データ指標システムを構築するための方法とプロセスは、「 テンプレート＋ケーススタディ」という考え方と切り離せないものです。この記事では、健全な考え方を構築する方法を説明します。また、データ運用や分析に携わる方にもお勧めします。

学生の職場における競争力を高めるため、陳教授は一連の記事を執筆しました。これらの記事では、基本的なデータ分析手法から具体的な問題解決手法まで、体系的に解説します。

学生たちが本当に困惑しているのは、「レポートは見たことがあるし、毎日更新もしている。でも、これが一体システムと言えるのだろうか？ たとえシステムがあったとしても、何の意味があるのだろうか？ 自分が作ったものがシステムだと感じられないのはなぜだろう？」という疑問です。今日は、体系的に解説します。まずはデータメトリクスから始めましょう。

I.データ メトリックはなぜ必要なのでしょうか?

次のようなフレーズをよく耳にしますか?

• おそらく1万人以上いるでしょう。
• 「多くの顧客が不満を抱いています。」
• 「お店に誰もいなくなったような気がする」

不確かで、曖昧で、不正確。

日常生活では、そういう風に話します。具体的な情報を得るにはコストがかかるし、たいていはただ何気なく話しているだけなので、問題ありません。しかし、企業がこれに頼れば、倒産してしまいます。どれだけのお金を使ったのか、どれだけの利益を上げたのか分からなくなり、上司は激怒するでしょう。

データ メトリックは、この不確実性に対抗する方法です。

上記の文を次のように変更します。

• 4月1日には新規ユーザー9,800人が登録し、目標を1,000人上回りました。
• 4 月 1 日に製品 A が 100 個返品され、30 日間の累積返品率は 2.5% になりました。
• 4月1日には全国で30万人のユーザーが来店し、来店率は30％となり、予想の32％を下回った。

もっと満足できると思いませんか？これがデータメトリクスの直感的な使用法です。

II.データインジケーターシステムはなぜ必要なのか?

実際には、何かを正確に説明するのは非常に難しい場合があります。例えば、「製品Aは2月に非常によく売れました！」と伝えたい場合、相手は批判的に伝えようとすると、多くの欠点を見つけてしまう可能性があります（下の図を参照）。

問題には多くの側面があり、単一の指標だけでは完全に説明できないことがよくあります。そこで、論理的なデータ指標のセットが役立ちます。それがデータ指標システムです。

III.データ指標システムの5つの重要な要素

1. 主要指標（プライマリー指標）

何かがどれだけうまくいっているかを評価する上で最も重要な指標は、例えば「製品の売れ行きが良い」ということです。最も直感的に思い浮かぶのは「売上高」です。なぜなら、それは商品を販売することで直接得られるお金だからです。売上高が多ければ多いほど良いのは当然です。

各指標には次の要素が含まれている必要があります。

• ビジネスへの影響: ビジネスの観点から見ると、その重要性は...
• データ ソース: どのシステムが生データを収集しますか?
• 統計期間: このデータは特定の期間 (XX 時間) 内に生成されました。
• 計算式: 比率や割合の場合は何を何で割るかを明記する必要があります。また、合計の場合は何を何に加算するかを明記する必要があります。

注：包括的な評価には、複数の主要指標が必要になる場合があります。例えば、商品の売れ行きが好調な場合、売上高だけでは不十分です。実際の利益を表す粗利益にも注目する必要があります。また、販売数量も考慮する必要があります。販売数量は在庫と直接関連しており、過剰な在庫積み増しを防ぐ必要があるためです。そのため、少なくとも売上高、販売点数、粗利益という3つの主要指標が必要になります。

2. サブ指標（二次指標・三次指標）

主要指標は複数のサブコンポーネントで構成される場合があります。例えば、

売上高 = ユーザー数 * 支払率 * 平均注文額

売上目標が達成されない場合、私たちは疑問に思うでしょう。それは、購入する顧客が少なすぎるからなのか、販売者が足りないからなのか、それとも価格が低すぎるからなのか？詳細を理解することで、真の問題を見つけるのに役立ちます。そのためには、サブ指標を細分化する必要があります。

3. プロセス指標

主要な指標は、多くの場合、最終的な結果です。例えば、B2B業界における売上高は、営業リードの発掘、販売前のフォローアップ、需要の確認、製品体験、価格交渉、入札、契約締結といった一連のプロセスの最終的な成果です。最終結果のみに焦点を当てると、プロセスを監視・改善することは不可能です。より効果的な管理のためには、より詳細な視点が必要であり、そのためにはサブ指標を追加する必要があります（下図参照）。

4. 分類の次元

タスクは長期間にわたり、多くの人々によって達成される可能性があります。総売上高がどのように構成されているか、そして各地域とチームがどれだけ貢献したかを把握するために、分類ディメンションを追加することができます。

主要な指標をいくつかの部分に分類することで、平均の罠を回避し、全体と部分の両方を明確に把握できるようになります (下の図を参照)。

5. 判断基準

上記の4つの点を踏まえても、製品Aの売れ行きが良いとはまだ言えません。「良い」は形容詞であり、「悪い」と比較する相対的なものであるからです。そのため、比較のための基準が必要です。基準を選ぶこと自体が、詳細な分析を必要とする複雑な分析プロセスです。

指標システムを構築する際には、これらの判断基準が現在のデータとともに提示されることが多く、データ分析時に直感的な判断が可能になるため、非常に便利です。

IV.データインジケーターシステムはどのように機能しますか?

要約すると、指標システムは次の 5 つの部分で構成されます。

1. 主な指標
2. サブ指標
3. プロセス指標
4. 分類次元
5. 判断基準

これら 5 つの部分により、問題の診断が非常に簡単になります。

まず、主要指標と判断基準を確認します。例えば、主要指標が売上高であれば、まず今月の目標が達成できたかどうか、達成できなかった場合はどれだけ不足しているかを確認します。次に、年間累計目標が達成できたかどうか、そしてどれだけの赤字・黒字があるかを確認します。これにより、何が問題で、どの程度深刻であるかが明確に分かります。

次に、分類の次元を見てみましょう。どの領域のパフォーマンスが低かったのか、そしてそれは一貫して低迷していたのか？どの領域のパフォーマンスが良かったのか、そしてそれは期待にほとんど応えられなかったのか、それとも継続的な改善を見せているのか？これにより、誰が損失をカバーできる能力があり、誰がチームの足を引っ張っているのかが明確になります。

次に、サブ指標／プロセス指標を確認します。どの环节（リンク／ステップ）がうまく実行されなかったのでしょうか？リード数が少なすぎて、プロモーション活動を強化する必要があるのでしょうか？それとも、フォローアップの成功率が低く、営業スキルの向上が必要なのでしょうか？あるいは、見積もりの​​不履行が頻繁に発生し、追加の割引が必要なのでしょうか？解決策はすぐに明らかになります。

十分に開発されたデータメトリクスシステムがあれば、データアナリストの仕事の60%は実質的に自分でこなせると言っても過言ではありません。優れたデータメトリクスシステムは、ビジネス担当者がどこに、どのような方向に注力すべきかを一目で把握できるようにしてくれるため、非常に有用です。

注: 指標システムに基づく診断では、戦闘レベルの詳細ではなく、戦術的な問題のみが対象となります。

たとえば、次の質問:

• メソッドをどのように設計すればよいかわかりません。
• 3つの方法があります。現在の問題にはどれがより適しているでしょうか？
• 方法1を試してみたいのですが、成功する可能性はどれくらいでしょうか？

これらの問題は、テーマ別分析を用いることでより容易に対処できます。結局のところ、報告書は現状を示す単なる表に過ぎず、将来の行動を決定するには、より的を絞った分析が必要です。

V.データ指標システムの構築方法

1. 明確な作業目標と主要業績評価指標を定義します。

最も重要な最初のステップは、これらの指標を作成する目的を明確にすることです。主要な指標が明確に定義されれば、その後の判断基準において、それらが何に焦点を当てているか、そしてサブ指標がどのプロセスに対応しているかが明確になります。企業内の各部門には独自のKPIがあるため、主要な指標は容易に識別できる必要があります。

2. 明確な判断基準

このステップも非常に重要です。これは、レポートが「役に立つ」ものになるのか、「色とりどりの数字の羅列」になるのかに関わってくるからです。「良い」とはどういうことか、これは非常に重要な問題です。

主要な指標を特定したので、それに対応する判断基準を確立する必要があります。これは、データを解釈し、分類次元の分析方法を理解するために不可欠です。一般的な基準は4種類あります（下図参照）。

もちろん、基準の設定は非常に複雑な分析であり、非常に複雑な方法で行うことができます。しかし、最終的には、どれが良いのか、どれが悪いのかを明確に区別する必要があります。

3. ビジネス管理方法を理解し、適切なサブ指標を特定します。

主要指標とその評価基準が確立されると、サブ指標をさらに精緻化することができます。サブ指標は経営管理手法に直接関連しています。

例えば、売上高は支店別またはユーザー別に目標を細分化できます。どのように解釈するかは、企業がどのように管理しているかによって異なります。例えば、営業は通常地域別に管理されるため、細分化は支店別になります。マーケティングは通常ユーザー別に管理されるため、細分化もユーザー別になります。最終的には、企業にとって何が便利かが最も重要です。

4. ビジネスプロセスを合理化し、プロセス指標を設定します。

理論的には、プロセスメトリクスが多ければ多いほど、プロセスのより詳細な追跡と問題の特定が可能になるため、効果的です。しかし、実際には、すべてのアクションに対してデータ収集が必ずしも行われるわけではありません。そのため、具体的なビジネスプロセスと重要なポイントにおける制御を組み合わせる必要があります。

5. カテゴリディメンションを追加する

分類に使用できる次元は数多くありますが、どれを選択するかはビジネスの観点と問題の管理方法によって大きく異なります。経営にとって意味のある次元を含めましょう。（下の図を参照）

これがデータメトリクスシステムの構築方法です。プロセス自体は全く複雑ではありません。多くの場合、真の問題は、データ収集が行われておらず、メトリクスを作成するためのデータレコードがないことです。これが最大の悩みの種です。しかし、疑問が残ります。一見単純なプロセスなのに、体系的な組織化が欠如していることが多いのはなぜでしょうか？

VI.指標システムを作成しなかった理由

1. 主要な指標がないので、何をしているのか不明です。

これは最も一般的な問題です。多くの従業員が退職する同僚から報告書を受け取ります。なぜそうするのでしょうか？誰のためのものなのでしょうか？そして、それを見る意味は何でしょうか？彼らは何も知りません。ただ毎日報告書をコピー＆ペーストし、定期的に更新しているだけです。

同僚たちは理解しようと試みましたが、ビジネスチーム自身は全く理解していませんでした。「目標は何ですか？」と尋ねると、「GMVを増やすことです！」と答えました。GMVは非常にマクロレベルの概念です。一体彼らは何に責任を持つのでしょうか？どれくらい増やすべきでしょうか？どのレベルであれば満足できるのでしょうか？彼ら自身は明確な理解もなく、データアナリストに明確に説明するどころか、解決策を盲目的にコピーしただけでした。

2. 判断基準がないので、何を言ったのか不明瞭。

これはよくある、そして致命的な問題です。多くの学生は、何が「良い」のか「悪い」のかを理解せずに、大量のデータを羅列してレポートを盲目的に更新します。あるいは、増加は良いことで減少は悪いと単純に信じ込んでいます。これは多くのおかしな状況につながります（下の図をご覧ください）。

3. サブインジケーターを分析せずに、メインインジケーターをぼんやりと見つめる。

この問題は、多くの場合、部門間の分業に関連する問題の結果です。

4. サブ指標が業務プロセスに沿って構築されておらず、データが単純に積み上げられている。

多くの学生は、データメトリクスシステムを構築する際、データを積み重ね、メトリクスをいくつも追加して、見た目を豊かに見せようとします。しかし実際には、サブメトリクスがビジネスプロセスに基づいて特定されていない場合、メトリクス間のロジックが不十分になり、説明がつかなくなることがよくあります。言うまでもなく、「幸せですか？」のような奇妙な質問も簡単に作成されてしまいます。

5. カテゴリはビジネス ニーズに基づいて選択されておらず、無計画に分類されていました。

ユーザーの性別、年齢、地域、VIP レベル、ソース チャネル、端末モデルなどのディメンションを単純に除外すると、レポートは非​​常に豊富に見えますが、実際のビジネス上の意味は不明瞭です。

なぜ性別で分類するのかと尋ねると、「違いが大きすぎるから…」と答える。これほど大きな違いに対して他に何ができるのか、企業に性別特有の問題に対応できる能力があるのか​​については、彼にはわからないという。

これらすべての問題は、本質的にはビジネスの観点から問題を考慮できていないことに起因しています。彼らは単に指標を指標のために追求しているだけなのです。

これは仕事の習慣に直接関係しています。多くの同僚は、ビジネスプロセスや目標そのものを理解しようとせず、「権威ある」「正式な」「完璧な」「普遍的な」指標システムを求めます。その結果、あちこちからコピー＆ペーストするばかりで、一見多くのことをしているように見えますが、実際にデータを確認する人はほとんどいません。

社会に貢献したいなら、まずは基礎から学ぶべきです。「データXX」という肩書きを持っているからといって、あらゆる高度なアルゴリズム理論を勉強しなければ役に立たないと考えてはいけません。理論的な仕事は科学者の仕事です。企業で働くということは、実用的で役立つ仕事をすることです。ビジネスに貢献したいのであれば、まずは現場の業務を真剣に学ぶことから始めるべきです。

著者：地に足のついた教師チェン

出典：WeChat公式アカウント：地味な陳先生（ID：773891）