「データ分析の根底にあるロジックを理解する：基準の決定が鍵」データ分析において基準の決定がなぜ難しいのでしょうか？そして、様々な業種に適した基準をどのように決定できるのでしょうか？

データ分析の基本原則：データ自体には意味はなく、データと標準を組み合わせることで意味が生まれる。しかし、まさにこの「標準」という言葉が、数え切れないほど多くのデータ分析者を苦しめてきた。よくある問題には以下のようなものがある。

基準の欠如: ビジネスチームは「キャンペーンでパフォーマンスは向上しましたが、どの程度向上させる予定だったのか分かりません。分析してもらえますか？」と言います。その後、どんなデータが提供されても、ビジネスチームは「データが少なすぎます。すべてを徹底的に検討していません」と言います。

基準に関する不確実性: 企業は「顧客の健全性」と「チャネルの品質」を改善したいと考えていますが、データ アナリストがどのような指標を使用しても、企業は「これらのいくつかの指標が健全性を表していると思いますか? では、健全ではない他の指標はどうですか?」と言います。

基準は大きく変動します。指標が 0.1% 低下すると、企業は非常に不安になり、詳細な分析を要求します。指標が 30% 低下すると、企業は「これは正常です。何を分析しているのですか?」と言います。

データ分析において、基準を見つけることは中心的な課題です。明確な基準がなければ、データが問題、その規模、そして誰の問題であるかを反映している場合、どのように詳細な分析を実施できるでしょうか？では、基準はどのように定義するのでしょうか？今日は、この点について体系的に議論します。

01 標準を設定するのはなぜ難しいのでしょうか?

本質的に、標準を設定することの難しさは、主にビジネス自体を評価することの難しさのレベルが異なることに起因します。

仕事の中には、一度に一つずつ作る出来高制の仕事もあります。これは最も標準化しやすく、出来高制の賃金で十分です。

一部のビジネス機能は、効率性を向上させるバフのような役割を果たします。しかし、「バフなしではどのような価値があるのか​​」を定義するのが難しいため、標準化が難しく、そこから数え切れないほどの議論が生まれています。

一部のサービスは、市場の売り手が「私のトマトは大きくて赤いです!」と叫ぶのと同じように、単にケーキにアイシングを添えているだけです。それらを実行しないと死ぬことはありませんし、実行する方が良い選択肢のように思えますが、その有効性を検証するのは非常に困難です。

さらに悪いことに、一部のデータ アナリストはこれらの違いを認識しておらず、これらを単一のエンティティとして扱うことができると誤って信じています。

さらに悪いことに、一部の企業はこれらの違いをよく理解しているため、業績が芳しくない場合には、意図的に混乱を招き、基準を曖昧にしてミスを隠そうとします。

違いを理解していないデータアナリストが、ごまかしを効かせようとするタスクに遭遇すると、それは典型的な「盲人が盲人を導く」ケースです。冒頭で述べたような不満はまさにこのためです。さらに滑稽なのは、この時点で、無知なデータアナリストは問題にすら気づいておらず、オンラインで「中国におけるインターネットデータ分析の統一された標準定義はどこで見つけられるのか？」と尋ねていることです。

したがって、解決策は業務部門の考えを変えることに頼るのではなく、データアナリストが細部にまで鋭い目を向けることです。彼らは、正しいことと間違っていることを見極め、様々なカテゴリーにおける基準がどのように定義されているかを検討する必要があります。

02 第一カテゴリー：肉体労働でお金を稼ぐ

例としては、インターネット業界のプロモーションや広告、従来型企業の販売や実店舗などが挙げられます。これらの業務は個人単位で評価できるため、各人が会社にどれだけの収益と新規ユーザーを獲得したかを明確に把握できます。これらの業務は会社の収益と事業成長に不可欠であるため、通常は厳格な業績評価指標が設定されており、通常は上司によって義務付けられています。

このような状況では、3 つの無発言の原則を覚えておいてください。

「自然な成長率」なんて言うな。やるべきことをやればいい。不満があるなら上司に言い返せばいい。

「妥当か」「無理か」なんて言うのはやめよう。上司が決めた条件が全てだ。納得できないなら、上司に言いふらせばいい。*2

n. 「その他の広範囲にわたる影響」について言及してはいけません。上司が決定していないことは無視しましょう。もし納得できないなら、上司と議論しましょう*3

データアナリストの仕事は、上司の目標を事業分野／期間ごとに分解することです。年間目標は各期間に分解され、アナリストはその達成状況を追跡します（下図参照）。

03 第2カテゴリー: レンガの移動の供給

例えば、商品の在庫と供給があります。こうした業務は販売状況を踏まえた準備が必要ですが、販売目標をそのまま反映させることはできません。目標が達成されない場合もあれば、超過する場合もあります。目標が達成されない場合、在庫が過剰になると在庫の積み増しや損失につながります。一方、目標が超過した場合、在庫が不足すると販売機会の損失につながります。そのため、目標設定は、供給充足率と在庫損失率という2つの視点から評価することがよくあります。

04 第3カテゴリー: 一般バフ

大規模セール、新規会員向けギフト、500元以上の購入で100元割引、3点購入で1点無料、10,000元以上の購入でプラチナカード会員になるなど、人気のプロモーションは、通常、運営部門、マーケティング部門、成長部門によって企画されます。これらの活動のルールと対象者は透明性とオープン性が高く、基準を満たしたユーザーは特典を受け取ることができます。

ユニバーサルバフには明確な目的があります。例えば、製品オペレーションにおいては、段階によって目的や方法が異なります（下図参照）。

例えば、ユーザー操作は段階によって目的や方法が異なります (下図参照)。

注意！「バフ」を提供する部門は、「オーガニックグロース」「広範囲な影響」「追加収益」といった言葉によく飛びつきます。しかし、これらのバフは他者の成果の上に成り立っているため、イベントを企画する部門は自らの貢献を示せないことを恐れ、オーガニックグロース率をマイナスにし、成長のすべてを自らの責任だと考えがちです。これがしばしば多くの議論を巻き起こします。

この論争の解決策は、「詳細な効果分析」と「目標評価」を区別することです。まず目標を達成し、達成後に結果を検証しましょう。目標さえ達成できず、全体的な業績は低下し、商品は依然として売れず、顧客も集客できない状況で「その他の広範な影響」について語るのは、単なる自己欺瞞に過ぎません。

05. 第4カテゴリー: 精密バフ

最も一般的なターゲティングマーケティングは、プレシジョンマーケティングです。これは、電話、テキストメッセージ、アプリ内プッシュ通知などの手段を通じて、異なるユーザーに異なるマーケティングプランを送信するもので、他のユーザーには気づかれず、参加も不可能です。

注：ターゲットマーケティングでは、クローズドループアプローチを採用し、アクティビティグループと参照グループを設定することで、オーガニック成長率を比較的正確に測定できます。そのため、ターゲットブーストでは、「オーガニック成長と比較して、コンバージョン／支出パフォーマンスをXXX向上させる」といった目標を直接設定できます。

本当の問題は、アクティビティが精度を重視して設計されているにもかかわらず、グループ分けも対照群も事前のA/Bテストも実施されていない場合です。何の準備もせずに後から「どうやって正確に測定したのですか？」と聞かれても、私には全く答えられません。

カテゴリー5: ケーキにアイシングを添える

内部データに記録されないすべてのタスクは、補足タスクとみなされます。一般的な例としては、ブランディング、コミュニケーション、サービスなどが挙げられ、これらに対応する指標としては、ユーザー認知度、ユーザー満足度、ユーザーロイヤルティなどが挙げられます。

これらのデータは、WeChat 公式アカウントの閲覧数や動画の視聴数など、市場調査または外部プラットフォームからのデータ記録から取得されます。

この種の基準の最大の問題は、データが容易に操作されてしまうことです。市場調査のアンケートは質が低く、サンプル数も少なすぎます。また、外部プラットフォームのデータは、人為的に数値を膨らませることで簡単に捏造できます。そのため、この種の基準を確立する非常に簡単な方法があります。担当部門に事前に一定数の参加者を提案させ、その目標を達成できるかどうかを確認するのです。

こうしたおまけが売上やユーザー数といった実際の成果につながるかどうかはさておき、データ分析はリンクのみを認識するものです。コンバージョンリンクや内部データ記録があれば、それはバフのような一般的なプロセスとなり、コンバージョン効率を評価します。リンクやコンバージョンパス、内部データがなければ、完全に無視され、状況を悪用される可能性は排除されます。

07 要約

本質的に、基準の問題は業績評価と密接に絡み合っており、ビジネス関係者に機会主義的な慣行を助長する要因となっています。これは、データの問題を装った社内政治の問題です。したがって、この問題を解決するには、「完璧な数学的アルゴリズム」という考え方に頼るべきではありません。いかなる数学的アルゴリズムも、人間の貪欲さという問題を解決することはできません。

したがって、データでできることは、測定可能な側面を実装し、全員が本来の意図に戻り、不合理な議論を減らし、全体的な目標をよりよく達成できるようにすることです。