Rettyにおける定量/定性データを活用した意思決定事例

by Masaya Hirano

Slide 1

Slide 1 text

Rettyにおける定量/定性データを活用した意思決定事例   Hirano Masaya  2020.03.25 

Slide 2

Slide 2 text

自己紹介 ● 名前：平野雅也（Hirano Masaya） ● 所属：Retty株式会社データ分析チームMGR ○ データまわり色々やってます ● 職種：エンジニア→データアナリスト ● 食種：ステーキ（補足：Rettyには食の担当制度があります） Retty データ分析チーム - 立ち上げ2年目の振り返り Rettyの意思決定を最大化！データ分析チームの取り組みをご紹介

Slide 3

Slide 3 text

日本最大級の実名グルメサービス「Retty」          実名制  オススメの口コミ  友人との「つながり」   口コミ内容はポジティブな“おすすめ”できるお店を投稿。  点数評価ではありません。  Rettyのサービス内で“友人”や“食の嗜好が合う同士”がフォロー機能でつながっているSNS型です。  実名制口コミの信頼度が非常に高いグルメサービスです。  2011年6月にサービスを開始した実名グルメサービス「 Retty」は、グルメに強いこだわりを持つ方々を中心に、「オススメ」したいお店の情報を実名ベースでご投稿いただく形で運営しています。「自分にベストなお店が見つかる」グルメサービスとして、 20～40代の男女を中心に、幅広い年代にご利用いただいています。

Slide 4

Slide 4 text

スマホ時代の実名グルメサービス「Retty」月間利用者数4,000万人突破（2018年11月時点）

Slide 5

Slide 5 text

プロダクトを支える分析チーム - チーム編  詳細は以下の記事: Rettyの意思決定を最大化！データ分析チームの取り組みをご紹介   https://engineer.retty.me/entry/2018/12/18/115020

Slide 6

Slide 6 text

定量/定性データを組み合わせた分析のやり方と所感本日お伝えしたいこと 

Slide 7

Slide 7 text

やり方    定量/定性データの活用事例  

Slide 8

Slide 8 text

とある指標のグロースミッションにおける意思決定事例です

Slide 9

Slide 9 text

定量調査の中で、ある機能の継続ユーザーが増えない課題を発見背景①  目標指標の最大化 1→2 継続を増やす 0→1 新規を増やす 2→2 脱落を減らすここに課題がありそう

Slide 10

Slide 10 text

背景②  解像度が低いそもそも、ある機能のヘビーユーザーの継続理由の解像度が低い →ターゲットと提供価値の方向性が定まっていない

Slide 11

Slide 11 text

ヘビーユーザーの継続理由を明らかにするターゲットユーザーと提供価値の方向性を決める定量であたりをつける。定性で深堀る。今回取り上げる事例 - リサーチ目的と決めたいこと  決めたいことリサーチの目的ざっくりやり方

Slide 12

Slide 12 text

なぜ定量分析だけに留めないのか？定性分析も必要なのか？

Slide 13

Slide 13 text

行動の裏にあるインサイトを把握する必要があるインサイトを得るには生の声や表情、状況、その人の歴史的背景を知る必要があるサービス内データ（行動ログ、コンテンツ）やアンケートデータだけだと足らない

Slide 14

Slide 14 text

やり方は大事専門家の協力を求める

Slide 15

Slide 15 text

みほぞのさんがUXリサーチの指導者として参画！ご協力内容の例 ● インタビュー講座 ● リサーチ設計の相談 ● レビュー/フィードバック ● 運用まわり相談組織に専門家が不在のとき、外部の専門家に協力を得るのはおすすめ実際にTwitterで声をかけたときのやつ

Slide 16

Slide 16 text

ここからはプロセスの紹介

Slide 17

Slide 17 text

2. 仮説をアンケートリサーチで検証全体プロセス  定量調査仮説検証によるユーザー層の現状把握 1. 価値仮説の構築 3. インタビューで定性データの収集 4. 定性データを分析定量調査仮説検証によるセグメントの現状把握意思決定ターゲット選定と提供価値の方向性決め定性調査仮説外のセグメントの発見フェーズごとの求める価値の変遷把握

Slide 18

Slide 18 text

定性調査仮説外のセグメントの発見フェーズごとの求める価値の変遷把握 2. 仮説をアンケートリサーチで検証全体プロセス  定量調査仮説検証によるユーザー層の現状把握 1. 価値仮説の構築 3. インタビューで定性データの収集 4. 定性データを分析定量調査仮説検証によるセグメントの現状把握意思決定ターゲット選定と提供価値の方向性決め

Slide 19

Slide 19 text

手順1：PJメンバーでヘビーユーザーが求めるニーズのブレスト例：行きたいお店を保存したい 1. 定量調査：価値仮説の構築  〜したい〜したい〜したい〜したい〜したい〜したい〜したい〜したい〜したい〜したい〜したい〜したい〜やりたい〜やりたい〜やりたい〜やりたい〜やりたい〜やりたい〜やりたい〜ほしい〜ほしい〜ほしい〜ほしい〜ほしい〜ほしい定量調査

Slide 20

Slide 20 text

1. 定量調査：価値仮説の構築  ブレストで出たニーズ価値仮説-具体価値仮説-抽象価値カテゴリ aをしたい bをしたい cをしたい dをしたい ….. lをしたい mをしたい nをしたい手順2：ブレストで出したニーズを一覧化定量調査

Slide 21

Slide 21 text

ブレストで出たニーズ価値仮説-具体価値仮説-抽象価値カテゴリ aをしたい aをできる価値 bをしたい bをできる価値 cをしたい cをできる価値 dをしたい dをできる価値 ….. ….. lをしたい lをできる価値 mをしたい mをできる価値 nをしたい nをできる価値手順3：列「価値仮説-具体」を作る・「〜できる価値」に語尾を統一する　└例：行ったお店を保存できる価値・この列がアンケート質問項目となるため機能的価値に揃えておく　└情緒的価値だと答えにくい質問項目が存在するため 1. 定量調査：価値仮説の構築  定量調査

Slide 22

Slide 22 text

ブレストで出たニーズ価値仮説-具体価値仮説-抽象価値カテゴリ aをしたい aをできる価値 Aをできる価値 bをしたい bをできる価値 Aをできる価値 cをしたい cをできる価値 Aをできる価値 dをしたい dをできる価値 Bをできる価値 ….. ….. ….. lをしたい lをできる価値 Bをできる価値 mをしたい mをできる価値 Bをできる価値 nをしたい nをできる価値 Cをできる価値手順4：列「価値仮説-抽象」を作る・具体から抽象化　└例：行ったお店から探せる価値 point ・縦を見ながら粒度が揃うようにする備考・機能的価値だけではなく、情緒的価値（インサイトに近いもの）も入ってくる（例：達成感を得られる価値） 1. 定量調査：価値仮説の構築  定量調査

Slide 23

Slide 23 text

ブレストで出たニーズ価値仮説-具体価値仮説-抽象価値カテゴリ aをしたい aをできる価値 Aをできる価値カテゴリ名 bをしたい bをできる価値 Aをできる価値カテゴリ名 cをしたい cをできる価値 Aをできる価値カテゴリ名 dをしたい dをできる価値 Bをできる価値カテゴリ名 ….. ….. ….. ….. lをしたい lをできる価値 Bをできる価値カテゴリ名 mをしたい mをできる価値 Bをできる価値カテゴリ名 nをしたい nをできる価値 Cをできる価値カテゴリ名手順5：列「価値カテゴリ」を作る・抽象から価値カテゴリに変換　└ユーザーセグメントの単位になる 1. 定量調査：価値仮説の構築    定量調査

Slide 24

Slide 24 text

ブレストで出たニーズ価値仮説-具体価値仮説-抽象価値カテゴリ aをしたい aをできる価値 Aをできる価値カテゴリ名 bをしたい bをできる価値 Aをできる価値カテゴリ名 cをしたい cをできる価値 Aをできる価値カテゴリ名 dをしたい dをできる価値 Bをできる価値カテゴリ名 ….. ….. ….. ….. lをしたい lをできる価値 Bをできる価値カテゴリ名 mをしたい mをできる価値 Bをできる価値カテゴリ名 nをしたい nをできる価値 Cをできる価値カテゴリ名価値仮説表の完成 1. 定量調査：価値仮説の構築    定量調査

Slide 25

Slide 25 text

Slide 26

Slide 26 text

価値仮説表の「価値仮説-具体」からアンケートを作り配信する　└具体にする理由は抽象だとアンケートでユーザーさんが答えられないため　└またユーザーさんがアンケートで正直に答えやすいように機能価値で揃っているため価値仮説-具体アンケートの質問項目 aをできる価値〇〇ができるから bをできる価値〇〇ができるから cをできる価値〇〇ができるから dをできる価値〇〇ができるから ….. 〇〇ができるから lをできる価値〇〇ができるから mをできる価値〇〇ができるから nをできる価値〇〇ができるから 2. 定量調査：仮説をアンケートリサーチで検証  定量調査

Slide 27

Slide 27 text

価値カテゴリ軸でボリュームを可視化どのようなニーズを持つセグメントが存在するかを現状把握 2. 定量調査：仮説をアンケートリサーチで検証    定量調査

Slide 28

Slide 28 text

戦略を決める上ではもっと確信度を高めたい定量調査を終えて  この時点での問題点 ● セグメントの軸はあくまでブレストから出てきた仮説　　→このセグメントの確からしさがわからない ● アンケートで過去のきっかけやその時のニーズを把握するのが難しい → フェーズごとの求める価値の変遷やそのきっかけがわからない → ヘビーまで成長した理由がわからない

Slide 29

Slide 29 text

Slide 30

Slide 30 text

アンケートでセグメント化された層を網羅的にインタビュー未知なる仮説ここで取得したい定性データ・新たなセグメントとなる軸・フェーズごとの求める価値の変遷仮説② 仮説① 時間軸フェーズごとに価値に変化があったか？指標ｘの数 3. 定性調査：インタビューで定性データの収集  定性調査

Slide 31

Slide 31 text

インタビュー設計：インタビューで明らかにしたいことを知る質問項目を設計質問項目をざっくり設計 ● 生活状況 ● 外食傾向 ● サービス利用状況 ● 他社サービス利用状況 ● 継続利用に至るまでの経緯 3. 定性調査：インタビューで定性データの収集  定性調査対象ユーザー 20名形式来社or電話期間１ヶ月

Slide 32

Slide 32 text

Tips：ユーザーさんごとに事前に定量データ確認。深堀りポイントを見つけるダッシュボード化しておくと楽 3. 定性調査：インタビューで定性データの収集  定性調査

Slide 33

Slide 33 text

Slide 34

Slide 34 text

フェーズごとに求める価値を抽出して価値カテゴリでラベル付け  4. 定性調査：定性データを分析    定性調査〜〜〜の理由から〜〜〜をしたいと思った具体的エピソード価値カテゴリA 〜〜〜だから〜〜〜がほしい価値カテゴリB 〜〜〜したいので〜〜〜をした価値カテゴリC

Slide 35

Slide 35 text

フェーズごとに求める価値を抽出して価値カテゴリでラベル付け  └ここで仮説で出てこなかった新たな価値カテゴリが存在するかの分析も行う→価値カテゴリのUPDATE→その上でラベル付け    4. 定性調査：定性データを分析    定性調査〜〜〜の理由から〜〜〜をしたいと思った具体的エピソード価値カテゴリA 価値カテゴリB 価値カテゴリC 〜〜〜だから〜〜〜がほしい〜〜〜したいので〜〜〜をした

Slide 36

Slide 36 text

類似しているユーザーでグルーピング      インタビュー者名セグメントグループライトのときミドルのときヘビー（現在）〇〇さんセグメントA 価値カテゴリA 価値カテゴリA 価値カテゴリB 〇〇さんセグメントA 価値カテゴリA 価値カテゴリA 価値カテゴリB 〇〇さんセグメントA 価値カテゴリA 価値カテゴリA 価値カテゴリB 〇〇さんセグメントB 価値カテゴリA 価値カテゴリC 価値カテゴリC ….. ….. 〇〇さんセグメントB 価値カテゴリA 価値カテゴリC 価値カテゴリC 〇〇さんセグメントC 価値カテゴリB 価値カテゴリB 価値カテゴリB 〇〇さんセグメントC 価値カテゴリB 価値カテゴリB 価値カテゴリB 傾向が似ている 4. 定性調査：定性データを分析    定性調査

Slide 37

Slide 37 text

Slide 38

Slide 38 text

ターゲット選定＆提供価値の方向性を決める  　└ボリュームの大きさ、施策によるグロース可能性の観点でターゲットを決める。  　└「求める価値」で構築したセグメントが決まれば、提供価値の方向性も決まる。  意思決定  定性調査 A B ボリュームがある C ライト層のボリューム分布 A B C ヘビー層のボリューム分布グロースできそう

Slide 39

Slide 39 text

おまけ 

Slide 40

Slide 40 text

おまけ）KA法×KJ法で施策に紐付けやすく      価値の依存関係が見えやすく、施策に紐付けやすい状態に　└価値カテゴリは抽象度が高く具体的な施策に結びつけにくい食の好みが合う人が見つかる価値信頼できる人からお店を探せる価値 XXXの価値 XXXの価値 ▼KA法で価値抽出、KJ法で整理したざっくりイメージ分析風景信頼できる人が見つかる価値 XXXの価値 XXXの価値（施策で作る）価値 BESTなお店が見つかる価値

Slide 41

Slide 41 text

所感と学び 

Slide 42

Slide 42 text

・定性データを使うことで思いもつかない仮説が見つかった　→定量だと相関はわかりますが、そもそもの変数の洗い出しは行ってはくれない。　　今回定性を活用することで、変数出しに寄与することの実感を得られたのは非常に良かった。・アクションの裏側にある価値感やインサイトの理解ができた　→サービス内データやアンケートでは、アクションの裏側にある考え・気持ち・文脈の把握は難しい。　　インタビューによってそれらが明らかになり、アクションの裏にあるインサイトが見えてくる。・インサイトを知ることで本質的な打ち手に繋がる　→インタビューから機能 Aの利用インサイトがわかれば、機能 Aの利用促進以外の打ち手に気づく。　　例えば、利用インサイトが「達成感を得たい」の場合、機能 A以外でインサイトを満たせばいい。所感や学び 

Slide 43

Slide 43 text

Fin. ご清聴ありがとうございました