ある学生が「チェン教授、ユーザープロファイリングのプロジェクトで失敗した事例があれば教えていただけますか？」と尋ねました。私の答えは、「長年データ関連の仕事に携わり、数多くのプロジェクトを監督してきた経験から、ユーザープロファイリングのプロジェクトの失敗例は数え切れないほどあります！今日はいくつかご紹介します。」です。 I. ユーザープロファイリングの失敗の兆候「ユーザープロファイルって何の役に立つの？」と、よく疑問に思うことはありませんか？もしそうなら、おめでとうございます。あなたのプロジェクトは失敗です。実に明白です！もちろん、よくある失敗は、ユーザープロファイリングのごく初期段階で、ビジネス部門が「性別、年齢、地域、嗜好、消費習慣など、ユーザープロファイルに基づいてユーザーを詳細に理解する必要があります。そうすることで、より的確な意思決定が可能になります」と自信満々に宣言することです。その後、データ部門は数ヶ月かけて3万件ものユーザータグを作成し、経営陣に「ユーザープロファイルのビッグデータ構築は大きく進展しました」と誇らしげに報告します。そして、最初のプロジェクト報告会で、データ部門は誇らしげにこう言います。
もちろん、もっとひどいシナリオもあります。あるユーザーを「ロイヤルユーザー」と分類し、ビジネスチームが「ロイヤルユーザーだから何もしません」と言ったものの、翌月は支出もログインもストップしてしまう！あるユーザーを「製品Aの愛好者」と分類し、ビジネスチームが製品Aを宣伝しても、購入してもらえない！ビジネスチームは「このユーザープロフィールは全く正確ではない！」と激怒し、プロジェクトは完全に頓挫してしまう。不満はさておき、一体どこに問題があったのだろうか？ II.ユーザープロファイリングプロジェクトの失敗の表面的な理由1. 理由1：過去と未来を混同する質問1：あるユーザーは昨日、一昨日、そしてその前の日にApple製品を購入しました。彼は今日もApple製品を購入するでしょうか？ 質問2：ユーザーは醤油、手羽先、コーラを購入しました。バーベキュー用の竹串も購入する必要がありますか？ 少し考えてみてください。いや、少しも考えなくてもいいかもしれません。答えは「必ずしもそうではない、必ずしもそうではない、必ずしもそうではない」です。リンゴを繰り返し買うということは、リンゴが好きなのかもしれませんし、すでにたくさん買っていて、もう買わなくなったのかもしれません。醤油、手羽先、コーラを買うということは、バーベキューに行くという意味かもしれませんし、コーラ入りの手羽先を作るという意味かもしれません。過去の行動が将来の行動と一致するわけではありません。将来の行動は予測する必要があります。予測方法がビジネスロジックに基づくものであれ、アルゴリズムモデル計算に基づくものであれ、データ分析と実験検証が必要です。 安定したパフォーマンスを発揮する予測手法のみが採用可能です。しかし、ユーザープロファイルを作成する際に、ビジネスチームはこの2つの点を混同しがちです。過去の行動に大量のタグを付け、将来の予測という概念を持たず、予測分析に全く投資しない傾向があります。ユーザープロファイルレポートを確認したり、CDPでプッシュルールを設定したりする際に、「過去に購入した人は、また購入するだろう」と想定してしまいます。最終的に、不正確な予測はユーザープロファイルシステムのせいにされ、悲惨な結果につながります。 2. 理由その2：行動と動機を混同する簡単な質問です。ユーザーが過去30日間のうち1日でも当社から製品を購入した場合、そのユーザーは常連客と言えるでしょうか？2日、3日、4日…だったらどうでしょうか？30日間だったらどうでしょうか？30日間毎日購入しているなら、常連客と言えるのではないでしょうか？答え：必ずしもそうではありません。購入頻度が非常に高いため、「高頻度購入者」と呼ぶことはできます。しかし、そのユーザーが本当に当社の製品を気に入っているかどうかは不確実です。なぜなら、実際に気に入っているかどうか、あるいは実際に使用したことがあるかどうかさえも確実にはわからないからです。 購入頻度はユーザーの嗜好と直接的に同一視することはできません。ユーザーの嗜好を判断するには、より多様なデータ次元の分析が必要であり、分析結果が一定の確率的安定性を示すことが不可欠です。同様に、多くの企業では、ビジネスチームやデータアナリストが「熱心なユーザー」といった用語を非常に軽々しく、かつ大雑把に使用しており、基本的には支出額やログイン頻度といった指標に頼っています。高い数値は「いいね！」や「熱心なユーザー」と見なされ、低い数値は「限界的」または「試験的」と見なされます。結果として得られる分析は当然ながら全く不正確です。言うまでもなく、推奨商品を誰も購入しないなどの問題が発生した場合、その責任はユーザープロファイルに押し付けられます。 3. 理由3：原因と結果の混同Q: 10,000元以上購入したユーザーは全員5回以上購入しています。つまり、5回購入すれば合計10,000元になるということですね？ もちろん、それは間違いです。しかし、ビジネスチームはよくこれをやってしまうのです！過去の高額支出ユーザーの行動を低額支出ユーザーに当てはめ、低額支出ユーザーが特定の数字を真似すれば高額支出ユーザーになれると信じ込んでいるのです。彼らはそれを「魔法の数字」とさえ呼んでいます。高額支出ユーザーと低額支出ユーザーは根本的に異なるグループである可能性が高く、彼らの行動を駆り立てる根本的な理由を理解するために、詳細な分析を行うべきです。 一見すると、ユーザープロファイリングの失敗は、データへの偏重と分析の軽視に起因しているように見えます。過去の行動を詳細に記述することに過剰な労力が費やされ、結果として事実に基づいたラベル付けが過剰になっています。予測、因果分析、そしてユーザーニーズの理解に十分な注意が払われていません。結局のところ、判断は完全にビジネス上の直感に基づいているのです。 これらのタグに基づいて製品やアクティビティを宣伝する理由を尋ねると、彼の答えはいつも次のようになります。
明確な理解なしにユーザープロファイルに基づいて推測することは、レポートに基づいて推測することと何ら変わりません。ありがとうございます。過去のデータに基づいて大量のタグを作成するのは簡単ですが、予測的で正確なユーザータグを開発するのは困難です。綿密なデータ分析とモデリングだけでなく、複数回にわたる比較テストを繰り返し行う必要があります。これは一夜にしてできるものではありません。ビジネス部門がすべてを理解したと思い込み、データ部門が「3万個のタグ」と誇らしげに発表した時点で、すでに災いの種が蒔かれているのです。しかし、ビジネスの期待値が高く、データ準備が不十分という同じ状況下で、ユーザープロファイリングプロジェクトはデータモデリングプロジェクトよりも失敗する可能性が高いのはなぜでしょうか？ III. ユーザープロファイリングの失敗の根本的な理由より深いレベルでは、データモデリングは非常に複雑なため、ビジネスステークホルダーは中間プロセスに関与できず、結果に対して批判することしかできません。モデリングを行う開発者は、致命的なミスを犯さず、孤立して作業し、ビジネス側の期待値を積極的に引き下げる限り、問題をほぼ回避できます。したがって、モデリングプロジェクトの失敗は、いわば盲人が盲目の馬を導くようなものです。しかし、ユーザープロファイリングプロジェクトは正反対です。ビジネスステークホルダーは、自分がすべてを知っていると思い込んでしまうのです。 データ担当者は何でも知っていると思い込んでいます！ほぼすべてのビジネスチームメンバーがユーザープロファイリングについて言及し、「例えば、ユーザーが24歳で女性だと分かっているなら、XXという商品を彼女に勧めます」と言います。皆、「私は何でも知っている。あとは数字だけ！数字をください！」と考えます。そのため、ビジネス部門はデータチームに過去のデータをもっともっと詳細にするよう圧力をかけ続け、一方でデータチームはタグ付けに突き進んでいます。最も重要な3つの要素、つまり予測、分析、実験がなおざりにされているのです。 もちろん、過去のデータに基づくこのようなタグ付けは、一部の部門、特にカスタマーサービス、サプライチェーン、ロジスティクスといったサポート部門にとっては有用です。例えば、顧客から「なぜまだアフターサービス技術者が来ないのか？」という苦情があったとします。タグがなければ、顧客は購入した製品、購入日、製品のシリアル番号、技術者の予約日時などを確認するために、いくつものフォームに入力しなければなりません。この確認作業だけでも顧客を苛立たせるでしょう。タグがあれば、問題を迅速に特定できるため、カスタマーエクスペリエンスは大幅に向上します。しかし、悲劇なのは、この有用性が、オペレーション、マーケティング、企画、デザインなど、頭脳を駆使し、創造性を発揮し、戦略を立案する必要がある部門の傲慢さを助長してしまうことです。「自分はすごいのに、あと1つ足りない！」という意識を強めてしまうのです。 そして悲劇は続いた。モデリングが盲人が盲目の馬に乗るようなものだとすれば、ユーザープロファイリングは電動スクーターに乗りながらスマホをいじり、逆走したり信号無視したりするようなものです。スクーターは自分が乗り物だと思い込み、乗る側はプロのように乗っていると思い込んでしまうのです。こうした問題を避けるために、私はよくこの戦術を使います。ビジネスチームが「もし24歳の女性を知っていたら、製品Aを勧めたい」と言ったら、私はデータベースで過去1ヶ月間に製品Aを購入した24歳女性の数を直接調べ、「ユーザープロファイリングは必要ありません。購入率は12%です」と伝えます。 「そもそもユーザープロファイルを使う理由って何？ ルールに従ってデータを処理すればいいじゃないか！」 この時点で、ある程度信頼できるビジネスチームのメンバーなら、すぐに問題に気づき、「そんな単純なデータ結合ではダメだ。事実に基づいたタグに基づいてもっと分析する必要がある」と言うでしょう。そうすれば、プロジェクトは今後ずっと安定するでしょう。 ただし、このアプローチは慎重に使用してください。貴社の環境によっては、この直接的なアプローチが必ずしも適していない可能性があります。つまり、重要な問題を理解することです。重要な問題は、単純な事実に基づくラベル付けでは、予測能力や洞察力に乏しいことです。運用、計画、営業、マーケティングといった戦略的な展開ニーズを満たすには不十分です。広範なデータと詳細な分析を組み合わせることが解決策となります。 著者：地道な陳先生；出典：WeChat公式アカウント：地道な陳先生（ID：773891） |
