データ分析MVP方式とは何ですか?どうやって使うの？

仕事で成果を上げたいなら、データ分析MVP手法を習得することは必須のステップです。著者はさまざまなバージョンを詳細に分析して説明していますので、見てみましょう。

多くの学生は仕事で成果を上げることに意欲的です。ここでは、全員の作業を保護できるデータ分析の MVP 方式をお勧めします。学生の皆さん、落ち着いて待っていてください。共有を始めます。

1. データ分析の MVP とは何ですか?

MVP（Minimum Viable Product）は、もともと製品設計に適用された手法でした。これは、製品を正式に発売する前に、コア機能を含む簡易版を最初に発売してユーザーのニーズとフィードバックをテストし、製品が市場の需要を満たしているかどうかを迅速に判断して調整を行うことを意味します。

データ分析の MVP 方式は、データが正式に生成される前に、データ要件と使用シナリオに基づいて仮想データ結果を提供し、データの有効性を検証して実際のデータニーズを発見することです。

この方法はデータ分析の分野で非常に有効です!なぜなら、データ分析の根本的な問題、つまり、長時間作業しても何も達成されないという問題を解決できるからです。データ分析の背後には「統計学」「数学」「オペレーションズ・リサーチ」「ゲーム理論」「機械学習」など、非常に多くの理論が存在するため、夢中になりがちです。

データ作業員たちは大興奮で、さまざまな理論が計算されました。ユーザーに関しては:

"私はそれを知っていた！"
「あなたが何をしても何の役に立つのよ！」
「どうやってやったの？」

ワンクリックトリプル。このプロジェクトは失敗する運命にある。

MVP データ分析法の目的は、上記のような悲劇を避けるために、データがビジネスにどのように役立つかというロジックを事前に整理することです。実際には、一見すごいように見えても、実際には役に立たないデータ分析が数多くあります...

2. バージョン 1.0 MVP

簡単な例を挙げると、インターネットプラットフォームの広告営業チームは、「営業マンのユーザーポートレートを確立し、各営業マンの性別、年齢、行動、コンバージョン率を把握して、パフォーマンスを向上させる必要があります」と提案しました。

今何をすればいいでしょうか？

MVP アプローチを使用する場合は、急いで数字を計算したり、「標準的なユーザーポートレート指標」をリストアップしたりしないでください。代わりに、ビジネス側が提起した最初の要件、「性別、年齢、行動、コンバージョン率、パフォーマンスを向上させる」を取り上げて、仮想的な結果を直接提示し、「これらのものを実際に提供すれば、パフォーマンスを本当に向上できますか？」と確認します。 - 彼に確認させてください。

‍‍‍‍‍

少なくともこの文だけに基づくと、データ分析によって出力される結論はまったく役に立たない。 MVP 1.0 バージョンがテストに合格しなかった場合は、この要件を放棄するか、ユーザーの問題点をよりよく把握する方法について引き続き検討することができます。これにより、データがバージョン 2.0 にプッシュされます。

3. バージョン 2.0 MVP

さらに見てみると、バージョン 1.0 の問題は明確な目標がないことです。いわゆるポートレートインジケーターはたくさんあるのですが、いまだに何をすればいいのかわかりません。たとえば、ターゲットに焦点を当てる場合、パフォーマンスの良い営業担当者を見つけます。これにより、さらに一歩明確になります。

ここではさらに分析が必要です。なぜなら、「良い」と「悪い」自体を分析する必要があるからです。

測定に使われる指標は何か
連続と単発のどちらが良いですか?
どのような範囲で選択すべきか

この段階では、MVP を作成する際に、大量のデータを実行して自分で数回計算してから議論するのではなく、事前に予測可能で困難な問題をいくつか直接投げ出し、ビジネス側と事前に対応計画を検討することができます。早く話し合えば、無駄な労力を避けることができます。

たとえば、評価において複数の指標が重複するというよくある問題、「良い/悪い」(下の図を参照)。

たとえば、パフォーマンスが不安定になる問題（以下を参照）:

この段階に関係のない指標については、思い切って減算して捨てても良いでしょう。新しい目標が生まれたら、それを中心にデータを整理します。最初に大量の数字を取得して、それから心配するという無差別なやり方は避けてください。データアナリストは、こうした些細な問題のせいで時間通りに仕事を終えることができません。

これらを整理すると、MVP バージョン 2.0 が完成します。（下図参照）

多くの無効な指標が削除され、明確な目標に焦点が当てられており、バージョン 1.0 よりもずっと明確になっているようです。この時点ではデータは実行されておらず、経験に基づいたシミュレーションに過ぎないことに注意してください。しかし、これにより、「長い間知られていた」データを公開し、「実際には役に立たない」指標を除外し、具体的なケースの形で曖昧な点の可能性について議論することができ、それによって問題を大幅に回避できます。

ただし、これは適格な MVP ではないことに注意してください。誰が優れていて、誰が劣っているかを知っていても、何が問題になるでしょうか?李斯が本当に優れていることを知って、誰もが李斯になることができますか？それとも、Li Si は単純に再現不可能であり、Li Si のような人をもっと見つける必要があるのでしょうか?これらの質問に対する答えはありません。したがって、現時点では、このデータによってパフォーマンスが向上すると直接結論付けることはまだ不可能です。 MVP テストに失敗しました。続行してください。

4. バージョン3.0 MVP

誰が優秀で誰が悪いかを単に伝えるだけでは、パフォーマンスは向上しません。パフォーマンスは最前線で達成され、最前線に必要なのは SOP と弾薬であるため、データをさらに処理する必要があります。たとえば、次のようになります。

1. 優れたベンチマークのデータ指標（通話数？時間配分？フォローアップの機会？）

2. 優れたベンチマークの顧客をターゲットにする（特定の顧客が成功する可能性が高いか？）

3. 優れたベンチマークの営業スキル（どのような言葉が使われているか？どのような資料や活動が活用されているか？）

これはもはやデータだけの問題ではないことに注意してください。データは、インジケーターとしてのみラベル付けおよびリストできます。ただし、言葉遣い、トーン、タイミングはトレーニング/ビジネス部門が提供する必要があります。そのため、この段階でMVPを作成すると、データを出力するだけでニーズに応えられるかどうかを事業部門に直接明確にすることができます。それができない場合は、データに頭を突っ込むのではなく、できるだけ早く他の部門と連携するようにしてください。

5. バージョン4.0 MVP

バージョン 3.0 はすでにかなり印象的のようです。しかし、隠れたバグがあり、それは他の人がそれを学習できるかどうかです。この不明な点により、ビジネスがデータ分析の結果を認識するのが大きく妨げられることに注意してください。結果が効果的でない場合、それはデータ分析の結論が間違っているためでしょうか、それとも実行が適切でないからでしょうか。これは事前に明確に手配する必要があります。そうしないと、すぐに非難されることになります。

そのため、現在のバージョンに基づいてテスト手順を追加し、有用かどうかをテストする必要があります。

これには、次のようなことが含まれます。

1. テストにはどのくらいの範囲を選択すればよいですか?

2. テスト期間はどのくらいですか?

3. 休日やイベントなどの他の要因を除外する方法

4. 試験結果の認証基準

これらのことをよく考えれば、バージョン 4.0 が完成します。

この段階で、データのニーズは最終的に「パフォーマンスの向上」というビジネスの望ましい結果に向けられるようになります。そして最終結果はテストデータの回復によって検証されます。テストが失敗した場合でも、バックアッププランがあります。この時点で、自信を持って数値を計算でき、その結果は間違いなく役立つでしょう。