週末、大企業の友人とユーザー分析について話しました。多くの企業がユーザー分析を行っていますが、多くの人は表面的な分析しかしていません。アクティブ日数、オンライン時間、累計支出額を集計するだけで、深い洞察を得る方法を知らずに、ただ数字を見つめているだけなのです。 仲間と話し合った結果、「指標をぼんやりと眺めている」という問題を効果的に解決できる、ユーザー分析の5つの黄金律をまとめました。それでは見ていきましょう。 ルール1: ユーザーセグメンテーションから始める「袖の多い人は踊りが上手、お金の多い人は商売が上手」という諺がありますが、データ分析を行う際に、データ自体が不足していると、深い結論を導き出すことは困難です。 ユーザー分析において、登録時に電話番号を入力し、1、2回ログインするだけのライトユーザーの場合、分析できるデータは確かに限られています。蓄積されたデータを持つヘビーユーザーだけが、より深い洞察を提供することができます。 したがって、詳細なユーザー分析を実現するには、まずユーザーをセグメント化し、ライトユーザー、ミディアムユーザー、ヘビーユーザーを区別してから、結果を分析する必要があります。 1. 異なるレベルのユーザー間での背景特性の違いは何ですか? 2. ヘビーユーザーは、ライトユーザーからミディアムユーザーへとどのように進化するのでしょうか? 3. ヘビーユーザーと比較して、軽度および中程度のユーザーはどの進化段階で異なりますか? このアプローチにより、ユーザーの人口統計をより明確に把握できるようになります。平均月間支出額や平均月間オンライン時間といった平均値を即座に算出してしまうことで、ユーザー間の違いが曖昧になってしまうという落とし穴を回避できます。ユーザーセグメンテーションの具体的な方法については、「単なる平均値を見るのではなく、真のユーザーセグメンテーションを行う」をご覧ください。 ルール 2: 指標の深さはさまざまであり、内容はニーズに応じて異なります。最初のステップを完了すると、多くの人は自然に次のように考えます。「ヘビーユーザーは週 7 日間ログインし、ライトユーザーは週 1 日ログインしていることがわかりました。そのため、ライトユーザーが週 7 日間ログインするように促すチェックイン アクティビティを作成します。」 この考えは馬鹿げています。考えてみてください。アプリを使うとき、いつログインするか、何回クリックするかを注意深く計算しているでしょうか？ログイン特典を利用していない限り、誰もそんな風に考えないでしょう。 ユーザーのログイン、アクティビティレベル、そして消費行動はすべて、具体的な目的によって左右されます。「好きなコンテンツが見つかる」「好きな商品が見つかる」「特典がある」といった具体的な理由です。そして、これらの理由は、コンテンツと商品をタグ付けすることで得られる必要があります。 原則として、ユーザーがタグの下で蓄積する行動（消費、インタラクション）が増えるほど、そのタグの下にあるコンテンツ/製品に対するユーザーの需要は高まります。 したがって、製品を宣伝したい場合は、データを蓄積して合理的な推論を行えるように、製品をユーザーに何度か公開してみる必要があります (下の図を参照)。 ルール3: テストと探索を組み合わせる最初のステップを完了すると、多くの人は自然にヘビーユーザーがライトユーザーから段階的にどのように進化したかを考え、その経験を要約し、それを他のライトユーザーに再現するようになります。 このアイデアは良いものですが、企業がユーザーに提供できる製品やサービスは限られており、特定のユーザーしか惹きつけることができないため、うまくいかない可能性があります。つまり、ライトユーザーとヘビーユーザーは必ずしも同じタイプの人々とは限りません。 したがって、理論的には、ヘビーユーザーの消費/インタラクションプロセスを分析することで成長パスを要約できます。
しかし、このアプローチはすべてのライトユーザーに効果があるわけではないので、複数のテスト ラインを開発し、さまざまな方法を使用してライト ユーザーを刺激し、どれが効果があるかを確認する必要があるかもしれません。 よくある問題があります。多くの人が、データから最適なレコメンデーションルールを算出し、カジュアルユーザーを即座に活性化させることを期待しています。しかし、これは容易ではありません。カジュアルユーザーはデータの蓄積が非常に少ない場合が多く、十分なテストを行わずに効果的な結論を導き出すのは困難だからです。 そのため、まずはより多くのテストを実施し、データを収集することを強くお勧めします。また、データ分析なしで運用チームが業務を遂行できなくなるわけではありません。一般的な推奨ロジックは数多く存在します（下図参照）。 例えば、お客様がビールを買った場合、おむつを勧めるべきでしょうか？いいえ！実際にビールを買ったのであれば、おむつよりももっと適したものはたくさんあります。例えば、
これらの商品は本質的に関連性があり、データなしでも推奨できます。そのため、まずこれらの固有のルールに基づいてテストルートを決定し、その後、ユーザーを刺激する情報を継続的に推奨し、どの商品に反応するかを確認することができます。 これにより、データが蓄積され、継続的なユーザー洞察の基盤が築かれるだけでなく、経験が構築され、パフォーマンスが急速に向上します。 ルール 4: もっと試して継続的に経験を積み重ねる。静的データのみを見るだけでは、特にカジュアルユーザーや離脱したユーザーを分析するには不十分です。既存データが少なすぎると、推測のみに頼って将来の行動を予測すると、結論を導き出すことが難しくなります。 そのため、既存の製品の状況と運用予算を組み合わせてユーザーエクスペリエンスを向上させる戦略を立て、その効果を一つずつテストしながら経験を積み重ねていくことができます。 最良のシナリオは、テストによってカジュアルユーザーをハードコアユーザーに転換する新たな道筋が発見されることです。これは大きな成果となるでしょう。もちろん、最悪のシナリオは、既存の条件下では商品、割引、コンテンツの組み合わせをすべて試しても、キャンペーンが失敗に終わることです。 これは実際に価値があります。既存の方法が効果的ではないことを知ることで、少なくともリソースを節約し、製品のアップグレードや運用方法の最適化といった基盤となる機能の向上を促進できます。 ここの多くの企業は運営上の問題を抱えています。
多くの場合、これらの企業の運営/製品部門は、「私たちは熟練の達人に勝てる初心者ファイターです」と自慢し、「すべてのキャンペーンの目的は利益を生み出すことです!」「絶対に確信が持てない限り、何もしないでください!」と叫ぶのが好きです。 その結果、データがまったく存在せず、ユーザーが何を好むかまったくわからないか、データが汚染され、ほぼすべての新製品がプロモーションに依存し、「ユーザーはバーゲンを利用するのが好きなのだ」という結論以外には何も得られないことになります。 データ分析とは、最初の100ステップから次の100ステップを予測することではありません。各ステップを常にチェックし、逸脱がないか、ペースは適切か、そして期待通りの結果が得られるかを確認することです。この点をしっかりと覚えておいてください。 ルール 5: インセンティブ主導型アプローチの効果を個別に説明します。別途議論する必要がある状況が 1 つあります。それは、ユーザーが自己利益に駆られて特定のアクションを実行する場合です。 一般的な例としては次のようなものがあります:
特に、当社が補助金を支給する商品が以下の場合、
これは短期的にはユーザーアクティビティと支出の急増につながることが多いですが、長期的には、これらのユーザーは当社への信頼を築いておらず、単にお得な情報を探しているだけなのです。こうした利益重視のデータは、ユーザーの正当なニーズの把握を妨げ、その後の判断を不正確にする可能性があります。 したがって、利益を追求する行動は個別に特定し、分析する必要があります。
これにより、賄賂を受け取ったユーザーを効果的に特定でき、残りのユーザーは本当にニーズのあるユーザーである可能性が高くなります。 |
