少数精鋭部隊が生み出す メルカリを加速させる超・実務データ分析

4a7a5e64141c46d7c99955d844c5d9f7?s=47 shoei
July 03, 2019
210

少数精鋭部隊が生み出す メルカリを加速させる超・実務データ分析

4a7a5e64141c46d7c99955d844c5d9f7?s=128

shoei

July 03, 2019
Tweet

Transcript

  1. 2.

    Copyright © Mercari, Inc. All Rights Reserved. Part 2 少数精鋭部隊が生み出すメルカリを加速させる超・実務データ分析

    プロダクトを改善するデータ分析の全体像 Part 3 プロダクトを改善したデータ分析の具体例 Part 1 メルカリのBIチームのデータ分析の考え方
  2. 5.

    数字で見るメルカリ① 日用品から車まで取り扱っています (様々なカテゴリの商品のデータがあります ) スポーツ・レジャー 
 6% 家電・スマホ・カメラ 
 
8%

    エンタメ
 21% 宝探し感覚での購入体験
 レディース
 24% メンズ
 17% コスメ美容
 6% ベビー・キッズ 
 4% その他
 14% 「メルカリ」には、アパレル商品だけでなくエンタメ 用品・家電・コスメ等、多彩な商品が出品されてい ます。個人の出品者によるユニークな商品が数多 く出品されているため、他のサービスでは見つから ない掘り出し物に出会うことができます。また、「メ ルカリ」に蓄積された豊富な取引データとAI技術を 組み合わせ、個人の趣味嗜好に合った商品をレコ メンドする等、商品を探しやすい環境整備にも取り 組んでいます。このような「宝探し感覚」での購入 体験を提供することで、「メルカリ」はEコマース(電 子商取引)でありながら、ソーシャルメディアと匹敵 するほど滞在時間が長いアプリとなっています。
 オールジャンルの多彩な 商品ラインナップ

  3. 6.

    数字で見るメルカリ② たくさんの時間を使って頂いております (商品取引だけでなくメッセージや良いね等のコミニケーションデータもあります ) ソーシャルメディアに匹敵する滞在時間 
 (時間/月)
 ZOZO TOWN ヤフオク!


    ラクマ
 楽天
 AMAZON メルカリ
 Facebook Instagram LINE Twitter hour 5.3 出典:ニールセンデジタル( 2018年1月)
 ※ニールセンデータはモバイルアプリのみに基づき、 PCブラウザを含まない。 2018年1月の月間ユニークユーザあたり月間平均利用時間。 2018年2月にフリルはラクマに統合 

  4. 7.

    数字で見るメルカリ③ 急成長しています (Dailyで使われるアプリならではの大規模なデータがあります ) 出典:会社資料。JP版メルカリ事業の通期決算概況(FY2018.06)より 1. キャンセル等を考慮後の取引高の合計 2. .Monthly Active

    Userの略であり、1ヶ月に一度以上利用した登録ユーザーの数(「メルカリ アッテ」「メルカリ カウル」「メルカリ メゾンズ」「メルチャリ」「teacha」は含まず) GMV(1) 3,468億円 FY 2016.6 FY 2017.6 FY 2018.6 MAU(2) 1,075万人 1326 2320 3468 525 845 1075 FY 2016.6 FY 2017.6 FY 2018.6 FY 2018.6 売上高 334億円 122 212 334 FY 2016.6 単位:億円 単位:億円 単位:万人 FY 2017.6
  5. 8.

    Copyright © Mercari, Inc. All Rights Reserved. Part 1 メルカリのBIチームのデータ分析の考え方

    少数精鋭部隊が生み出すメルカリを加速させる超・実務データ分析 ▶ Part 2 プロダクトを改善するデータ分析の全体像 ▶ Part 3 プロダクトを改善したデータ分析の具体例 ▶ Part 1 メルカリのBIチームのデータ分析の考え方
  6. 9.

    Data Analysit | Mgr @ mercari - Cross UX Team

    - NPS / RR - Registration Rate iOS Engineer @ eversense - Apps for Woman - Family-friendly Apps Data Engineer @ GENIEE - Datawarehouse for Ads (RTB) - ETL(Large Scale/Distributed) - Analytics Platform - Medium-term management plan Ishida Shoei (twitter : @_ _shoei_ _) 自己紹介 エンジニアリングから企画、分析まで
  7. 13.

    Copyright © Mercari, Inc. All Rights Reserved. Part 0 メルカリのBIチームのデータ分析の考え方

    少数精鋭部隊が生み出すメルカリを加速させる超・実務データ分析 ところで、メルカリのBIチームとは
  8. 14.

    Business Intelligence Team 意思決定を最大化させることをミッションにしたチーム Engineer Backend / iOS / Android

    / QA 売上あげるぞ Designer Product Manager 使い易いアプリ にするぞ Analyst Xさん Aさん Hさん Oさん Yさん Bさん Iさん Pさん Zさん Cさん Jさん Qさん Retention 上げていくぞ プロジェクト軸 職能軸 Here!
  9. 15.

    メルカリBIチームのデータに対する考え方 メルカリでは色んな意思決定を + Data で考えています 成長戦略 重点項目決定 機能開発 クーポン配信 目的先行型

    + Data な考え方
 データ先行型な考え方 + Data + Data + Data + Data 「このデータ、何かに活用できないだろうか」 データ処理を頑張る 出口を探して活用
  10. 16.

    Copyright © Mercari, Inc. All Rights Reserved. Part 0 メルカリのBIチームのデータ分析の考え方

    少数精鋭部隊が生み出すメルカリを加速させる超・実務データ分析 意思決定におけるデータの意義
  11. 19.

    メルカリのデータアナリストの環境 ・出品や購入等のトランザクションデータ
 ・起動・タップ・画面表示等のClientイベントデータ
 ・分析用中間テーブル
 ・etc
 
 
 ありとあらゆるデータをbigqueryに集約
 bigquery
 分析者

    Analyst Query Data ・SpreadSheet
 ・Python
 ・Colaboratory
 ・R
 ・etc
 
 データの加工ツールは個人によって様々
 ドキュメンテーション ・Google Slide
 ・Wiki
 ・Docs
 ・Slack
 ・etc
 
 重要度に応じて必要十分な
 ドキュメンテーションを行う
 インサイト抽出 データソース インサイト抽出し放題のbigqueryは宝の山
  12. 21.

    Copyright © Mercari, Inc. All Rights Reserved. Part 2 プロダクトを改善するデータ分析の全体像

    少数精鋭部隊が生み出すメルカリを加速させる超・実務データ分析 ▶ Part 2 プロダクトを改善するデータ分析の全体像 ▶ Part 3 プロダクトを改善したデータ分析の具体例 ▶ Part 1 メルカリのBIチームのデータ分析の考え方
  13. 22.

    何かを達成するときのステップ ①「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ③ 「なぜ or どのような構造で

    問題が起こってるのか」 問題仮説の構築 ⇢ 検証 ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め 理想を描いて 客観的に現状を把握して 理想と現状のGAPが 起こる真因・背景を理解し 解決方法を決めて実施し 解決度合いを客観的に確認 皆さんも無意識のうちにこんなプロセスであらゆることを考えてるんじゃないでしょうか?
  14. 23.

    サービス単位・チーム単位・施策単位 サービス改善の中で満たすべき2つの要求 ①「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ③ 「なぜ or

    どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め 理想を描いて 客観的に現状を把握して 理想と現状のGAPが 起こる真因・背景を理解し 解決方法を決めて実施し 解決度合いを客観的に確認 ビジネス観点の理想 : 目標・計画を達成する 理想の二面性
 1
 お客様観点での理想 : 理想の生活を実現する 2
 営利団体の事業者には 両方を同時に解くことが求められる 2つの要求を同時に満たすことが事業者として求められる(やりがいのある部分) 粒度間の統一性
 粒度ごとにそれぞれのステップが存在。 整合性を合わせて、理想を実現することが求められる 粒度

  15. 24.

    サービス単位・チーム単位・施策単位 サービス改善の中で満たすべき2つの要求 ①「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ③ 「なぜ or

    どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め 理想を描いて 客観的に現状を把握して 理想と現状のGAPが 起こる真因・背景を理解し 解決方法を決めて実施し 解決度合いを客観的に確認 ビジネス観点の理想 : 目標・計画を達成する 理想の二面性
 1
 お客様観点での理想 : 理想の生活を実現する 2
 営利団体の事業者には 両方を同時に解くことが求められる 2つの要求を同時に満たすことが事業者として求められる(やりがいのある部分) 粒度間の統一性
 粒度ごとにそれぞれのステップが存在。 整合性を合わせて、理想を実現することが求められる 粒度
 メルカリのデータアナリストは この2つの要求を満たしながら 全てのステップで活動しています
  16. 25.

    施策単位 [施策決め] ▶ ABテストの設計と検証 
 ▶ 施策指標のアップ/ダウン影響調査 
 ▶ 施策の改善提案


    Data Analyst’s Work Overview サービス単位 [方針決め] チーム単位 [方針決め] ▶ 目標KR(KPI)の設定 
 ▶ 提供したい体験・価値の明確化 
 ▶ 施策用ダッシュボード・可視化 
 (時系列/ファネル/コホート等) 
 ▶ ユーザテスト/インタビュー/アンケート等の定性情報から仮説出し 
 ▶ ダッシュボード・過去の定量情報から仮説出し 
 ▶ ⇢ 仮説の定量検証 
 ▶ チームKR(KPI)の提案 
 ▶ KR達成の戦略提案 
 ▶ チームダッシュボード 
 ▶ 計画予実の管理
 ▶ KJ法などでインサイト抽出 ▶ ⇢ 仮説の定量検証 
 ▶ ⇢ 施策前のポテンシャルの試算 ① 「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ③ 「なぜ or どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め ▶ サービスKR達成へ登り方の確認 
 ▶ サービスダッシュボード 
 ▶ 計画予実のモニタリング 
 ▶ 季節性や外部要因の把握 
 ▶ KPIの予知しない動きの検知/調査 
 ▶ UT/VOCから仮説構築⇢定量検証 
 ▶ マーケットシェアの調査 
 ▶ 戦略変更案の案だし ▶ 仮説検証のための定量分析 ▶ KRのモニタリング ▶ KRラップアップ ▶ 方針変更提案 ▶ 仮説分解とMVPでの検証方法設計 
 ▶ ⇢ 施策が刺さるかの前分析 
 ▶ ⇢ 施策のポテンシャル試算 
 ▶ ブレスト・頭で考える ▶ 仮説出しのための可視化 
 ※実績と取り組み中のものを含む
  17. 26.

    施策単位 [施策決め] ▶ ABテストの設計と検証 
 ▶ 施策指標のアップ/ダウン影響調査 
 ▶ 施策の改善提案


    Data Analyst’s Work Overview サービス単位 [方針決め] チーム単位 [方針決め] ▶ 目標KR(KPI)の設定 
 ▶ 提供したい体験・価値の明確化 
 ▶ 施策用ダッシュボード・可視化 
 (時系列/ファネル/コホート等) 
 ▶ ユーザテスト/インタビュー/アンケート等の定性情報から仮説出し 
 ▶ ダッシュボード・過去の定量情報から仮説出し 
 ▶ ⇢ 仮説の定量検証 
 ▶ チームKR(KPI)の提案 
 ▶ KR達成の戦略提案 
 ▶ チームダッシュボード 
 ▶ 計画予実の管理
 ▶ KJ法などでインサイト抽出 ▶ ⇢ 仮説の定量検証 
 ▶ ⇢ 施策前のポテンシャルの試算 ① 「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ③ 「なぜ or どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め ▶ サービスKR達成へ登り方の確認 
 ▶ サービスダッシュボード 
 ▶ 計画予実のモニタリング 
 ▶ 季節性や外部要因の把握 
 ▶ KPIの予知しない動きの検知/調査 
 ▶ UT/VOCから仮説構築⇢定量検証 
 ▶ マーケットシェアの調査 
 ▶ 戦略変更案の案だし (チーム経由) ▶ 仮説出しのための定量分析 
 ▶ KRのモニタリング ▶ KRラップアップ ▶ 方針変更提案 ▶ 仮説分解とMVPでの検証方法設計 
 ▶ ⇢ 施策が刺さるかの前分析 
 ▶ ⇢ 施策のポテンシャル試算 
 ▶ ブレスト・頭で考える ▶ 仮説出しのための可視化 
 ※実績と取り組み中のものを含む サービスの成長を推進する組織として 必要な全stepにおいて活動
  18. 27.

    施策単位 [機能・施策ぎめ] ▶ ABテストの設計と検証 
 ▶ 施策指標のアップ/ダウン影響調査 
 ▶ 施策の改善提案


    Data Analyst’s Work Overview サービス単位 [方針ぎめ] チーム単位 [方針ぎめ] ▶ 目標KR(KPI)の設定 
 ▶ 提供したい体験・価値の明確化 
 ▶ 施策用ダッシュボード・可視化 
 (時系列/ファネル/コホート等) 
 ▶ ユーザテスト/インタビュー/アンケート等の定性情報から仮説出し 
 ▶ ダッシュボード・過去の定量情報から仮説出し 
 ▶ ⇢ 仮説の定量検証 
 ▶ チームKR(KPI)の提案 
 ▶ KR達成の戦略提案 
 ▶ チームダッシュボード 
 ▶ 計画予実の管理
 ▶ KJ法などでインサイト抽出 ▶ ⇢ 仮説の定量検証 
 ▶ ⇢ 施策前のポテンシャルの試算 ① 「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ③ 「なぜ or どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め ▶ サービスKR達成へ登り方の確認 
 ▶ サービスダッシュボード 
 ▶ 計画予実のモニタリング 
 ▶ 季節性や外部要因の把握 
 ▶ KPIの予知しない動きの検知/調査 
 ▶ UT/VOCから仮説構築⇢定量検証 
 ▶ マーケットシェアの調査 
 ▶ 戦略変更案の案だし (チーム経由) ▶ 仮説出しのための定量分析 
 ▶ KRのモニタリング ▶ KRラップアップ ▶ 方針変更提案 ▶ 仮説分解とMVPでの検証方法設計 
 ▶ ⇢ 施策が刺さるかの前分析 
 ▶ ⇢ 施策のポテンシャル試算 
 ▶ ブレスト・頭で考える ▶ 仮説出しのための可視化 
 ※実績と取り組み中のものを含む この中から、
 今日は実務的なサービス改善の事例を、
 データが活躍する部分を中心にお話します
  19. 28.

    ▶ ABテストの設計と検証 
 ▶ 施策指標のアップ/ダウン影響調査 
 ▶ 施策の改善提案
 プロダクト改善に近い部分を中心にデータの活用方法を紹介します サービス単位

    [方針決め] ▶ 目標KR(KPI)の設定 
 ▶ 提供したい体験・価値の明確化 
 ▶ 施策用ダッシュボード・可視化 
 (時系列/ファネル/コホート等) 
 ▶ ユーザテスト/インタビュー/アンケート等の定性情報から仮説出し 
 ▶ ダッシュボード・過去の定量情報から仮説出し 
 ▶ ⇢ 仮説の定量検証 
 ▶ チームKR(KPI)の提案 
 ▶ KR達成の戦略提案 
 ▶ チームダッシュボード 
 ▶ 計画予実の管理
 ▶ KJ法などでインサイト抽出 ▶ ⇢ 仮説の定量検証 
 ▶ ⇢ 施策前のポテンシャルの試算 ① 「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ③ 「なぜ or どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め ▶ サービスKR達成へ登り方の確認 
 ▶ サービスダッシュボード 
 ▶ 計画予実のモニタリング 
 ▶ 季節性や外部要因の把握 
 ▶ KPIの予知しない動きの検知/調査 
 ▶ UT/VOCから仮説構築⇢定量検証 
 ▶ マーケットシェアの調査 
 ▶ 戦略変更案の案だし (チーム経由) ▶ 仮説出しのための定量分析 
 ▶ KRのモニタリング ▶ KRラップアップ ▶ 方針変更提案 ▶ 仮説分解とMVPでの検証方法設計 
 ▶ ⇢ 施策が刺さるかの前分析 
 ▶ ⇢ 施策のポテンシャル試算 
 ▶ ブレスト・頭で考える ▶ 仮説出しのための可視化 
 施策単位 [施策決め] チーム単位 [方針決め] Ⅰ. 問題の構造を理解する Ⅲ. 解決する問題を見極める Ⅱ. チームレベルの解決策 = 戦略 を導く Ⅳ. 解決策の筋の良さを見積もる
  20. 29.

    Copyright © Mercari, Inc. All Rights Reserved. Part 3 プロダクト改善したデータ分析の具体例

    少数精鋭部隊が生み出すメルカリを加速させる超・実務データ分析 ▶ Part 2 プロダクトを改善するデータ分析の全体像 ▶ Part 3 プロダクトを改善したデータ分析の具体例 ▶ Part 1 メルカリのBIチームのデータ分析の考え方
  21. 32.

    施策単位 [施策ぎめ] ▶ ABテストの設計と検証 
 ▶ 施策指標のアップ/ダウン影響調査 
 ▶ 施策の改善提案


    Part 1 サービス単位 [方針ぎめ] ▶ 目標KR(KPI)の設定 
 ▶ 提供したい体験・価値の明確化 
 ▶ 施策用ダッシュボード・可視化 
 (時系列/ファネル/コホート等) 
 ▶ ユーザテスト/インタビュー/アンケート等の定性情報から仮説出し 
 ▶ ダッシュボード・過去の定量情報から仮説出し 
 ▶ ⇢ 仮説の定量検証 
 ▶ チームKR(KPI)の提案 
 ▶ KR達成の戦略提案 
 ▶ チームダッシュボード 
 ▶ 計画予実の管理
 ▶ KJ法などでインサイト抽出 ▶ ⇢ 仮説の定量検証 
 ▶ ⇢ 施策前のポテンシャルの試算 ① 「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め ▶ サービスKR達成へ登り方の確認 
 ▶ サービスダッシュボード 
 ▶ 計画予実のモニタリング 
 ▶ 季節性や外部要因の把握 
 ▶ KPIの予知しない動きの検知/調査 
 ▶ UT/VOCから仮説構築⇢定量検証 
 ▶ マーケットシェアの調査 
 ▶ 戦略変更案の案だし (チーム経由) ▶ 仮説出しのための定量分析 
 ▶ KRのモニタリング ▶ KRラップアップ ▶ 方針変更提案 ▶ 仮説分解とMVPでの検証方法設計 
 ▶ ⇢ 施策が刺さるかの前分析 
 ▶ ⇢ 施策のポテンシャル試算 
 ▶ ブレスト・頭で考える ▶ 仮説出しのための可視化 
 Ⅰ. 問題の構造を理解する ③ 「なぜ or どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 チーム単位 [方針ぎめ]
  22. 37.

    問題の構造化・選定フェーズでよく使う2つのアプローチ ? 改善したい変数 影響ある変数 ~ 1. 影響のある変数の発見 ~ 解ける問題に変換していく必要がある ※

    相関・因果のある変数の特定 ~ 2. 指標の分解・構造化 ~ 改善したい変数 改善したい変数 ※ KPI分解・セグメント分解等
  23. 39.

    Case : チームの指標を発見 その中でも購入 ~ 発送時間を解ける問題として選定 ★ Controlable インパクト/ 実現性共にある領域

    出品者様 購入者様 出品 購入 到着 発送 商品確認 最終評価 購入 ~ 発送時間 発送 ~ 商品確認時間 確認 ~ 評価時間 Uncontrolable 配送業者 / 不在等 コントロールできない要素が多い領域 Few Potential インパクトの無い領域 ~ 指標の分解・構造化 ~ 改善したい変数 改善したい変数
  24. 40.

    施策単位 [施策決め] ▶ ABテストの設計と検証 
 ▶ 施策指標のアップ/ダウン影響調査 
 ▶ 施策の改善提案


    Part 2 サービス単位 [方針ぎめ] ▶ 目標KR(KPI)の設定 
 ▶ 提供したい体験・価値の明確化 
 ▶ 施策用ダッシュボード・可視化 
 (時系列/ファネル/コホート等) 
 ▶ ユーザテスト/インタビュー/アンケート等の定性情報から仮説出し 
 ▶ ダッシュボード・過去の定量情報から仮説出し 
 ▶ ⇢ 仮説の定量検証 
 ▶ チームKR(KPI)の提案 
 ▶ KR達成の戦略提案 
 ▶ チームダッシュボード 
 ▶ 計画予実の管理
 ▶ KJ法などでインサイト抽出 ▶ ⇢ 仮説の定量検証 
 ▶ ⇢ 施策前のポテンシャルの試算 ① 「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ③ 「なぜ or どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め ▶ サービスKR達成へ登り方の確認 
 ▶ サービスダッシュボード 
 ▶ 計画予実のモニタリング 
 ▶ 季節性や外部要因の把握 
 ▶ KPIの予知しない動きの検知/調査 
 ▶ UT/VOCから仮説構築⇢定量検証 
 ▶ マーケットシェアの調査 
 ▶ 戦略変更案の案だし (チーム経由) ▶ 仮説出しのための定量分析 
 ▶ KRのモニタリング ▶ KRラップアップ ▶ 方針変更提案 ▶ 仮説分解とMVPでの検証方法設計 
 ▶ ⇢ 施策が刺さるかの前分析 
 ▶ ⇢ 施策のポテンシャル試算 
 ▶ ブレスト・頭で考える ▶ 仮説出しのための可視化 
 Ⅱ. 解決策の方向性 = “戦略”を導く ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 チーム単位 [方針決め]
  25. 45.

    何がどのくらい上がれば目標を達成できるのか? 解決策選定フェーズでよく使う2つのアプローチ ~ インパクトの見積もり ~ 改善したい変数 ~ 実現可能性の見積もり ~ 問題を十分に解決

    & 実現可能な戦略を持って、施策の効果を集中させる範囲を絞る Fact Fact Fact × × × 仮の数字 (意志) お客様のニーズを裏付ける行動データが存在するか ※ モデル化によるシミュレーション等 (仮の数値の部分を極小化し、なるべく Factで詰めていく ) ※ 需要を表す特定の行動をするお客様の割合・頻度の調査等
  26. 46.

    発送まで日数 商品割合 平均取引時間 1~2 日 x1% ⇢ x1’% y1 2~3

    日 x2% ⇢ x2’% y2 4~7 日 x3% ⇢ x3’% y3 何がどのくらい上がれば目標を達成できるのか? Question : この戦略のポテンシャルは十分か? ~ インパクトの見積もり ~ 改善したい変数 複数の候補から十分なインパクトを持つ戦略に絞っていく Fact Fact Fact × × × 仮の数字 (意志) <案> 1~2日発送商品を増やし取引時間を短縮する戦略はどうか?
 × × 「このくらいは改善するぞ!」(意志) データで取れる値はかき集める (実績) 取引時間削減 ポテンシャル 出品割合の 増減幅 xxx日発送 商品の割合 平均取引 時間 × × × × ※ モデル化によるシミュレーション等 (仮の数値の部分を極小化し、なるべく Factで詰めていく ) 1~2日発送の商品 
 2~3日発送の商品 
 4~7日発送の商品 
 取引時間: z ⇢ z’ 時間 継続率: A ⇢ A’% ※目標達成に十分な戦略かを確認する

  27. 47.

    Question : この戦略は受け入れられるのか? ~ 実現可能性の見積もり ~ 出品・購入、どちらのお客様体験も向上する(受け入れられる)戦略に絞っていく お客様のニーズを裏付ける行動データが存在するか 1~2日発送商品 は売れやすい

    (購入者側の需要を表す ) 実は多くの商品が 設定日数より早めに 出品している (出品者側のチャンスも存在 ) 発送日数別の売れやすさの指標 24時間以内 での発送 <案> 1~2日発送商品を増やし取引時間を短縮する戦略はどうか?

  28. 48.

    ▶ ABテストの設計と検証 
 ▶ 施策指標のアップ/ダウン影響調査 
 ▶ 施策の改善提案
 Part3 サービス単位

    [方針ぎめ] チーム単位 [方針決め] ▶ 目標KR(KPI)の設定 
 ▶ 提供したい体験・価値の明確化 
 ▶ 施策用ダッシュボード・可視化 
 (時系列/ファネル/コホート等) 
 ▶ ユーザテスト/インタビュー/アンケート等の定性情報から仮説出し 
 ▶ ダッシュボード・過去の定量情報から仮説出し 
 ▶ ⇢ 仮説の定量検証 
 ▶ チームKR(KPI)の提案 
 ▶ KR達成の戦略提案 
 ▶ チームダッシュボード 
 ▶ 計画予実の管理
 ▶ KJ法などでインサイト抽出 ▶ ⇢ 仮説の定量検証 
 ▶ ⇢ 施策前のポテンシャルの試算 ① 「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め ▶ サービスKR達成へ登り方の確認 
 ▶ サービスダッシュボード 
 ▶ 計画予実のモニタリング 
 ▶ 季節性や外部要因の把握 
 ▶ KPIの予知しない動きの検知/調査 
 ▶ UT/VOCから仮説構築⇢定量検証 
 ▶ マーケットシェアの調査 
 ▶ 戦略変更案の案だし (チーム経由) ▶ 仮説出しのための定量分析 
 ▶ KRのモニタリング ▶ KRラップアップ ▶ 方針変更提案 ▶ 仮説分解とMVPでの検証方法設計 
 ▶ ⇢ 施策が刺さるかの前分析 
 ▶ ⇢ 施策のポテンシャル試算 
 ▶ ブレスト・頭で考える ▶ 仮説出しのための可視化 
 Ⅲ. 解決する問題を見極める ③ 「なぜ or どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 施策単位 [機能決め]
  29. 57.

    ▶ ABテストの設計と検証 
 ▶ 施策指標のアップ/ダウン影響調査 
 ▶ 施策の改善提案
 Part4 サービス単位

    [方針決め] チーム単位 [方針決め] ▶ 目標KR(KPI)の設定 
 ▶ 提供したい体験・価値の明確化 
 ▶ 施策用ダッシュボード・可視化 
 (時系列/ファネル/コホート等) 
 ▶ ユーザテスト/インタビュー/アンケート等の定性情報から仮説出し 
 ▶ ダッシュボード・過去の定量情報から仮説出し 
 ▶ ⇢ 仮説の定量検証 
 ▶ チームKR(KPI)の提案 
 ▶ KR達成の戦略提案 
 ▶ チームダッシュボード 
 ▶ 計画予実の管理
 ▶ KJ法などでインサイト抽出 ▶ ⇢ 仮説の定量検証 
 ▶ ⇢ 施策前のポテンシャルの試算 ① 「何が理想なのか」 理想構築 ② 「現状どうなっているのか」 現状把握 ③ 「なぜ or どのような構造で 問題が起こってるのか」 問題仮説の構築 ⇢ 検証 ▶ サービスKR達成へ登り方の確認 
 ▶ サービスダッシュボード 
 ▶ 計画予実のモニタリング 
 ▶ 季節性や外部要因の把握 
 ▶ KPIの予知しない動きの検知/調査 
 ▶ UT/VOCから仮説構築⇢定量検証 
 ▶ マーケットシェアの調査 
 ▶ 戦略変更案の案だし (チーム経由) ▶ 仮説出しのための定量分析 
 ▶ KRのモニタリング ▶ KRラップアップ ▶ 方針変更提案 ▶ 仮説分解とMVPでの検証方法設計 
 ▶ ⇢ 施策が刺さるかの前分析 
 ▶ ⇢ 施策のポテンシャル試算 
 ▶ ブレスト・頭で考える ▶ 仮説出しのための可視化 
 Ⅳ. 解決策の筋の良さを見積もる ④ 「どうすれば解決するのか」 解決策仮説の構築 ⇢ 検証 ⑤ 「本当に解決したのか」 効果検証と解釈・ ネクストアクション決め 施策単位 [機能決め]
  30. 63.

    どのくらいの効果がありそうか? Question : その解決策はどのくらいのポテンシャルがあるのか? ~ インパクトの見積もり ~ 改善したい変数 なるべくFactで詰め、施策の効果の予測をある程度の精度で試算する ⇢

    施策の優先順位付け Fact Fact Fact × × × 仮の数字 (予想) +α 1~2日商品の増分 ここはかなり細かい行動ログの数値を見て見積もる ※ 対象となるお客様数・似た機能の使用者数・その回数・その頻度等 × × × 仮の数字 (予想) お知らせ対象 お客様数 お知らせの 開封率 出品割合を 変える割合 出品割合の UP幅 +α × × × +α × × × +α × × × +α × × × 施策をインパクト順に並べて、優先順位をつける
  31. 64.

    Question : 所望の結果が得られなかったら何を変えるか? ~最小検証・問題特定方法の設計 ~ 問題を十分に解決 & 実現可能な戦略を導き、施策の効果を集中させる範囲を絞る必要がある 所望の結果が得られない時に何を変えるか お知らせの

    送信数 ①お知らせの 開封率 ② 読了率 ③ 行動が変化 する割合 ①が悪い時 ⇢ お知らせのタイトルを変える ②が悪い時 ⇢ 記事の内容を変える ③が悪い時 ⇢ 動線を変える ⇢ 目が出ない時は適宜Pivotする 1.まずはお知らせで仮説があたっているか反応をみる
 2. 反応が良ければ機能化する。悪い場合はtry&error
 反応が良いコンテンツが FIXしてから機能化
  32. 66.
  33. 68.