このような環境において、データ分析の価値をどのように実証できるでしょうか?

特定のシナリオにおいて、データ分析の価値をどのように発揮できるでしょうか。この記事の著者は、データ分析は固定された分析手法を単純に適用するのではなく、ビジネスニーズに基づいて実施されるべきであり、経験を積み重ね、ビジネスに貢献することでデータ分析の価値を高めることができると指摘しています。

職場では、「自分が行った分析にはビジネス上の価値がなく、レポートを出しても反応がない」と不満を漏らす同僚が多くいます。では、データ分析を真に価値あるものにするにはどうすれば良いのでしょうか？今日は具体的なシナリオを用いて、詳しく説明します。

I. 問題のシナリオ

ある学生は、企業の会員センターに入会し、「データドリブンビジネス」の仕組みを作りたいという野心的な思いを抱き、そのために様々なことを計画しました。

運用状況を反映するフルチェーンデータインジケーターシステムを確立します。
メンバープロフィールを充実させるために 3,000 のメンバータグを開発します。
メンバーをセグメント化するための RFM モデルを確立します。
会員の購買行動を予測するための予測モデルを開発します。
会員の購入履歴に基づいておすすめを行うモデルを推奨します。

計画書は提出されたものの、マネージャーは「こんなものにビジネス上の価値があるのか！」と痛烈に批判しました。学生は完全に困惑しました。ユーザー分析と言えば、いつもユーザーペルソナ、RFM、セグメンテーション、レコメンデーションばかり。私が知らない不思議な力があるのだろうか？なぜこれらが「無価値」と言われるのだろうか？

II. 「価値を計算するもの」から始める

これを理解するには、「データ分析の価値とは何か」という問いから始める必要があります。もし私たちがサービスプロバイダー、データプロダクト、あるいはコンサルティングファームであれば、BI、データモデル、CDPといったツールを事前に用意し、顧客に販売することができます。これはデータ分析の価値を端的に表すものです。

しかし、私たちがクライアント（データを提供する企業）という別のシナリオでは、データはビジネスに直接役立ちます。この場合、データ分析の価値は「実際にビジネスにどれだけ役立つか」によって定義されます。例えば、

企業はすでに当社が提供するデータにアクセスできます。
私たちが行った予測はビジネスにはまったく必要のないものでした。
私たちが作成した分類は、企業にとってはまったく理解できないものです。
作成したプロファイルは当社のビジネスでは使用されていません。

つまり、価値がないということです。「誰もがこういう分析をやっている」ということではなく、自社の業務で活用していないと、単純に認知されないということです。

したがって、データ分析の認識価値を高めるには、「ハンマーで釘を探す」、つまり「ユーザープロファイリング、RFM、関連レコメンデーション、行動予測」といった一連のハンマーを振り回して、どこを打つかを考えるのではなく、「私たちのビジネスに本当に必要なものは何なのか」と自問自答するべきです。

注意！単にビジネスのニーズを尋ねるのではなく、実際に運勢を占ってほしいと頼まれるかもしれません。

III. 解体事業に関する諸問題

営業チームに「何が欲しいですか？」と直接尋ねると、次のような返答が返ってくる可能性が高くなります。

来月の売上高を100%の精度で予測したい。
ユーザーが離脱する理由を 100% の精度で知りたい。
イベントの参加者数を100%の精度で予測したい。
ユーザーが何を望んでいるかを 100% 正確に把握したいと考えています。

最後に、彼らは丁寧にこう言うかもしれません。「100% できないなら、98% でも大丈夫です。それについては考えないようにしましょう。」

この要件を実際に実装したとしても、成功することは絶対にないでしょう。なぜなら、製品の売上、ユーザーの離脱、そしてユーザーの需要はすべて、ビジネス戦略に左右される包括的な結果だからです。例えば、当初は購入するつもりがなかったユーザーが、企業がクーポンを発行した後に購入を決意するかもしれません。この場合、結果を予測するためには、まず企業がクーポンを発行するかどうか、そしていくら発行するかを把握する必要があります。

つまり、たとえモデル化と予測が可能であっても、「ビジネス手法」を把握する必要があるということです。これは明らかにビジネスニーズとは相容れません。彼らは、私たちが100%正確な予測を行い、それに基づいて行動することを期待しているのです。したがって、ビジネス要件を単純に受け入れるのではなく、それを分解し、私たちの努力を活用できる領域を見つける必要があります。

たとえば、「ユーザー離脱の理由を 100% 正確に知っているか」と尋ねるのではなく、「答えがわかったら何ができるのか」と尋ねます。

貢献度がほとんどなく、離脱してしまうユーザーもいます。彼らを取り戻そうとするのは本当に価値があるのでしょうか？
一部のユーザーが当社の製品を必要としなくなった場合、当社は本当にその製品を改善できるのでしょうか?
一部のユーザーニーズが既存のユーザーベースと矛盾しています。本当にこれらのユーザーのニーズに応えなければならないのでしょうか？
一部のユーザーは、単にお得な情報を利用するためだけにそこにいます。私たちは本当に彼らを無制限に甘やかすべきなのでしょうか?
...

要件をビジネスシナリオの文脈で分解すると、多くの場合、企業が実行できるアクションは非常に限られていることが明らかになります。特に、特定の指標の短期的な改善については、クーポンの配布や情報発信といった手段しか講じられない可能性があります。しかし、長期的な改善は、ビジネス全体の計画と密接に結びついています。そのため、企業が実際に何ができるかに焦点を当てることで、データがビジネスで効果的に活用されるようになります。

ここでよくある間違いは、ビジネスが実際に何ができるかを考慮せずに要件を細分化してしまうことです。そうすると、データレベルでぐるぐると回っているだけになります。例えば、ユーザー離脱を分析する際に、離脱したユーザーの完全なリストを作成し、性別、年齢、過去の支出額といった詳細な統計情報を並べ立ててしまうかもしれません。これは一見すると多くのデータを提供しているように見えますが、ビジネス上のアクションと乖離しています。ビジネスは混乱したまま、「だから何？どうすればいいの？」と自問自答し続けることになります。

IV. ビジネスの盲点の特定

問題を分析した後、ビジネスにおける盲点をさらに探ることができます。こうした盲点を見つけることは、データ分析の価値を高める上で非常に役立ちます。なぜなら、ビジネスプロフェッショナルはデータ、特にKPIに関連するデータについて全く無知ではないからです。KPIは通常、非常に綿密にモニタリングされています。提示されたデータが彼らが既に知っているデータであれば、「そんなことは既に知っていた。一体何の分析をしているんだ？」といった皮肉なコメントが返ってくることは間違いありません。

それで：

企業は何も知らない
ビジネスに関して不確実なことは何ですか?
企業がテストしたいものは何ですか?

データ分析の価値が最もよく示される場所です。

例えば、ユーザー離脱の問題に関しては、ビジネスチームが毎月コンスタントにクーポンを発行しており、以下のような基本的なデータがすでに蓄積されている可能性が高いです。

毎月何人のユーザーが解約していますか?
ユーザーを呼び戻すために毎月何枚のクーポンを配布していますか?
毎月プッシュ通知を送信するためにいくつのチャネルが使用されますか?
各チャネルのコンバージョン率とリコール率

この時点で、「包括的な指標体系の構築」と称して改めてデータを提示しても、「そんなことは既に分かっている」といった批判は避けられません。だからこそ、既存のデータを基に、人々がさらに知りたいことに焦点を当てていくべきなのです。

ここで重要なのは、既存のルールを変更するかどうかです。変更しない場合は、既存のプッシュチャネル、プッシュコピー、クーポンの種類に基づいて、順列や組み合わせを作成し、最も高いコンバージョン率を実現する方法を見つけます。ルールを変更する必要がある場合は、企業が何ができるかを検討する必要があります。例えば、クーポンの価値を上げる、プッシュ通知のタイミングを変更する、プッシュ方法を変更する（例：ユーザー紹介に基づく）、プッシュコンテンツを変更する（例：クーポンをプッシュする代わりに人気商品を宣伝する）などです。

戦略を変更するかどうかは、ビジネス要件と密接に関連しています。多くの場合、ビジネス部門には戦略を変更する権限がありません。戦略は既に経営陣によって策定されており、微調整しか行えません。しかし、ビジネス部門が戦略を変更したいと考える場合、ビジネス部門はどのような方向に戦略を変更したいのかを理解する上で、十分なデータに基づく裏付けが必要になります。

例えば、ビジネスチームがクーポン割引の拡大を含む戦略の調整を検討している場合、データ分析のアプローチは次のようになります。

クーポンによって再び関心を持たれる可能性が最も高いグループを特定します。
これらのグループの価値あるセグメントを区別する
過去の消費者支出に基づいて、クーポンの強さに関する提案が提供されます。

原則として、購買力のある人材は、積極的に採用を後押しされるべきです。ビジネスリーダーは、人材確保を依頼する際に、こうした詳細なデータを強調し、彼らの懸念を払拭する必要があります。このレベルのデータを提供することで、ビジネスアクションを大いに支援し、データの価値を示すことができます。

ここでの分析には以下の内容が含まれることに注意してください:

ユーザーの過去の支出を区別し、ユーザー価値を計算します。
「クーポンの好み」ラベルでタグ付けすることで、クーポンの利用/使用に対するユーザーの感受性を区別します。
プッシュ通知に対するユーザーの応答率を差別化し、応答率の高いグループを特定します。

しかし、「これはビジネスに特に必要なデータだ」と明確にすれば、そのデータを提供することで全員の承認を得られるでしょう。無分別にRFMを作成し（ビジネス部門とセグメンテーションルールを確認せずに）、それを破棄して、ビジネス部門に「だから何？それで何ができるの？」と混乱させるような事態は避けるべきです。

V. 経験を積む

データ分析のもう一つの重要な側面は、特定の目標を中心とした経験を積むという積極的な役割です。事業部門は往々にして自らの利益に重点を置き、個々のプロジェクトを推進する一方で、異なるプロジェクト間の機能横断性を見落としがちです。例えば、ユーザー離脱に関して言えば、離脱したユーザーは実際には特定の商品のファンであったり、季節的な買い物ニーズがあったりするかもしれません。彼らは会員センターからやみくもに配布されたクーポンには反応せず、製品部門が推進するプロモーションに反応するでしょう。

この時点で、データ部門は様々な部門の活動に関するデータを積極的に収集し、これらの活動がユーザーにどのように影響するかをユーザーごとに整理した包括的な概要を提示することができます。このような包括的なデータの視点は、ビジネス部門自身からはなかなか得られず、ビジネス全体にわたる考察を容易に促すことができます。そのため、データ部門が様々なビジネスアクションを積極的に収集し、共通のビジネス目標を中心にそれらを統合することが強く推奨されます。これは、価値を示す方法でもあります。

VI. 要約

結論として、データ分析はビジネスを基盤とし、ビジネスに役立つものでなければなりません。これは単なる空論ではなく、具体的なビジネスシナリオとニーズを組み合わせ、ビジネスの実現可能性を議論し、ビジネス上の問題を分解し、一つ一つ答えを出すことが必要です。

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）

Haozao