Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー

784 views

Published on

https://ishikettei.connpass.com/event/106516/

Published in: Data & Analytics
  • I can advise you this service - ⇒ www.HelpWriting.net ⇐ Bought essay here. No problem.
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here

20181117_データ分析プロジェクトの流れを理解する_PDCAとKPIツリー

  1. 1. 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
  2. 2. • 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
  3. 3. 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/
  4. 4. 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/
  5. 5. 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
  6. 6. 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
  7. 7. 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
  8. 8. 分析案件も絶賛募集中です・・!!
  9. 9. 閑話休題、本題へ
  10. 10. • 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
  11. 11. 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
  12. 12. 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
  13. 13. 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
  14. 14. 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
  15. 15. 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
  16. 16. • 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
  17. 17. 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
  18. 18. 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
  19. 19. 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
  20. 20. 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
  21. 21. 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
  22. 22. 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
  23. 23. 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
  24. 24. 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)
  25. 25. 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%
  26. 26. • 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
  27. 27. 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
  28. 28. 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
  29. 29. 事業部の目標値などをKPIツリーとして整理 収益 (KGI)
  30. 30. 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
  31. 31. 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
  32. 32. 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
  33. 33. 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
  34. 34. 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!
  35. 35. 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!
  36. 36. 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!
  37. 37. 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!
  38. 38. 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
  39. 39. 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
  40. 40. • 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
  41. 41. 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!
  42. 42. ご静聴ありがとうございました!
  43. 43. 質疑応答

×