1. データ分析、その前に
やっておくべきこと

2. 本日のアジェンダ
- サービス改善とデータ分析
- 分析における仮説立案の大切さ
- まずサービスの基礎を知る
- AARRRモデルでチェック
- 目標とKPIの仮説を設定する

3. サービス改善とデータ分析

4. 日頃のデータ分析に何を望みますか？

5. データを見れば施策をつくることができる

6. データを見れば施策をつくることができる
かんちがい

7. ではなぜデータ分析なんてやるのか

8. ”Fail fast, fail often”
すばやく、たくさん失敗しなさい

9. 最初からカンペキなんてありえない
”Fail fast, fail often”
すばやく、たくさん失敗しなさい

10. 最初からカンペキなんてありえない
”Fail fast, fail often”
すばやく、たくさん失敗しなさい
課題をすばやく発見しよう！

11. 製品の改善サイクル
BUILD
idea product
LEARN MEASURE
data
cf. THE LEAN STARTUP by Eric Ries

12. 製品の改善サイクル
常に何か間違っている
BUILD
idea product
LEARN MEASURE
data
cf. THE LEAN STARTUP by Eric Ries

13. 製品の改善サイクル
常に何か間違っている
BUILD
idea product
素早く間違いを発見して
次のサイクルに活かすべき
LEARN MEASURE
data
cf. THE LEAN STARTUP by Eric Ries

14. 製品の改善サイクル
常に何か間違っている
BUILD
idea product
素早く間違いを発見して
次のサイクルに活かすべき
LEARN MEASURE
data
”Done is better than perfect”
cf. THE LEAN STARTUP by Eric Ries

15. ”Done is better than perfect”
ぼくのかんがえた
さいきょうのせいひん

16. ”Done is better than perfect”
つかえないなあ
ぼくのかんがえた
このへんがイイね！ さいきょうのせいひん
ここなおしてよ

17. ”Done is better than perfect”
データ
つかえないなあ
ぼくのかんがえた
このへんがイイね！ さいきょうのせいひん
ここなおしてよ

18. ”Done is better than perfect”
データ
つかえないなあ
ぼくのかんがえた
このへんがイイね！ さいきょうのせいひん
ここなおしてよ
改善

19. データは課題発見と次へのヒントに使う

20. データは課題発見と次へのヒントに使う
せいかい

21. データ分析の扱う範囲
BUILD
idea product
LEARN MEASURE
data
cf. THE LEAN STARTUP by Eric Ries

22. データ分析の扱う範囲
BUILD
idea product
LEARN MEASURE
data
cf. THE LEAN STARTUP by Eric Ries

23. 分析における仮説立案の大切さ

24. ３０日継続率６０％

25. ３０日継続率６０％
これが意味することは？

26. チュートリアルの達成率３０％

27. チュートリアルの達成率３０％
これが意味することは？

28. 考えるべきデータはいくらでもある
セッション時間 ユーザ招待数
チュートリアル達成率
登録者数 ３０日継続率
翌日継続率 ＤＡＵ
課金ユーザ比率

29. 考えるべきデータはいくらでもある
セッション時間 ユーザ招待数
チュートリアル達成率
登録者数 ３０日継続率
翌日継続率 ＤＡＵ
課金ユーザ比率
でも、ヒマはそんなにない

30. データは課題発見と次へのヒントに使う

31. 効率的に行うには、
どんな課題があるか予め想定しておく
データは課題発見と次へのヒントに使う

32. データに関するスタンス
データ

33. データに関するスタンス
データ

34. データに関するスタンス
データ 改善案

35. データに関するスタンス
データ 改善案
データから案を出そう！

36. データに関するスタンス
データ 改善案
データから案を出そう！

37. データに関するスタンス
検証する
仮説

38. データに関するスタンス
検証する
仮説

39. データに関するスタンス
検証する
データ
仮説

40. データに関するスタンス
検証する
データ
仮説
この仮説をデータで検証しよう！

41. データに関するスタンス
検証する
データ
仮説
この仮説をデータで検証しよう！

42. データを見て一日を過ごさないためにも
仮説はしっかり準備

43. 取得するデータについて
- 想定している値はありますか？
- その想定になっているのは何故ですか？
- その想定より高い場合はどうしますか？
- その想定より低い場合はどうしますか？
これくらいは準備しておきたいところ

44. ３０日継続率６０％

45. ３０日継続率６０％
仮説によってデータの見方が全く変わる

46. まずサービスの基礎を知る

47. 自分のサービスに関する仮説が全ての仮説の基本

48. 機能の利用方法に関する仮説
自分のサービスに関する仮説が全ての仮説の基本
使用上の課題に関する仮説

49. エレベーター・ピッチ
エレベーターに乗っている間に
サービスの説明をしてみましょう

50. Agile Inception Deck
［名前］というこのサービスは
［サービスカテゴリ］に属するサービスです
［解決する課題］という問題や欲求を抱える
［ターゲットユーザ層］の人達に
［サービスが提供する内容］を提供します
［サービスの特徴］という点が特に魅力です
参考： Agile Inception Deck
http://agilewarrior.wordpress.com/2010/11/06/the-agile-inception-deck/

51. The Lean Canvas
4 ５
１ 提供物 ３ 流通方法 ２
解決する 提供する 顧客となる
課題 ６ 価値 7 人達
重要な指標 自分の利点
8 ９
発生するコスト 発生する収益
参考： Lean Canvas
http://leancanvas.com/

52. このサービスは何をしたいサービスか？
常にそれを意識しておきましょう

53. AARRRモデルでチェック

54. 自分のサービスをより深く理解するために
AARRRモデルを使ってみましょう

55. AARRRモデルとは
サービスを５つのフェーズに分解
網羅的に見る時に便利
Dave McClureが何年も前から提唱
今やシリコンバレーの常識

56. AARRRはフェーズの頭文字
Acquisition
獲得
Activation Referral
紹介
活性化
Retention
継続 Revenue
収益

57. Acquisition 獲得
ユーザがサービスに登録／訪問する

58. Activation 定着化
ユーザが最初にサービスの価値を感じる

59. Retention 継続
ユーザがサービスを何度も利用する

60. Referral 紹介
ユーザが他のユーザを紹介する

61. Revenue 収益
ユーザがサービスに収益を発生させる

62. AARRR
Acquisition
獲得
Activation Referral
紹介
活性化
Retention
継続 Revenue
収益

63. あとはこの各ステップについて
仮説を検証し改善していくだけ

64. 目標とKPIの仮説を設定する

65. 今どこを改善したいか？
Acquisition
獲得
Activation Referral
紹介
活性化
Retention
継続 Revenue
収益

66. 基本はActivation,Retention
Acquisition
獲得
Activation Referral
紹介
活性化
Retention
継続 Revenue
収益

67. 目標を設定する
いつまでに改善たいか？
どれくらい改善したいか？

68. KPIとは何か
Key Performance Indicator
今どれくらいうまくいってるか

69. KPIの設定ポイント
すぐに施策が想像できるか？
他の要因から影響を受けないか？

70. 目標、KPIの関係
サービスの目指す最終目標
今改善したい目標
KPI

71. KPIを見てサイクルを回す
BUILD
idea product
LEARN MEASURE
data
cf. THE LEAN STARTUP by Eric Ries

72. まとめ

73. BUILD
idea product
LEARN MEASURE
data
cf. THE LEAN STARTUP by Eric Ries