ShibuyaUX - UX and Analytics

  • 29,714 views
Uploaded on

2012-05-30 ShibuyaUXのセミナー資料。 …

2012-05-30 ShibuyaUXのセミナー資料。
当日のTweetはこちら http://togetter.com/li/312567

More in: Business
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
29,714
On Slideshare
0
From Embeds
0
Number of Embeds
9

Actions

Shares
Downloads
189
Comments
0
Likes
60

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Shibuya UXUXとアナリティクス 2012-5-30 清水 誠
  • 2. Disclaimer 本資料は「清水 誠」の個人的な見解を表したも のであり、所属先の見解とは異なることがありま す。 2
  • 3. 自己紹介 「Webを便利に」 since 1995 ユーザーのためのWeb・製品を実現したい 6.CRM マーケ 5.アクセス解析 ティング 2.ユーザー 4.CMS エクスペリエンス3.アジャイル開発 テクノ デザイ 1.Webディレクター7.ユーザー視点 ロジー ンの製品改善 3
  • 4. データとデザインは水と油? 2006年にダグ・ボーマンがGoogleに参加「ダグ・ボーマン起用はGoogleの賢明な一手。これまでで最高の買収。」(37 Signals, 2006年5月) 4
  • 5. データとデザインは水と油? 3年後に退社 「Googleのデータ至上主義、トップデザイナーを失う。」 (ValleyWag, 2009年3月) 5
  • 6. AnalyticsとUXの違い Analytics UX分析対象 ユーザーの行動 ユーザーの意図や動機 (What:何が起きた?) (Why:なぜ?)分析手法 Whatを理解するための定 Whyを説明するための定性 量的な手法 的な手法目的 組織の目標(KPI)達成 ユーザーのゴール達成データ活用方法 ベンチマークとモニタリング パターンを見つけるためのア によるパフォーマンス測定 ドホック(ボトムアップ)分析 (トップダウン分析)分析対象のデータ 統計データ (誤差を含む大 概念的なデータ (人為的にラ 量の「リアルな」データ) ボで得られた誤差を含まない 少量のデータ)専門家の出身 工学や数学 社会科学、人文科学、芸術 Louis Rosenfeld 『Site Search Analytics』より 6
  • 7. UIEの事例 Web解析の結果、 SKU番号で検索されていた(What) フィールド調査の結果、 紙カタログで見た番号でサイトを検索して いると分かった(Why) 7
  • 8. Adaptive Path事例 ペルソナに 検索Keywordを 追加 解析データで ペルソナの 虚構性を減らす 8
  • 9. 調査手法は使い分けて組み合わせる 9
  • 10. そこで Site Search AnalyticsIAシロクマ本でおなじみルー・ロゼンフェルド氏 10
  • 11. サイト内検索は宝の山 キーワードとコンテンツを照合し改善 11
  • 12. 検索結果を改善できる ニーズに合わせて検索UIを改善 12
  • 13. コンテンツを改善できる 何が足りないのか? 13
  • 14. 検索エンジンを改善できる 検索の品質を定量評価 14
  • 15. UXとAnalyticsは補完できる UX Analytics 15
  • 16. サイトサーチ・アナリティクス サイト内検索は Google検索よりも網羅性がある キーワードは自然言語なので セマンティック&定性的 少しの分析で改善案が 得られる 11月発売予定 16
  • 17. 事例:B2BでUX×Analytics• eMetrics San Francisco 2012での• EVANTAGE Consultingによるセッション 17
  • 18. 課題 サイトでの資料請求はCVRが1%未満 「Webは効率が悪い」 営業部門の役に立たない 18
  • 19. 解決アプローチ 会社名を入力してもらえるメリットを提供 どの会社からアクセスしているのか特定 スコアリングによってリードに重み付け 営業チームに見込み客リストを提供 19
  • 20. サイトの企画・設計段階から エンゲージできる機能を豊富に用意 通常の問い合わせ フォームに加え、代理 店検索、キャンペーン 応募、説明会に参加、 などエンゲージできる 機能を豊富に用意 20
  • 21. クリックから興味関心を推測 クリック箇所や閲覧ページを計測 21
  • 22. 見込み客のカルテを生成 どこの企業が何に興味を持ったか? 22
  • 23. Webが営業活動を強化できた 50%の訪問者にアプローチ可能に 23
  • 24. 事例:製薬サポートサイトで UX×Analytics• eMetrics San Francisco 2012での• Semphonic社によるセッションより 24
  • 25. 患者とマーケティングの接点 25
  • 26. 非ECサイトは解析が難しい 26
  • 27. セグメント別アクションを計測→間接貢献 27
  • 28. ログインなしでもセグメント分けできる 28
  • 29. 誰のためのサイト? 何でも(Non-Branded)  患者 「医師に聞く質問」ダウンロード  医療従事者 「問診ページ」閲覧 ファン(Branded)  患者 「患者の声」閲覧  医療従事者 「処方」閲覧 29
  • 30. 重要ページへのアクセスを増やす 30
  • 31. セグメント別にエンゲージメントを係数化 31
  • 32. 複数のアクションを足し込みスコアリング 32
  • 33. ポイント ビジネスに直結する数字を選ぶ 因果関係を理解する 他の調査手法も組み合わせる 33
  • 34. UX流Analyticsでは 34
  • 35. コンセプトダイアグラムが役に立つ サイトのコンセプトを図解したもの 目的:誰にどうなってほしいのか? 施策:そのためにどんな機能・コンテンツを 提供しているのか? 35
  • 36. 事例:コミュニティサイト「eVar7」 !発見する 会員になる 戻る いいね! 読む/知る 共有する 投稿する 満足 ♪ 集まる 36
  • 37. サイトの機能・コンテンツをマッピングし、発見する About 会員になる Who Profile 戻る 読む/知る UGC Comment 共有する 投稿する 満足 Event 集まる 37
  • 38. 指標を定義  会員登録 新規訪問  アクティブ率  会員の訪問  フレンド率 共有回数  RSS購読  UGCのPVとリーチ メンション数  再訪問 ソーシャル訪問  コメント数  投稿数 満足度  イベントのCTR  イベント申込数 38
  • 39. KGIを達成すると何が変化するのか?  会員登録 新規訪問  アクティブ率  会員の訪問  フレンド率 共有回数  RSS購読  UGCのPVとリーチ メンション数  再訪問 ソーシャル訪問  コメント数  投稿数 満足度 ♪  イベントのCTR  イベント申込数 39
  • 40. 逆にKGIを達成できないと…?  会員登録 新規訪問  アクティブ率  会員の訪問  フレンド率 共有回数  RSS購読  UGCのPVとリーチ メンション数  再訪問 ソーシャル訪問  コメント数  投稿数 満足度 …  イベントのCTR  イベント申込数 40
  • 41. 結果を原因に分解することが重要  行為に影響する要因の仮説を立てる  要因を数値化する  誰のどんなアクションにつながるのか 41
  • 42. 標準レポートでは改善につながらない 訪問回数 平均閲覧 直帰率 ページ数Google 8.0 7.6 75%Yahoo! 1.2 1.4 26% So What?PV 20% UP アクションできない 42
  • 43. 知ってもアクションできないことは知る必要がない 43
  • 44. 改善プロセスまで踏み込む  誰が何をいつ見るべきか?  数値が変化した時のアクション方法は?  何をどう目立たせるか? 44
  • 45. UX流Analytics 3つのステップ1. ユーザー視点でコンセプトを明確にする  図解が有効2. 知るべきことを知る  数字は「取れる」のではなく「取る」3. 改善プロセスを組み立てる  誰が何をどう知るとアクションできるか 45
  • 46. ありがとうございました。過去の講演資料や最新情報は下記のサイトまで アクセス解析 清水 @mak00s 実践CMS*IA http://www.cms-ia.info 46
  • 47. (参考)オンラインで読める記事参考記事 楽天経済圏を支えるアクセス解析の全貌 http://www.itmedia.co.jp/enterprise/articles/1005/21/news003.html アクセス解析実践日誌 1. 縦長いページデザインは是か否か?スクロール量計測の裏側 http://markezine.jp/article/detail/10542 2. TwitterマーケティングにおけるKPIの再検証 http://markezine.jp/article/detail/11111 3. 外部リンクは別ウィンドウで開かせるべきか? http://markezine.jp/article/detail/11734 4. キャンペーンの間接効果は解析できるのか? http://markezine.jp/article/detail/12412 5. 中間指標を作り出すスコアリング手法の考え方 http://markezine.jp/article/detail/13672 6. これからアクセス解析を推進する人たちに知っておいて欲しいこと http://markezine.jp/article/detail/13972 47
  • 48. (参考)オンラインで読める記事参考記事 清水 誠の「その指標がデザインを決める」 1. そのエラーページ、自己満足になっていませんか http://ascii.jp/elem/000/000/610/610207/ 48
  • 49. (参考)オンラインで読める記事IAチャンネル:自社サイト最適化講座月1回、オーナー+専門家が登壇1. ニッセンの解析と改善 * 2回2. 地ビールサンクトガーレンの事例 * 4回3. IA対談 * 2回 http://www.ustream.tv/channel/ia2010 49