20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー

20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー
データ分析プロジェクトの流れを理解する ~ PDCAサイクルとKPIツリー ~ 2018/11/17 NOB DATA株式会社大城信晃
• 自己紹介と会社紹介 • はじめに • 分析PJにおける全体の理解の重要性 • 全体を俯瞰する上で便利なツール２つ • PDCAサイクル • KPIツリー • まとめアジェンダ
自己紹介 • NOB DATA株式会社代表取締役 • 大城信晃 • データサイエンティスト • Twitter : doradora09 • 沖縄 -> 東京(7年) -> 福岡(2年) • ヤフー -> DATUM STUDIO -> LINE Fukuoka -> NOB DATA(株) 設立 • 分析コミュニティ運営 • Tokyo.R, fukuoka.R • 意思決定のためのデータ分析勉強会 • PyData.Fukuoka https://nobdata.co.jp/
ご参考 : 今月の勉強会告知 11/22(木) 17:00 at 博多 11/28(水) 13:00 at 福岡大学図書館多目的ホール https://connpass.com/event/107415/https://nobdata.connpass.com/event/109776/
ちょっと宣伝 NOB DATAの事業内容 :データ活用コンサルデータ分析基盤 / ツールデータサイエンティスト / AIエンジニア企業のPR力 / 結果の解釈 / データ戦略月額98,000から始めるクラウド型分析基盤 DataWork Webクローラ開発、データフュージョン受託分析 / データ活用セミナー / シニア・データサイエンティストによる”分析よろず相談” データ戦略コンサルティング / データの解釈支援 / 新規データ活用ビジネス立案支援(アイディア) 5 専門領域エンジニアリング
弊社の強み : 分析者ネットワーク • 東京のノウハウを福岡へ • 分析のプロのネットワーク 100名体制目指して活動中 6
分析者個人も、分析企業も • 分析関連書籍を多数執筆してい株式会社ホクソエムと業務提携 • 分析よろず相談サービスを展開中
分析案件も絶賛募集中です・・！！
閑話休題、本題へ
はじめに : 分析PJにおける全体の理解の重要性 • データ分析というと機械学習のイメージが強いが、実はそれだけではない • 品質改善、サービス改善においても、データ分析PJに共通するプロセスを理解しておくと色々な落とし穴を避けることができる課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証ここは一つの要素に過ぎない
データ分析PJのよくある落とし穴① 社長からAIやっての丸投げの罠 • AIやって！という上からの号令だけ • 何を目的とするか不明のためPJが全然進まない課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証課題設定やゴール設定、データ収集から入る必要がある
データ分析PJのよくある落とし穴② 効果測定が出来ない罠 • 施策を実施したがデータを取っていないため効果測定が出来ないケース • 結局もう一度テストする手戻りが発生 • または「なんとなく良かった」という感覚論で費用対効果が測れない課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証効果検証を加味したロギングやA/Bテスト設計が必要
データ分析PJのよくある落とし穴③ 意思決定者がデータドリブンじゃない • 意思決定が勘と経験と度胸で決まる文化の場合は要注意 • 良い分析結果が出ても判断材料として活用されなければ意味がない(コストだけかかる) 課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証意思決定のカルチャーの問題は分析業界的にも最後の難関
全体のプロセスを最初に把握することで先々の罠に対して先手を打てる • 目的が不明 • 効果検証ができない • 意思決定者がデータを信用しないいくつもの罠対策 • 後述のツール２つでPJ全体を俯瞰 • 施策前にログを仕込む • データの可視化PJから始める、など
全体を俯瞰する上で便利なツール２つ PDCAサイクル KPIツリー https://digitalidentity.co.jp/blog/marketing/ about-pdca.html https://webtan.impress.co.jp/e/2017/09/20/26620
PDCAサイクル • Plan -> Do -> Check -> Actionで1サイクル • 分析PJではここをどんどん回すことが大事 • テスト的に小さく回してうまくいったら大きく仕掛ける課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証 Plan Do Check/Action
Plan(計画フェーズ) : 分析PJの目的は何？課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証 Plan Do Check/Action 大分類特徴具体例 1. 生産性向上効率を上げ無駄を減らす・業務自動化、RPM ・予測モデル、レコメンドなど 2. 意思決定支援データを人間が解釈しやすい情報へ・KPIツリー構築、KPIモニタリング・探索的データ分析、ユーザー理解 3. 新規事業 No1を先んじて取るためのデータ活用・ウーバーのマッチングシステム・ルンバのデータ収集・医療系ベンチャーの活躍 4. 研究テーマ数十年後の未来に向けた投資・ディープラーニング、強化学習など・写真から写っているものを認識する技術
保育施設入所選考の自動化仮に職員の時給を2000円とした場合、 600時間削減なので1回の選考あたり 120万円の人件費削減 (生産性向上) 生産性向上の例 600時間のタスクがほぼ０時間へ 20
業務自動化による生産性向上の場合 (１サイクル目) 課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証 Plan Do Check/Action 課題抽出 : 人力での保育園の割り当てに時間がかかっている ↓ データ収集・基礎分析 : 実際にかかっている業務の時間を計測し、のべ600時間かかっていることがわかった ↓ 仮説構築 : 各自の頭の中の割り当てルールベースのロジックと、機械による最適な割り当ての２種類アプローチで効率化できそう
業務自動化による生産性向上の場合 (１サイクル目) 課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証 Plan Do Check/Action 分析・機械学習 : プロトタイプを開発。ルールベースのものはヒヤリングを実施 ↓ 施策提案 : プロトタイプの効果測定をまず提案。 ↓ 効果検証 : 人力での分類との誤差による定量評価、および訂正的な評価を実施 ↓ 評価の結果、精度のさらなる向上が必要 ↓ 2サイクル目へ
業務自動化による生産性向上の場合 (２サイクル目) 課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証 Plan Do Check/Action 課題抽出 : 分類モデルの精度が低いため、精度改善 ↓ データ収集・基礎分析 : 誤差の大きなデータについて確認 ↓ 仮説構築 : 分類に必要な変数が足りないのではないか。またルールベースと機械学習を組み合わせることで精度を上げられるのではないか
業務自動化による生産性向上の場合 (２サイクル目) 課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証 Plan Do Check/Action 分析・機械学習 : 精度改善のための試行錯誤を実施 ↓ 施策提案 : 効果検証を実施 ↓ 効果検証 : 定量的にも定性的にも十分な結果が出たので、本番運用を実施 ↓ 以降、本番運用の結果に対するPDCAサイクルが回る (3サイクル目、以下省略)
PDCAサイクルをぐるぐると回すことで徐々に精度を上げていく • 十分安定してきたらそこで完了、あとは定期的なチェック投下コスト (時間、リソース) 精度 1サイクル 2サイクル 3サイクル・・・ 70% 80% 85%
KPIツリーとは • KGIをゴールに置き、それを構成する要素を分解していくツリー • 全体を俯瞰する上で重要 • どの数値を改善すればどの程度インパクトがあるのかを把握できる
グロースハック事例。 drop boxは友達紹介のインセンティブで登録ユーザーが 60%増加したとのこと (現在5億ユーザー以上) 参考 https://blog.kairosmarketing.net/workhack/what-is-growth-hack/ サービス成長のためのデータ分析例 60% ユーザー増加 28
事業部の目標値などをKPIツリーとして整理収益 (KGI)
事業部の目標値などをKPIツリーとして整理収益 (KGI) ユーザー数顧客単価コスト収益 = 売上 – コスト＝ (ユーザー数 x 顧客単価) – コスト
事業部の目標値などをKPIツリーとして整理収益 (KGI) ユーザー数顧客単価既存顧客新規顧客休眠顧客コストユーザー数 = 既存顧客 + 休眠顧客 + 新規顧客
事業部の目標値などをKPIツリーとして整理収益 (KGI) ユーザー数顧客単価既存顧客新規顧客休眠顧客コスト広告経由紹介経由自然増新規顧客 = 広告経由 + 紹介経由 + 自然増
事業部の目標値などをKPIツリーとして整理収益 (KGI) ユーザー数顧客単価既存顧客新規顧客休眠顧客その他比較軸顧客属性季節要因前年・先月・先週の実績顧客の財布事情・・・コスト広告経由紹介経由自然増
改善ポイントがどこにあるかを見つけやすい収益 (KGI) 9000万円ユーザー数 10万人顧客単価 1000円既存顧客 7万人新規顧客 2万人休眠顧客 1万人その他比較軸顧客属性季節要因前年・先月・先週の実績顧客の財布事情・・・コスト 1000万広告経由 5000人紹介経由 1万人自然増 5000人２倍にしたい！
改善ポイントがどこにあるかを見つけやすい収益 (KGI) 9000万円ユーザー数 10万人顧客単価 1000円既存顧客 7万人新規顧客 2万人休眠顧客 1万人その他比較軸顧客属性季節要因前年・先月・先週の実績顧客の財布事情・・・コスト 1000万広告経由 5000人紹介経由 1万人自然増 5000人コスト削減だけでは厳しい２倍にしたい！
改善ポイントがどこにあるかを見つけやすい収益 (KGI) 9000万円ユーザー数 10万人顧客単価 1000円既存顧客 7万人新規顧客 2万人休眠顧客 1万人その他比較軸顧客属性季節要因前年・先月・先週の実績顧客の財布事情・・・コスト 1000万広告経由 5000人紹介経由 1万人自然増 5000人顧客単価を上げるのは一考の価値あり２倍にしたい！
改善ポイントがどこにあるかを見つけやすい収益 (KGI) 9000万円ユーザー数 10万人顧客単価 1000円既存顧客 7万人新規顧客 2万人休眠顧客 1万人その他比較軸顧客属性季節要因前年・先月・先週の実績顧客の財布事情・・・コスト 1000万広告経由 5000人紹介経由 1万人自然増 5000人紹介のインセンティブ強化は一考の価値あり２倍にしたい！
改善ポイントがどこにあるかを見つけやすい収益 (KGI) 9000万円 => 1.82億円ユーザー数 10万人 => 12万人顧客単価 1000円 => 1600円既存顧客 7万人新規顧客 2万人 => 4万人休眠顧客 1万人その他比較軸顧客属性季節要因前年・先月・先週の実績顧客の財布事情・・・コスト 1000万広告経由 5000人紹介経由 1万人 => 3万人自然増 5000人収益２倍に向けた青写真
注力ポイントが見つかったら改善施策の検討、そしてPDCAへ顧客単価 1000円 => 1600円その他比較軸顧客属性季節要因前年・先月・先週の実績顧客の財布事情・・・紹介経由 1万人 => 3万人・料金プランを分けてはどうか・値付けをどうするか・ヘビーユーザーのニーズはどこにあるか・無料ユーザーの有料転換キャンペーンを打つかなどなど分析・インセンティブの設計・インフルエンサーをどう見つけるか・紹介に反応しやすい顧客はどのような属性かなどなど
まとめ PDCAサイクル KPIツリー課題抽出データ収集基礎分析仮説構築分析・機械学習施策提案効果検証 Plan Do Check/Action ・分析PJでは機械学習以外にも考えることはたくさんある・PDCAサイクル、KPIツリーは全体を俯瞰する上で便利・データ活用PJで起こる様々な罠に対して先手を打っていきましょう！
ご静聴ありがとうございました！
質疑応答

Check these out next

20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー

Recommended

More Related Content

Similar to 20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー(20)

More from Nobuaki Oshiro(20)

Recently uploaded(20)

20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー