小売業界において、複数のプラットフォームで同時に注文を行うユーザーの割合を増やすことは、データドリブンなビジネスシナリオの典型です。この記事では、具体的なケーススタディを通して、こうした問題に直面したデータアナリストの業務手法とマインドセットを探ります。

前回の記事「データドリブンビジネス：あなたは運転手？それとも荷車を引くロバ？」では、データドリブンな業務運営の基本ロジックについて解説しました。この記事では、具体的な例を挙げながら解説していきます。さあ、本題に入りましょう。

問題のシナリオ:

ある小売企業は、実店舗と自社運営のオンライン小規模店舗の両方を運営しています。CEOはオペレーション部門に対し、「両方のプラットフォームで同時に注文するユーザーの割合を増やす」よう指示しました。オペレーションディレクターは、「データはビジネスを推進します。データチームから明確な指示を出してください」と述べました。もしあなたが会社のデータアナリストだったら、このような状況でどう対応しますか？

I. 困難の分析

これをやりますかね？

• 同時に注文を行っているユーザーの数、ユーザーの割合、および成長率を計算します。
• 同時に注文するユーザーの平均支払金額と支払頻度を計算します。
• 同時に注文したユーザーと単一チャネルで注文したユーザーが購入した上位10製品
• 同時に注文するユーザーと、単一のチャネルを通じて注文するユーザーの性別、年齢、地域を比較します。
• ...

上記のすべてを行った後、深い無力感を感じますか?

はい、これがデータドリブンビジネスにおける最大の課題です。データはビジネスアクションを直接決定することができないからです。同時に、注文を行ったユーザーの60%は女性であり、単一チャネルでの注文の55%も女性でした。つまり、同時に注文を行った女性は5%多いということです。

だから何だって？女性を昇進させるべきだって？そんな馬鹿げた考え方はないでしょう！あと5点だけ挙げただけで何が証明されるというのでしょう？他の比較分析も同様です。おそらく、直接的な結論に最も近いのは、商品ランキングを見て、売れ筋の商品を昇進させることでしょう。しかし実際には、このアプローチはビジネス関係者から批判されやすいのです（下の画像をご覧ください）。

多くの受講生はこの時点で途方に暮れ始め、インターネットで「TouTeng社の専門家、有料で対応！」と検索したり、「21日間でオンライン・オフライン同時注文分析をマスター」のPDF版を検索したりと、苦肉の策に訴える。

II. 問題解決の鍵

この問題を解決する鍵は、ビジネスアクションとデータを結びつけることです。データを活用して判断を裏付け、プロセス中にデータを収集することで、ビジネスオペレーションとデータを統合します。例えば、次のタスクを考えてみましょう。上司は「両方のプラットフォームで同時に注文を出す人数を増やす」という指示だけを与えます。しかし、現在の人数は正確には何人で、どれくらい増やすべきなのか、そしてなぜ増やす必要があるのか​​、といった情報は何も与えられていません。

したがって、この時点では、まず方向性を明確にすることが最優先事項です。具体的な解決策を考える時期ではありません。解決策に関する判断は、まず第一に、実行に移すかどうかです。上司は具体的な数値を挙げていませんが、おそらく漠然とこれが正しいアプローチだと感じていただけでしょう。したがって、「やるべき」という結論も「やるべきではない」という結論も、データによって検証可能です（下図参照）。

同様に、意思決定プロセスにおけるすべての判断は、検証すべき仮説として列挙することができます。これにより、「現在、ユーザー数は20%で、月間成長率は5万人、75%が引き続き同時注文を行う」といった単なるデータリストが、「成長の余地があり、成長率は高くなく、従うべきパターンがある」といったビジネス的な意味を持つ結論へと変換されます。これにより、データに基づいた継続的な推論が可能になります。同じ問題を異なる角度や方向から議論することもでき、学生は具体的なアプローチを自ら探求することができます。

「受注はオフライン店舗が中心で、オンラインでの販売は少ない。成長の余地はあるが、成長率は高くなく、パターンも予測できる」という現状を前提とすると、次のステップはどうあるべきでしょうか？

パターンが存在するので、そのパターンが何であるかを特定する必要があります。そのためには比較が必要です。比較することとランダムに比較することは別物であることに注意してください。複数のバーをリストアップして最も高いものを配置するのではなく、仮説に基づいて分析を行うことが重要です。例えば、ユーザーが実店舗ではなくWeChatミニプログラムから注文する背景には4つのパターンがあるかもしれません。その場合、対応するディメンションのデータを用いてそれらを検証できます（下の図を参照）。

まだ探索段階であるため、全体の方向性に影響を与える次のようなサブ問題をできるだけ多く事前に明確にする必要があります。

• 「同時注文」の具体的な基準は何ですか？
• 現在、基準を満たしている人は何人いますか?
• 基準を満たす人の数は継続的に増加していますか、減少していますか、それとも変化していませんか?
• 基準を満たす人と満たさない人との間の質的および行動的な違いは何ですか?
• 基準を満たす人と満たさない人の間には進化的な関係があるのでしょうか、それともまったく異なる 2 つのグループなのでしょうか?
• なぜ同時に注文する人数を増やしたいのでしょうか?

仕事や上司とコミュニケーションを取る前にこの宿題をやることは、無邪気に「なぜ？」と尋ねるよりもはるかに有意義です。多くの愚か者はいきなり「なぜ？」の質問攻めに遭いますが、その結果は「お前に何の能力があるんだ？！」「頭があるのか​​？！」「何を分析したんだ？」といった侮辱の嵐に遭うだけです。

宿題があれば、次のことが可能になります。

• 行動の目的を積極的に推測することができます。推測が正しければ、誰もがあなたがビジネスを非常によく理解していると思うようになります。
• 真偽を問わず検証結果を積極的に表示する機能は、物事を慎重に検討したことを示します。
• どのようなパターンに従うことができるかを全員に伝え、積極的に方向性を導き、分析をより実用的に見せることができます。

つまり、上司は大まかなアイデアを出し、部下は細かい作業をたくさんこなすのを好みます。多くの優秀なデータアナリストがこの手法で昇進しているので、覚えておいてください！

III. データ駆動型ビジネスの実現方法

しかし、方向性を示すだけでは十分ではありません。多くの企業は「実行だ！」と叫びたがりますが、どのように実行すれば良いのでしょうか？実行において、データ分析手法は創造的なアイデアを直接生み出すことはできません。むしろ、過去の結果をまとめ、創造的なアイデアの有効性を検証することが目的です。一方、ビジネスアクションは、必ずしもデータの裏付けを必要とせず、創造的なアイデアを直接生み出すことができます。

例えば、オンラインとオフラインの両方で注文がある場合、店舗から2キロメートル以内であればオンライン注文に対して無料配達を提供すれば、オンライン注文が急増する可能性が非常に高くなります。しかし、これまでこのようなサービスを行っていなかったり、行っていてもデータを集めていなかったりすると、どんなに腕のいい料理人でも食材がなければ料理を作ることはできず、どのように調理されたかを分析することもできません。

全く新しいソリューションの場合、その効果を真に確認するには、詳細な実装とテストが必要です。例えば、半径2キロメートル以内の無料配送サービスの場合、テストを実施する前に、ビジネスパートナーから詳細な計画をもらう必要があります。

したがって、実装フェーズで最も重要な問題は次のとおりです。

1. これまでにも同じようなことをしたことがありますか?
2. 実行した場合、結果はどうでしたか?また、投資収益はいくらでしたか?
3. もしまだ実行していないのであれば、それは考えたことがなかったからでしょうか、それとも考えたことはあっても何か障害があると感じたからでしょうか？その障害とは何だったのでしょうか？
4. 競合他社はどのような方法を使用し、それを調査した結果はどうなりましたか?
5. すでに予備的な計画はありますか？もしあるなら、それは何ですか？

方向性設定フェーズと同様に、これらの5つの質問はまずデータアナリスト自身に問いかけられます。「ビジネスに敏感」であるということは、活動の発表やバージョンアップ情報を定期的に収集することを意味します。それが完了すると、実装戦略が明確になります。簡単に言うと、既に多くのアクションが実施されている場合は、最適化を行い、最善の行動方針を選択します。多くのアクションが実施されていない場合は、テストを実施し、実現可能な道筋を探ります。

もちろん、たとえそうしても、企業側から「具体的ではない」という苦情が出て、ページ数、各ページのボタン数、ページ コードの記述方法、イベント ポスターの描画方法、3 画で描くか 5 画で描くかなど、データに基づくソリューションが具体的であることを要求する可能性は十分にあります。

もし本当にこれらの業務がデータアナリストに押し付けられているのであれば、データアナリストはポスターやH5ページを作成できる人材に交代することを提案するだけで済むでしょう。求人広告をさらに分析して、「これらのスキルを持つ人の月収は8,000～12,000元に過ぎません。今のバカどもを解雇した方が得策です。ありがとうございます。」と伝えることもできます。

IV. 要約

もちろん、実行フェーズでは、データはモニタリングや問題診断にも活用できます。また、デブリーフィングフェーズでは、得られた教訓をまとめることができます。これらはすべて、実行可能な推進力となるアクションです。

計画段階と設計段階を強調する理由は、これら2つの段階が「データ駆動型ビジネス」において最もミスが発生しやすい段階だからです。多くの場合、次のようなミスが発生します。

計画段階では、データアナリストは孤立して作業し、ビジネスオペレーションとの統合や目標の明確化に失敗し、「超強力なモデル」や「全国的に標準化されたテンプレート」によって問題が明確化されることを盲目的に期待しています。

設計段階では、ビジネス部門は盲目的に責任を転嫁し、すべてをデータに依存し、自発性とアイデアに欠け、データがすべての作業を実行してくれることを望み、そうでなければ「十分に具体的ではない」と不満を漏らします。