率的な理由: データ アナリストの時間を大幅に無駄にします。変動の多くは単なる自然変動、あるいはビジネス自体によって引き起こされたものです。かなり多くの変動は、開発者が埋め込まれたポイントを移動しただけで何も言わなかったために発生します。これらの質問では、クロス集計を繰り返し行う必要はありません。データアナリストにクロス集計の作成を強制するだけでは、時間の無駄になるだけでなく、パターンを要約して詳細な分析を行う機会も失われます。

では、練習を最適化するにはどうすればよいでしょうか?

2. 診断モデルの3つのポイント

源から、魂に3つの質問をします。

1. すべての指標の変動は重要ですか?
2. すべての変動は原因不明によって引き起こされるのでしょうか?
3. すべての変動に対して行動を起こす価値があるのでしょうか?

答えは「いいえ、いいえ、いいえ」です。

変動の少なくとも 4 分の 3 は計画的かつ予測可能であり、注目する価値がありません。したがって、慌てて作業するよりも、事前に基礎作業をしておく方がはるかに有益です。問題を体系的に解決するための鍵は、指標を明確に区別し、事前に原因を収集し、事前に結果を予測することです。これを実現するには、一連の謎のコードではなく、ワークフロー全体のサポートが必要です。

3. コア指標、補助指標、限界指標を区別する

収益、コスト、利益に関連するものはすべて中核指標です。コア指標の変動には優先的に注意を払う必要がある。

補助指標は、収益、コスト、利益を構成するプロセス指標またはサブ指標です。例えば、ユーザー数、コンバージョン率、平均注文額など。補助指標の変動は問題ないでしょうか？必ずしもそうではありません。ビジネス開発が新たな形をとった可能性が非常に高いです。したがって、毎日変化を見る必要はありませんが、開発の傾向に注意してください（以下を参照）。

限界指標は、満足度や NPS など、直接関連していない、または正確に定量化できない指標です。これらの指標は、長期的な傾向を監視するために使用できます。さらに、統計的な指標を見るよりも、口コミや世論における極端な事例（特に不満を持つ顧客や悪意のある攻撃）に注目する方が価値があります。

もちろん、コア、サテライト、エッジの定義はビジネスによって異なります。ただし、差別化された処理が必要であり、そうしないと、「分析はたくさんあるが、パフォーマンスにはまったく影響がない」というジレンマに遭遇する可能性が高くなります。

4. 肯定的な理由と否定的な理由を明確にする

一般的な肯定的な理由:

• プロモーション
• 積極的な政策
• 新着
• 新店舗オープン
• ピークシーズンが到来

よくある否定的な理由:

• システムのダウンタイム
• 政策のマイナス面
• 古い製品はリストから削除されます
• 雨天
• オフシーズンがやってくる

これらは事前に知ることができるだけでなく、かなりの数を事前に分析して許容範囲を示すこともできます。

閑散期・繁忙期については、周期分析法を用いて過去のデータから周期的な変動パターンを抽出することができます（下図参照）。

プロモーション活動の場合、まず活動の種類にラベルを付け、過去のデータに基づいて各活動の種類の入出力比率を計算できます。

新製品を発売する際、まず製品タイプにラベルを付け、その後過去のデータに基づいて製品 LTV 曲線を計算できます。

新規店舗をオープンする際には、まず店舗タイプを分類し、過去のデータをもとに店舗LTV曲線を算出します（原理は商品分類と同じです）。

ラベル分類 + 再分析により、自然的および人為的な原因によって引き起こされるほとんどの変動について定量的な範囲を描くことができます。こうした理由を事前に収集しておくことで、指標の変動による不安感を大幅に軽減し、注目すべき問題に集中できるようになります。

準備が難しい質問には次の 2 種類があることに注意してください。

1. システムバグ、悪天候などの突発的な事故。
2. 競合他社のプロモーションや政策リスクなどの外部要因の変化

これらにはコミュニケーションと問題解決のメカニズムが必要です。

5. 日常的なコミュニケーションとトラブルシューティング

一般的なコミュニケーション:

• ビジネスの観点から: 最近のプロモーション、製品の発売と上場廃止の計画、店舗オープンの計画、発売の計画。
• 技術的な観点から：開発の進捗、開発上の課題
• 外部から見ると、新しいポリシーが発表され、発効します。競合他社は行動を発表した

トラブルシューティング:基本的なデータ品質、定期的な毎日のデータ検証。

すべての情報をタイムテーブルにまとめると、変動を解釈するための基礎資料となり、その後はデータから結果が出るのを待つことになります。結果を見て、さらに深く調べるかどうかを決めます。

6. 結果が出た後の診断

カテゴリー A:理由を知る + 期待 + 前向きな変化。期待値が破られない限り、トレンドを監視するだけです。変動の理由を知りたい場合は、「通常の変動」という4つの単語しかありません。

カテゴリー B:理由を知る + 期待 + 否定的な変化。期待値が破られない限り、トレンドを監視するだけです。変動の理由を知りたい場合は、「通常の変動」という4つの単語しかありません。

カテゴリー C:理由を知る + 期待を超える + 前向きな変化。例えば、下図のように、前回のプロモーションでは当初大幅な値上げが予想されていましたが、結局反応はありませんでした。理由は何ですか？イベントは失敗でした...このとき、イベントの詳細を直接分析し、ビジネス側に直接調査を依頼して、状況を救うためのより確実な方法を考えてもらう方が良いでしょう。

カテゴリー D:理由がわかっている + 予想を超えていた + マイナスの変化。例えば、下の図に示すように、当初は悪天候が長引くことが予想されていたため、もともと弱かった店舗が倒産の危機に瀕していました。現時点では、部隊を 2 つのグループに分割する必要があります。

1. イー・ルー：悪に寄与する他の横断的要因があるかどうかを分析する
2. 別の方法：ベンチマーク分析を行って、悪環境における緊急対策があるかどうかを確認する

カテゴリー E:理由不明 + 肯定的な変化。期待を超えることは良いことでしょうか?必ずしもそうではありません。たとえば、ビジネス側が短期的な売上の急増を信じて在庫を補充すると、バックログがさらに大きくなるだけです。したがって、ポジティブな出来事が予想を超えた場合は、ベストセラー商品の在庫切れ、売れ行きの悪い商品のバックログ、マーケティング費用の高騰（バーゲンハンターの逃亡を許してはならない）、苦情件数の急増などの関連要因に特別な注意を払う必要があります。

カテゴリー F:理由不明 + マイナスの変化。これは注意すべきことだ。このとき、まず「３回見る」

1. 一見すると、地域の問題か地球規模の問題か
2. 再検討: 突然の問題か、それとも永続的な問題か
3. 3 回目の検討: 改善の兆しはあるのか、それとも悪化しているのか?

（以下に示すような簡単な例を見てみましょう）

原則として、局所的かつ突発的な問題の場合は、内部で原因を見つける方が早いです。地球規模で継続的な問題の場合、外部からの影響が深刻である可能性があります。以前、『DAUを増やすためのデータ分析はどうやるの？』をシェアしましたが、より詳しい説明がありますので、参考にしてください。

つまり、十分な基本準備があれば、問題の軽度、中度、重度を素早く区別し、分析の結論を出力し、その後の分析の土台を築き、無目的なクロストークを回避することができます。

七。まとめ

データ分析には集計が必要ですが、その結果得られた数字を解釈するには、豊富な事実を把握し、データを使用して定量化可能な部分を定量的に評価し、継続的に発展している部分を監視し、曖昧な部分を分解して、真実にますます近づく必要があります。

これらのタスクはデータアナリストだけでは完了できないことに注意してください。

• リーダー自身が目標を知らない場合
• 自分たちで開発すれば、
• 企業が「分類」が何なのかさえ知らない場合
• もし企業が「私のやっていることは素晴らしいですよ、クラス！ 私を妨害する他の理由があるに違いない！」と言わなければならないなら、

…

分析しますか?デタラメ分析！分析の結論は、この会社にはバカが多すぎて救済できないということです。

データのみを扱う学生は、分類、ラベル付け、周期的変動の抽出、ROI の計算といった基本的な方法を習得する必要があります。このようにして初めて、議論の中で、私たちが正しい方法を使用していないのか、相手が協力する意思がないのか、科学的管理法を理解していないのか、あるいは状況を利用しているのかを、相手は明確に判断できるようになります。結局のところ、良い企業を見つけるのは難しいので、自分のスキルを磨くことが良い企業に入るための正しい方法です。

著者: 地に足のついた教師 陳; WeChat公式アカウント：地に足のついた陳先生