Recommended
More Related Content
Similar to webサービスの申込者数
Similar to webサービスの申込者数 (20)
webサービスの申込者数
- 2. はじめに 2 ユーザー シチュエーション 用意したデータの内容 ※ 上記内容は類似業種へのヒアリング情報に基づいたXICAによる創作です ※ 現実に同様の結果を保証する物ではありません
- 3. はじめに 3 ユーザー p BtoCのwebサービス運営企業 シチュエーション 用意したデータの内容 ※ 上記内容は類似業種へのヒアリング情報に基づいたXICAによる創作です ※ 現実に同様の結果を保証する物ではありません
- 4. はじめに 4 ユーザー p BtoCのwebサービス運営企業 シチュエーション p webサービスの申込者の増加に影響している要因を把 握したい p 経験則から「6月と9月は申込者が増える」、「曜日に よって申込者数の増減がある」と思っている （ただし確かめたことはない） 用意したデータの内容 ※ 上記内容は類似業種へのヒアリング情報に基づいたXICAによる創作です ※ 現実に同様の結果を保証する物ではありません
- 5. はじめに 5 ユーザー p BtoCのwebサービス運営企業 シチュエーション p webサービスの申込者の増加に影響している要因を把 握したい p 経験則から「6月と9月は申込者が増える」、「曜日に よって申込者数の増減がある」と思っている （ただし確かめたことはない） 用意したデータの内容 【成果】 -‐ 申込者数 【要素】 -‐ 申込者 -‐ サイト来訪者数 -‐ TVCM放映量 -‐ Web広告露出量 -‐ 自社Webリニューアル -‐ 季節要因 -‐ Sun/Mon/Tue/Wed/Thr/Fri/Sat ※ 上記内容は類似業種へのヒアリング情報に基づいたXICAによる創作です ※ 現実に同様の結果を保証する物ではありません
- 6. 分析の流れ 6
- 8. 分析の流れ 8 1.データを 用意する 2.データを 読み解く p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す
- 9. 分析の流れ 9 1.データを 用意する 2.データを 読み解く 3.結果を 比べる p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す p 保存したモデル を比べる
- 10. 分析の流れ 10 1.データを 用意する 2.データを 読み解く 3.結果を 比べる p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す p 保存したモデル を比べる
- 20. 1. データを用意する p 分析モデルの概要を把握する 20 モデルの精度 ・・・ 00.00%
- 22. 1. データを用意する p 分析モデルの概要を把握する 22 エラーメッセージ モデルの精度 ・・・ 00.00% ※ 曜日による影響を検証するための要素 (Sun/Mon/Tue/Wed/Thr/Fri/Sat) が現時点ではエ ラーと判定されているためにモデルの精度は0.00%として表れている
- 23. 分析の流れ 23 1.データを 用意する 2.データを 読み解く 3.結果を 比べる p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す p 保存したモデル を比べる
- 27. 2. データを読み解く p 「自動」の要素選択機能を使い、曜日による影響の大きさを検証 する 27 Sun/Mon/Tue/Wed/Thr/ Fri/Satの7つの要素全て でここにチェックを入れる
- 33. 2. データを読み解く p 結果を確認する 33 モデルの精度 ・・・ 40.58%
- 34. 2. データを読み解く p 結果を確認する 34 モデルの精度 ・・・ 40.58%
- 35. 2. データを読み解く p 結果を確認する 35 モデルの精度 ・・・ 40.58% 結果に影響する要素 ・・・ 2つ - 季節要因 (影響力 +44.127) - Fri (影響力 -182.005)
- 36. 2. データを読み解く p 結果を確認する 36 先ほどのエラーは 解消されている モデルの精度 ・・・ 40.58% 結果に影響する要素 ・・・ 2つ - 季節要因 (影響力 +44.127) - Fri (影響力 -182.005)
- 37. 2. データを読み解く p 結果を確認する 37 先ほどのエラーは 解消されている モデルの精度 ・・・ 40.58% 結果に影響する要素 ・・・ 2つ - 季節要因 (影響力 +44.127) - Fri (影響力 -182.005) ※ 「金曜日は申込者が182人減る」 という影響が出るという仮説が導かれる ※ 季節要因も影響があるので「6月9月は他の月より申込者が44人増える」という仮説も読み 取れる
- 43. 2. データを読み解く p 「時間差」の自動選択機能を使い、それぞれの要素が影響を及ぼ す時間差を検証する 43 ※ 今度は「時間差」の最適な組み合わせを選ぶ「自動選択機能」を使う ※ 「季節要因」と曜日の要素（「Sun」「Fri」）では時間差は考えないので、今回は自動選択機 能の対象からは外してある 4つにチェックを入れる 「サイト来訪者数」 「TVCM放映量」 「Web広告露出量」 「自社Webリニューアル」 チェックを入れた後に 「自動」をクリックする
- 47. 2. データを読み解く p 結果を確認する 47 モデルの精度 ・・・ 93.81%
- 48. 2. データを読み解く p 結果を確認する 48 モデルの精度 ・・・ 93.81%
- 49. 2. データを読み解く p 結果を確認する 49 結果に影響する要素 ・・・ 5つ モデルの精度 ・・・ 93.81% - サイト来訪者数(2) (影響力 +0.103) - Web広告露出量(3) (影響力 +0.052) - Web広告露出量(5) (影響力 -0.002) - 季節要因 (影響力 +44.058) - Fri (影響力 -192.775)
- 50. 2. データを読み解く p 結果を確認する 50 結果に影響する要素 ・・・ 5つ モデルの精度 ・・・ 93.81% - サイト来訪者数(2) (影響力 +0.103) - Web広告露出量(3) (影響力 +0.052) - Web広告露出量(5) (影響力 -0.002) - 季節要因 (影響力 +44.058) - Fri (影響力 -192.775) ※ 「サイト来訪者数(2)」は「2日後の申込者数に影響がある」ことを表わす ※ モデルの精度は [93.81%] まで向上しており、説明力の高いモデルになっている
- 61. 2. データを読み解く p 先ほどのモデルにさらに手を加えて分析を行う 61 「時間差」を0〜9から選び、 以下を満たす要素がないか 確認する ※ 「時間差」の0 〜 9の中で、結果的には「TVCM放映量(1)」のみがモデルの精度が僅かに良 くなるが、相関している確率は95%には満たない ①相関している確率が 95%を越える ②モデルの精度が 良くなる
- 62. 分析の流れ 62 2.データを 読み解く 3.結果を 比べる p データを登録する p データの概略を 把握する p 分析機能を使っ てモデルの精度 を上げる p 違ったアプローチ の分析を試す p 保存したモデル を比べる 1.データを 用意する
- 65. 分析結果から得られる最終的な仮説 65 曜日による影響として、金曜日は申込者が192人減る傾向があり、逆に 日曜日は5人程度増える可能性があることも見て取れる 当初想定していた季節要因に関しては、6月9月は他の月に比べて44人 増えることが分かる
- 66. 分析結果から得られる最終的な仮説 66 曜日による影響として、金曜日は申込者が192人減る傾向があり、逆に 日曜日は5人程度増える可能性があることも見て取れる 当初想定していた季節要因に関しては、6月9月は他の月に比べて44人 増えることが分かる サイトの来訪者は当日よりも2日後の申込数の増加に影響が見られる
- 67. 分析結果から得られる最終的な仮説 67 曜日による影響として、金曜日は申込者が192人減る傾向があり、逆に 日曜日は5人程度増える可能性があることも見て取れる 当初想定していた季節要因に関しては、6月9月は他の月に比べて44人 増えることが分かる サイトの来訪者は当日よりも2日後の申込数の増加に影響が見られる 施策の中ではWeb広告露出量が申込者の増加に時間差で影響を及 ぼすことがわかる。 また、TVCMや自社サイトのリニューアルは直接的な関係性は見られなかった