データ分析フレームワーク1.0: ゴールデンマインドサークルからユニバーサルへの3つのステップ

この記事の著者は、インタビューの問題点から始めて、「ゴールデンサークル思考」を紹介し、それを行動にまで広げ、データ分析の「ユニバーサルスリーステップ」フレームワークを紹介し、皆様のお役に立てればと考えています。

今日は、私が「Qinsi Parallel Analysis Framework」と名付けた実用的な分析フレームワークを紹介します。

1. 出発点: ゴールデンサークルの考え方

コア: なぜ、何を、どのように?

1. 面接の問題点から始める

履歴書を書いたり、就職面接を受けたりするときに、プロジェクト経験についてどのように話せばいいでしょうか? 「問題思考」を使うべきです。まず、仕事で遭遇した問題について話し、次にその問題をどのように考え、分析し、解決し、最終的にどのような結果が得られたかについて話します。

多くの人が賞賛する「STAR フレームワーク」も含まれており、プロジェクトの経験を説明するのにも非常に適しています。

状況: イベントが発生した状況
タスク：
アクション: この状況に対してどのようなアクションを取りましたか?
R結果: 結果はどうでしたか?この状況から何を学びましたか?

これらの優れたソリューションには共通点が 1 つあることにお気づきですか。それは、その物語の論理がすべて「なぜ」から始まるということです。

2. ゴールデンサークル思考: 「なぜ」から始める

その背後にある根底にある論理は、黄金の円の考え方です。

ゴールデンサークル思考は、内側の円、中間の円、外側の円に分かれた 3 つの同心円で構成されています。

インナーサークル: なぜ (目標)
中央の円: 何 (現在の状況)
外側の円: 方法 (アクション)

注: これは私の改訂版です。モデル思考の核となるのは「柔軟性」であり、モデルを自分の目的に合わせて使用できるようにします。したがって、元のバージョンが何であるかを心配する必要はありません。

この考え方は、問題をよりよく理解して解決し、他の人とよりよくコミュニケーションをとるのに役立ちます。

小規模なケース: 黄金の思考サークルを使用して、ユーザーセグメンテーションを明確に説明します。学校でのクラス分けを例に挙げてみましょう。クラスを分ける前に、全クラスの平均点が 80 点だったとします。表面的には、この点数は学生が知識ポイントを問題なく理解していることを証明します。

しかし実際には、このスコアは、成績の高いグループと低いグループの人々の差が互いに相殺された結果です。つまり、先生が80点基準で教えると、成績の高いグループは非効率だと感じるが、成績の低いグループは理解できないということになります。

これが、学校のクラス分けのシナリオにおける問題点であり、

その後、クラス分けをしたところ、成績上位クラスの平均点は80点以上だったのに対し、成績下位クラスの平均点は80点以下となり、再び差が表れました。したがって、学生のクラス分けとユーザーの階層化の本質は、グループ間の差異を平均化して拡大し、異なるマーケティング戦略を提供できるようにすることです。

生徒をクラスに分けるプロセスは成績に基づいて行われます。より専門的に言えば、成績の指標に基づいて人々をクラスタリングします。ユーザーを階層化するプロセスでは、価格帯などの単一の指標を使用して、人々を異なる価格嗜好を持つグループに分けることができます。クラスタリングには複数のインデックスを使用することもできます。たとえば、RFM モデルはマルチインデックスクラスタリングモデルです。

まとめると、ユーザー層別化の本質は、指標を非平均化してクラスター化することです。