マッチングサービスにおけるKPIの話

マッチングサービスにおけるKPIの話

1. 1. 1 Data Engineering and Data Analysis Workshop #2
2. 2. ⾃⼰紹介 2 和⽥計也（WADA Kazuya） ＃好きな⾷べ物は特に梨 ＃趣味はバンジージャンプ ＃筑波⼤学⼤学院 ＃⽣命環境科学研究科 #情報⽣物学専攻 # ⼤⼿総合電機メーカー # データ分析受託 #研究⽀援ソフトウェア開発 # 2011年〜 サイバーエージェント 秋葉原ラボ # データ分析業務
3. 3. 会社概要 3 ✓株式会社サイバーエージェント CyberAgent Inc. ✓設⽴ 1998年3⽉18⽇(サイバーの⽇) ✓本社 東京都渋⾕区 ✓代表取締役 藤⽥晋 (福井県鯖江市出⾝) ✓売上⾼ 3,106億円 (2016年9⽉期連結) ✓従業員数 3,971⼈ (2016年9⽉期連結) ✓事業内容 メディア事業(Ameba)         インターネット広告事業         ゲーム事業        投資育成事業
4. 4.  メディア事業とは 4 インターネット広告事業 広告代理事業 ⾃社広告商品 (アドテク） など ゲーム事業 など ここら辺を担当 メディア事業 など
5. 5.  メディア統括本部運営サービス 5 A 2 1 A 1 A 1 A 4 73 1 A 1 A 5 ※1 ※3 ※2 ※4 ※5
6. 6. 秋葉原ラボについて 6 私はここの話 推薦 フィルタリング 監視 ユーザ⾏動分析 レポーティング 広告配信 : ユーザ ⾏動ログ 記事 データ 番組視聴 ログ
7. 7.  カップリングユニオンの紹介 7
8. 8.  今夜はタップル誕⽣の話 8
9. 9.  タップル誕⽣が好調 9
10. 10. 趣味で繋がるタップル誕⽣ 10
11. 11. タップル誕⽣の仕組み 11
12. 12. タップル誕⽣の課⾦ 12
13. 13. 13 ここから本題です
14. 14. KPIとKGIとは？ 14 KGI: Key Goal Indicator 最終⽬標が達成されて いるかを計測するため の指標。ビジネスの場 合、普通は売上⾼。 KPI: Key Performance Indicator 最終⽬標を達成する ための過程を計測す るための中間指標。
15. 15. KPIツリー 15 KGI KPI1 KPI2 KPI3 ⽊みたいじゃん
16. 16. KPIツリー 16 売上 UU 課⾦率 単価 じゃ(い)あ(んとぱんだ) UU上げて課⾦率も上げて 単価も上がればいいね！
17. 17. そんなに単純じゃないKPIツリー 17 •顧客単価上げたら課⾦率下がっちゃった •顧客単価を上げるために⾼価格帯商品を充実させたため   低課⾦ユーザが無課⾦化 •課⾦率上げたらアクティブユーザ数下がっちゃった •課⾦しないと全然楽しめない仕組みにしちゃっため   無課⾦ユーザが離脱 KPI間の関係性を知っておかないと爆死
18. 18. KPIツリーの例 18 KPIが増えすぎちゃうと 何を重点的に⾒るべきか迷⼦になっちゃう
19. 19. 複雑な関係 19 KPI同⼠の関係性が わかるといいのに！！
20. 20. 構造⽅程式モデリングの説明 20 構造法的式モデリングとは、重回帰分析や因⼦分析、パス解析など の機能を併せ持つ統合⼿法 社会貢献 リスク管理 法令遵守 経常利益 売上⾼増価額 株主資本利益率 部⻑最年少昇格年齢 ⾮正社員向制度 中途採⽤者⽐率 売上⾼研究開発費⽐率 知財管理 研究開発者⽐率 柔軟性・ 社会性 収益・ 成⻑⼒ 開発・ 研究 若さ 優れた会社 識者の総合評価 記者の総合評価 記者の経営者評価 10.4% 52.2% 誤差 3.6% 3.0% 適合度：0.808 30.9%
21. 21. 構造⽅程式モデリングの説明 21 構造法的式モデリングとは、重回帰分析や因⼦分析、パス解析など の機能を併せ持つ統合⼿法 社会貢献 リスク管理 法令遵守 経常利益 売上⾼増価額 株主資本利益率 部⻑最年少昇格年齢 ⾮正社員向制度 中途採⽤者⽐率 売上⾼研究開発費⽐率 知財管理 研究開発者⽐率 柔軟性・ 社会性 収益・ 成⻑⼒ 開発・ 研究 若さ 優れた会社 識者の総合評価 記者の総合評価 記者の経営者評価 10.4% 52.2% 誤差 3.6% 3.0% 適合度：0.808 30.9% 測定 ⽅程式 観測 変数 構造⽅程式 構成概念
22. 22. 構造⽅程式モデリングの実施 22 •SPSS AMOS •MPlus •Rのlavaanパッケージ library(lavaan) dat <- read.csv(‘your csv file’) sem.mdl <- " monthly_billing ~ MAU_male + spend_ratio spend_ratio ~ MAU_male “ sem.fit <- sem(sem.mdl, dat) summary(sem.fit, standardized = TRUE)
23. 23. 基本型 23 売上 男MAU 男課⾦率 0.71*** 0.46*** 0.39* 適合度：1.00
24. 24. ⼥性登場型 24 売上 男MAU 男課⾦率 0.71*** 0.46*** -1.89** ⼥MAU 2.35*** 0.97*** 適合度：0.99
25. 25. 男⼥MAU分解型 25 売上 男MAU 男課⾦率 0.63*** 0.52*** -1.46** ⼥MAU 2.03*** 0.96*** 男新規数 男既存 継続率 0.01 0.19***0.46* ⼥新規数 ⼥既存 継続率 0.82*** 0.29*** 0.27 適合度：0.68
26. 26. 男課⾦タイプ分解型 26 売上 男MAU 男課⾦率 0.88*** 0.61*** -0.56* ⼥MAU 0.36 0.96*** 男新規数 男既存 継続率 0.01 0.19***0.46* ⼥新規数 ⼥既存 継続率 0.82*** 0.29*** 0.27 男新規 新規課⾦率 男既存 新規課⾦率 男既存 継続課⾦率 適合度：0.64 0.71*** 0.23* 0.19* 0.54*0.09 0.45** 0.63***
27. 27. 課⾦タイプ男⼥マッチング分解型 27 売上 男MAU 男課⾦率 0.64*** 0.53*** -0.23* ⼥MAU 0.89*** 0.96*** 男新規数 男既存 継続率 0.01 0.19***0.33* ⼥新規数 ⼥既存 継続率 0.82*** 0.29*** 0.27 男新規 新規課⾦率 男既存 新規課⾦率 男既存 継続課⾦率 適合度：0.70 0.18 0.16* -0.36*** 0.73*** 0.10 0.15 0.57*** 0.16 0.28* -0.38** 0.49* 0.64**
28. 28. まとめ 28 ⼥性の新規数が(いろんなKPI上昇に)⼤事！！