多摩大学の教員室から
科学的に正しい目標設定・事前準備「MAC」とは
・目標設定をしても達成できない人
・正しい目標設定の仕方が分からない人
にとても効果があります。
今回は、大学生にお話しをしたことを
共有します。
この「MAC」をチェックしてから目標設定をすると
目標の達成確率が格段に上がります！！
「MAC」とって何？
「MAC」とは３つの英単語の頭文字を取っています。
ちなみに、アップルのパソコンではありません！笑
アイントホーフェン工科大学が
メタ分析をした概念になります。
測定可能性（Measurable）
目標、準備の目標を立てるときに数字として測定できるかが重要です。
定量化です。
行動可能性（Actionable）
自分の望みを把握してどういう行動をすればいいか明確なことが重要です。
適格性（Competent）
「自分の価値観に合っているか」です。
自分の価値観にあっていないと、達成しても意味がありません。
本題へ
良く聞かれる内容をお話致します。
単品通販におけるデータベースの分析ってどうすれば
良いのでしょうか？
高度なデータ分析って必要ですか？
など聞かれます。
また、データベースマーケティングは
どうすれば良いのでしょうか？
今回は通販ビジネスにおける
データからの「気づき」
について共有致します。
また、番外編として
実務としてデータ集計を行うにあたっての
テーマを入れることに致します。
通販ビジネスにおける「気づき」とは、
これまで気づいていなかったことや、
あいまいに認識していたことを明確に
認識するために、どのようにデータをＫＰＩとして設定して
活用するかというものです。
通信販売というと、
・顧客
・メディア
・商品
・行動
等の情報がたくさんあるため
実は、曖昧なモノが多いです。
明確な仮説がなくても通販のデータを分析することで
何かしらの発見ができるように思われています。
ビッグデータという言葉が
IT業界の中で流行る中、
わたしも大学で教えていますが、
通信販売でもビッグデータ的な
アプローチができないかという
考え方はずっと以前から研究がされてきました。
そもそもデータ解析の手法についての目的ですが、
広告費の無駄を減らすことにあります。
今回は、商品という変数が１つの方が分かりやすいので
単品リピート通販に範囲を絞ってお話を致します。
通販の現場の業務の中にデータ解析の
手法を取り入れ始めたのは、
新規顧客獲得の広告費の無駄を減らすためでした。
たぶん、昔から変わっていません。
なぜならリピート率が100％にはならないからです。
特にネット広告の領域では、ＰＶ・ＣＶ・購入実績と
いう通販ビジネスの事業者が保有しているデータと、
オープンソースのデータ
例えば、アンケートデータ、
各種の調査結果を郵便番号でマッチングキー
にして解析する事で、地域エリア別の
効率の良し悪しがわかるので
そのデータを根拠にして施策が行われていました。
その昔、わたしが総合通販に勤務していた
カタログ通販では、顧客分析やＡＢＣ分析
などで活用されていました。
次にデータを業務改善に活かす取り組みも
ありました。
その後に休眠顧客向けDMの効率向上や
コールセンターに集まるお客様の声を
テキストデータとして分析した
業務改善の実施という分野で活用が
進んできました。
多くの通販の事業者が積極的に
取り入れるというレベルには至りませんでした。
理由としては、何をどう扱って良いのかわからないからです。
その昔は、データ分析の提供は、
新聞の中に入っている折込チラシの見込み客を
自社のお客様に繋ぐためのツールとして施策が打たれていました。
新規開拓の１つの開拓媒体としてです。
よって、データ分析を導入することで
得られるコスト削減効果と費用対効果
のバランスが良かったのです。
一方、最近取り組まれている
休眠向けのDMの効率を高めることなどの取り組みは、
施策に使用する費用の規模がよほど大きくない限り、
残念ながら費用対効果が合いません。
よって、休眠にしないようにすることが重要
になります。
実際にテストしてみると確かに
効果はありますが、
コスト削減効果と費用がほぼ同じになるケースが多い
ため運用の手間だけが増えるのが実際のところです。
社外のデータ分析を提供する会社に
都度発注するのではなく、自社に分析のシステムを
導入することで
運用していく段階では費用がかからないので
データサイエンティストとして
社内で分析を活用しているケースもあります。
分析のシステムを効果的に活用するためには
社内の人材育成が不可欠になります。
よって、大手の通販事業者以外は
なかなか普及しませんでした。
実際に私自身も総合通販会社には、
いくつかの高度なデータ分析、ＳＰＳＳ・テラデータ
などを試したことがありまし、
最終的には、高度な分析システムの
導入もしたことがありました。
当時は、ビッグデータが世の中を変える
というほどのインパクトを生むことはできませんでした。
その理由として一番感じたのは
データの変数の種類が少なく、購入データしかない
ということです。
特に単品系の通販会社のデータベースは
あまり多くない１種類の商品の購入データと
顧客属性データくらいしかありません。
よって、商品種類・回数・頻度の組み合わせを
ひたすら一杯作って分析の軸にしようとするのですが
これが効いている、
というような発見はなかなかできないのが実情です。
高度な分析をするまでもなく
最終購入からの経過期間
と
累積購入金額
の2つが購入確率の
8割以上を左右する項目になってしまうからです。
所謂、２：８のパレードの法則になってしまいます。
そこで実際の通販コンサルティング
の現場でご相談があったクライアントさんには
次のような手法をお勧めしています。
スコアリングと呼ばれる手法の簡易版である
データをエクセルで視覚化するというものです。
上段は実数を下段は分布割合を集計したりします。
また、縦軸は年間購入金額帯で顧客数を集計します。
横軸は年間購入金額帯の違いを説明できそうな
要因に対して顧客数を集計したりします。
このように見ていくことで
高度な分析を行わなくても一定の
感覚を得る事ができるようになります。
このデータ感覚がデータサイエンティストには
とても重要なことになります。