https://www.marketechlabo.com/tags/analysis-methods/Recent content in 分析手法 on MarketechlaboHugo -- gohugo.ioja-jpFri, 20 Jan 2017 00:00:00 +0900https://www.marketechlabo.com/statistics-analysis/objectives-approach-data-analysis/Fri, 20 Jan 2017 00:00:00 +0900https://www.marketechlabo.com/statistics-analysis/objectives-approach-data-analysis/ <h1 id="データ分析の考え方">データ分析の考え方</h1> <p>データに基づいて意思決定をすることは、もはやビジネスの前提となった。 AIがデータ分析のワークフローを大きく変えつつある今だからこそ、その土台となる「考え方」を正しく理解しておくことが重要である。</p> <p>データ分析がビジネスの課題を何でも解決してくれるのだろうか？</p> <p><figure> <picture> <img loading="lazy" decoding="async" alt="あいまいなデータ分析像" class="image_figure image_internal image_unprocessed" src="/images/analytics/analysis-vague.png" /> </picture> </figure> </p> <p>データ分析には役割と守備範囲、正しい手法というものが決まっている。 間違った使い方をすると間違ったインサイトを導き出すことになる。</p> <p>何でもデータ分析が解決してくれるわけではなく、データ分析の守備範囲とそうでない部分は峻別しなければならない。 データ分析を正しく理解して実務に役立てていくために実務上、最低限抑えておけばいいところをまとめていく。</p> <ul> <li>そもそもデータ分析とは何なのかを整理し</li> <li>データ分析と向き合う正しい姿勢と最低限の知識を説明する</li> </ul> <p><figure> <picture> <img loading="lazy" decoding="async" alt="明確なデータ分析像" class="image_figure image_internal image_unprocessed" src="/images/analytics/analysis-distinct.png" /> </picture> </figure> </p> <h2 id="データ分析の目的">データ分析の目的</h2> <p>データ分析には目的がある。主に以下の4種類に分けられる。</p> <ul> <li><strong>予測</strong>：売上予測、クリック率予測</li> <li><strong>意思決定</strong>：どの変数がどれだけのインパクトで効いているのか →アクションの方向性・タイミングを見出す、配信アルゴリズムを決める</li> <li><strong>レコメンド</strong>：どんな商品をレコメンドするのがいいか</li> <li><strong>分類</strong>：セグメントを作る、何と何を同じものとして扱えばいいか</li> </ul> <p>目的に応じて手法が変わってくる。いま直面しているイシューはどれに当てはまるだろうか。</p> <p>いずれにせよ「だから●●」というアウトプットがある、<strong>示唆を得ること</strong>が重要になる。</p> <h2 id="分析とは">分析とは？</h2> <blockquote> <p>分けていくこと</p> </blockquote> <p>分析とはその字の通り「分けていくこと」である。</p> <ol> <li>全体の「コンバージョン率」の大小を見る（<strong>指標</strong>）</li> <li>「流入元」ごとの「コンバージョン率」を見る（切り口＝<strong>ディメンション</strong>）</li> </ol> <h3 id="指標とディメンション">指標とディメンション</h3> <blockquote> <p>「流入元」ごとの「コンバージョン数」</p> </blockquote> <p>最初はざっくりと単一の数値そのものを見る。流入数、売上、利益など。これが指標となる。</p> <p>次に商品、営業ブロック毎といったように数値を見る切り口が加わる。これがディメンションとなる。</p> <blockquote> <p>○○ごとの△△</p> </blockquote> <p>これがデータを見る基本の考え方となるので、いま見ている指標とディメンションが何なのかを常に意識することが重要である。 「分ける」キーになるものである。</p> <p>ディメンションごとの指標を見るのはクロス集計、要するに縦横。 クロス集計の考え方と方法は後で説明する。</p> <p>GoogleアナリティクスでもAdobe Analyticsでも、 BIツールや初歩的なデータ分析ツールは共通してこの考え方に基づいてデータを操作する。 高度な統計解析手法も基本的に指標とディメンションを複雑に組み合わせた（モデル化した）ものである。</p> <p>分析ツールによっては</p> <ul> <li>指標はmetrics, measure（メジャー）などの単語で置き換えられる</li> <li>ディメンションはそのままdimensionとして使われることが多い</li> </ul> <p>ただ指標とディメンションを眺めているだけでは分析ではない。 それは数字を見ているだけで、何も言えない、知見にならない。</p> <p>知見を導き出すための分析的視点としてここから深掘りする際に3つの方向性がある。 それがセグメント、推移、ベンチマークである。</p> <h3 id="比較して違いを見つけること">比較して違いを見つけること</h3> <p><strong>ケース1</strong></p> <table> <thead> <tr> <th>ページ</th> <th>流入数</th> <th>CVR</th> </tr> </thead> <tbody> <tr> <td>記事A</td> <td>500</td> <td>2%</td> </tr> <tr> <td>記事B</td> <td>400</td> <td>2%</td> </tr> <tr> <td>記事C</td> <td>300</td> <td>2%</td> </tr> </tbody> </table> <p><strong>ケース2</strong></p> <table> <thead> <tr> <th>ページ</th> <th>流入数</th> <th>CVR</th> </tr> </thead> <tbody> <tr> <td>記事A</td> <td>500</td> <td>2%</td> </tr> <tr> <td>記事B</td> <td>400</td> <td>1%</td> </tr> <tr> <td>記事C</td> <td>300</td> <td>5%</td> </tr> </tbody> </table> <p>どちらのほうが意味を見いだせるか、知見を導き出すポテンシャルがあるか？</p>