効果的なデータ分析を行う方法

推奨チュートリアル: Python チュートリアル

後半洗練されたオペレーションの文脈において、プロダクトマネージャーはもはや感情に頼って製品を作るだけでなく、データ認識を養い、製品を継続的に改善するための基礎としてデータを使用できるようにする必要もあります。

同社のプロのデータ アナリストとは異なり、プロダクト マネージャーはユーザー レベルとビジネス レベルからデータを確認し、データ変化の理由をより迅速かつ徹底的に見つけることができます。

それでは、データが効果的に記録されているという前提の下で、データを効果的に分析するにはどうすればよいでしょうか?

#1. データ分析の目的を明確にする

## 1. データ分析の目的がページの比較である場合改訂前と改訂後 ページのクリック率や直帰率などからメリット・デメリットを判断する必要がある 電子商取引アプリケーションの場合は注文コンバージョン率も観察する必要がある ソーシャルアプリケーションの場合は注意を払う必要があるユーザーの訪問時間、いいね、インタラクションの転送など。

多くの新人が独自の製品を設計するとき、製品自体の設計には多くの時間を費やすかもしれませんが、製品の成功を測定する方法について考えることにエネルギーを費やすことはありません。製品ドキュメント内 「ユーザー エクスペリエンスが向上しました」のような空虚なフレーズを書いても、製品設計レビューをスムーズに通過することはできませんし、製品の KPI 指標をより効果的に迅速に改善することもできません。

2. データ分析の目的が、特定のモジュールにおける異常なデータ変動の原因を調査することである場合、分析手法は、バージョン->というピラミッド原則に従って徐々に解体される必要があります。時間→混雑。

たとえば、ホームページ上の「Guess You Like」モジュールのクリックスルー率が最近 40% から 35% に低下し、5% も急激に低下したことがわかった場合、このとき、まずどのバージョンのデータが発生したかを確認し、その変動が新バージョンの立ち上げ漏れやミスによるものかどうかを確認します。

バージョン変動データが一貫している場合は、データがいつ変化し始めたかを確認してください。ページ上の他のモジュールがオンラインになっているのは、クリスマスと元旦の休暇の影響ですか? ? 新しいアクティビティは、推測コンバージョンに影響を与えました。

そうでない場合は、トラフィック ソースの構成が変化したかどうか、また、その原因が露出される新規ユーザーの数の増加であるかどうかを分析して確認します。

プロダクト マネージャーは、明確な目的を持ってデータを分析し、目標を達成するために検証するためにどのようなディメンションを構築する必要があるかを考える必要があります。ほとんどの場合、プロダクト マネージャーは非常に忍耐強く、細分化された部分を段階的に解体して理由を調査する必要があります。

# 2. マルチチャネルデータ収集

収集方法は大きく分けて 4 種類あります。

1.

Analysys や iResearch などの外部の業界データ分析レポートから

を入手し、慎重な姿勢でデータを観察し、有効かつ正確な情報を抽出する必要があります。 、水が入っている可能性のあるデータの一部を剥がしてください、そして他人によって加工された二次データには常に注意する必要があります。 2.

AppStore、カスタマーサービスフィードバック、Weibo、その他のコミュニティフォーラムからユーザーフィードバックを積極的に収集します

。私は暇なときはよくコミュニティ フォーラムにアクセスしてユーザーのステータス コメントを読みます。一般に、そのようなコメントはとても良いコメントだったり、叱責したりする非常に極端なものですが、それでも自分の製品設計の改善に非常に有益です。はい、ユーザーがその瞬間になぜそのような感情を抱いたのかを推測してみることができます。 3.

アンケート設計やユーザーインタビューなどの調査に自ら参加し、ユーザーと直接向き合って生のデータを収集し、ユーザーが利用時に直面する問題や感情を観察する製品＃＃＃。アンケートは核となる質問を絞り込み、質問の数を減らす必要があり、リサイクル結果からは非効果的でおざなりなアンケートを排除する必要があります。ユーザーインタビューでは、ユーザーの自然な感情を偏らせるような誘導的な言葉や質問を使用しないように注意する必要があります。

4. 記録されたユーザーの行動軌跡からの 調査データ

。大企業は通常、オンライン ユーザー データに関する毎日またはリアルタイムのフィードバックを提供するための固定レポート/電子メールを備えています。また、プロダクト マネージャーやデータ アナリストがより詳細にデータを探索および比較できるように、SQL クエリ プラットフォームも提供しています。やり方。

#3. 干渉データを効果的に排除します

1. 正しいサンプル数を選択し、極端なデータや偶発的なデータの影響を排除するのに十分な数を選択します。 2008年のオリンピックではヤオ・ミンの3ポイントシュート成功率が100%、コービーの3ポイントシュート成功率が32%でしたが、ということはヤオ・ミンの3ポイントシュート成功率はコービーよりも高かったということでしょうか？表示に問題があるのは、オリンピックでヤオ・ミンが3ポイントシュートを1本しか打たなかったのに対し、コービーは53本を打ったからだ。

2. 同じサンプリング ルールを開発して、分析結論の偏りを軽減します。たとえば、2 つの Push コピーライティングです。1 つ目は「心温まるお持ち帰り用の赤い封筒をまだ受け取っていません。一番大きな赤い封筒は、食べるのが一番上手なあなただけに用意されています。クリックして入ってください」、2 つ目は「心温まるお持ち帰り用の赤い封筒をまだ受け取っていません。」 「家から出なくてもお持ち帰り低温特典を差し上げます。ご家庭で温かくて美味しいお料理が食べられます。クリックして集めてください。」実験データによると、2 番目のプッシュ コピーのクリックスルー率は最初のプッシュ コピーのクリックスルー率より 30% 高いことが示されています。では、本当に魅力的なのは 2 枚目なのでしょうか? 2 番目のプッシュ コピーの受信者のアクティビティは、最初のプッシュ コピーの受信者のアクティビティよりも大幅に高いことが判明しました。

3. バージョンの干渉や休日要因を除く, 新しいバージョンが最初に起動されたときのデータパフォーマンスは、多くの場合非常に良好です。一般に非常にアクティブなユーザー。週末や大型連休が近づくとユーザーの消費ニーズが刺激され、ECアプリケーションの注文変換率も急激に上昇します。したがって、データを比較する場合、実験グループと対照グループのデータは時間次元で一貫性を保つ必要があります。

4. 過去のデータを忘れる。人間はデータ テクノロジーとは異なります。データ テクノロジーの記憶能力は 100% ですが、アホビンスの忘却の法則によれば、人間は 1 日後に 33%、6 日後に 25%、31 日後に 21% しか思い出せません。したがって、上映期間は合理的に選択する必要があります。たとえば、Guess You Like モジュールは、興味のあるタグのスコアリングに特定の重み付けプロセスを実行するだけでなく、製品のライフサイクルなどの要因に基づいて一連の回帰実験を実行して、視聴者のさまざまな視聴者の減少曲線を取得します。興味や購入傾向を定期的に変更して古いデータを効果的に削除し、モジュールのクリックスルー率を向上させます。

5. 実験では A1 グループを分割する必要があります。つまり、別のグループ A1 を実験グループ B と対照グループ A に追加します。A1 と A1 のルールは一貫している必要があります。データの変動を AA1 と比較すると、 はデータの自然/異常な変動の影響を排除します。実際の A/B 実験では、A1 グループの設定が非常に重要かつ必要であることがわかりました。データの大きさがどんなに大きくても、同じ実験ルールを持つ 2 つのグループのデータには一定の小さな変動があり、これは微小な変動は調整中です。 本日の運用により、当社の判断に大きな干渉バイアスが生じる可能性があります。

4. データを合理的かつ客観的に調査する

##1. サイレント ユーザーを無視しない

プロダクト マネージャーは一部のユーザーからのフィードバックを聞いて意思決定を行い、対応する機能の開発に多くの時間を費やします。その結果、これらの機能はユーザーにとって緊急のニーズにすぎない場合があります。ユーザーの数は非常に少なく、ほとんどのユーザーは気にしません。コアユーザーの要求に反して、製品の新バージョンの発売後にデータが急減する可能性さえあります。

サイレント ユーザーを無視し、製品の対象ユーザーのほとんどの中核となるニーズを包括的に考慮しないと、人的資源や物的資源の無駄、さらにはビジネス チャンスを逃してしまう可能性があります。

2. データ結果を包括的に理解する

## 実験結果の期待と期待との間に明らかな違いがある場合私たちの経験と認知バイアスについては、盲目的に結論を急ぎ、自分の直観を疑うのではなく、データをより徹底的に分析するようにしてください。

たとえば、私はかつてホームページ上のユーザーにアクティブなポップアップを配信する実験を行ったことがありますが、実験グループのデータはホームページのクリック率が向上したことがわかりました。 、注文コンバージョン率、さらには 7 日間のリテンション率さえも、コントロール グループをはるかに上回っており、ホームページ上の各モジュールのコンバージョン率は大幅に向上しており、予想をはるかに上回っています。では、これは本当にユーザーの興味を刺激するアクティブなポップアップなのでしょうか?変換速度？

その後、ホームページ上でアクティブなポップアップを表示できるユーザーは、その環境を使用する際のネットワーク状態が良い傾向にあることがわかりました。Wi-Fi 環境では、ポップアップを表示しないユーザーは、バス、地下鉄、ショッピング モールなどのモバイル シナリオでは、ネットワーク通信が悪く、A/B 実験の結果に影響を与える可能性があります。

3. データに頼りすぎない

# 一方で、データへの過度の依存、データ分析などの価値のない多くのことを行うことになりますが、その一方で、プロダクト マネージャーが持つべきインスピレーションや創造性も制限されてしまいます。

羅振宇がFriends of Timeの大晦日のスピーチで述べたとおりです。ユーザーが望むものは何でも与えます。ユーザーが言う前からそれを推測できます。これは母性愛アルゴリズムと呼ばれています。コンテンツ配信の分野では Toutiao より優れたアルゴリズムを実行する人はいません。しかし、母性愛アルゴリズムには大きな欠点があります。おすすめ 時間が経つとどんどん狭くなっていきます。

その反対側には、高く立って遠くを見渡す、父親の愛のアルゴリズムがあります。ユーザーに伝えてください、くだらないことは手放してください、私が良いことを教えます、私に従ってください。当時、Qiao Bangzhu が作成した iPhone シリーズ製品と同様に、彼はユーザーの期待を超える製品を作成するために市場分析やユーザー調査を検討しませんでした。

##5. 概要

米国で最も成功した動画 Web サイトである Netflix は、ビッグデータを使用してユーザーを分析していますこの分析は、アメリカの人気ドラマ「ハウス・オブ・カード」を形作った映画の制作プロセスに深くまで入り込んでいます。しかし、Netflix のスタッフは、ビッグデータに執着すべきではないと言いました。

スコア 9 のテレビシリーズが高品質の作品であるとみなされるのであれば、ビッグデータが私たちを救ってくれるでしょう。 6 点以下の低いスコアのリスクはありますが、それはまた、大部分が 7 ～ 8 点の間にある凡庸な状態へと一歩ずつ私たちを導くことになります。

以上が効果的なデータ分析を行う方法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。