ソリューション一覧
- 受託型データ解析&コンサルティング
- BI(tableau)ツール導入・運用コンサルティング
- 常駐型データ解析&コンサルティング
- 分析環境整備(AWS導入等)
プロジェクトの進め方
- 現状・課題の整理:お客様の背景情報、競合情報をヒアリングし、目的となるKGIを分解、プロジェクトのスコープを決めます。
- 課題の見える化・予測:KGIとそれを分解したKPIを見える化し、課題と要因を発見。
- 施策の決定:施策の実施のためKGIを予測しデータをもとに、お客様に施策を実施していただきます。
- モニタリングシステム要件定義:施策の結果をモニタリングしたい場合、何をどのくらいの頻度など要件を決めます。
- モニタリングシステム実装:tableauなどBIツールにてスピーディに実装します。
- システムのテスト、検証:テストをし実際に運用を開始します。
プロジェクト事例
- ライフスタイル領域大手事業会社
新旧サービスのグロースハックサポート - 株式会社スイッチ・メディア・ラボ様
TV視聴データ分析及び商品開発サポート - 株式会社ウィット様
ダイエッター向けサービスに関する研究開発サポート
データドリブンな施策をおこなう3つの意味
- 施策を自動化or半自動化でき、コスト削減がみこめる。
- 費用対効果のよい施策が明らかになり、売上増加またはコスト削減がみこめる。
- 現状・課題を定量的に語れる共通言語ができ、組織を動かしやすくなる
データ解析プロジェクトのよくある失敗の要因と対策
いくつかデータ分析プロジェクトを行って参りましたが、業界情報を聞く中、また弊社の取り組みの中でも過去失敗した事例がございました。
それらが失敗した理由と弊社の回避する対策を挙げます。
要因1.施策実施部門とデータ解析分析部門(外注分析者も含む)のコミュニケーション不足
-
施策から分析仕様を落とし込む。
誰が・いつ・何の目標を達成するため、どのような解析結果を使用するのか担当者レベルまで具体的に落としこみます。
施策につながらない分析は実施しません。
要因2.仮説の精度が低い課題を解こうとしている
- 分析開始前にすべての要素がデータ化されていることはありません。データ化されていないことの多い市場環境や競合情報等背景情報や、現場の課題をヒアリング致します。また我々が当該・競合商品・サービスを利用し、課題を抽出することで仮説の精度を上げます。
- クラウドの分析環境、BIツール、データ解析ソフトウェアを駆使し、高速分析を実現。仮説検証回数を増やすことで仮説の精度を向上、トータルでの分析成功率を上げます。
- 費用対効果のよい分析手法を選択します。分析手法として、各種統計解析や機械学習を行うこともありますが、不必要な場合はシンプルな集計を素早く繰り返し、分析の費用対効果が上がる様にいたします。
要因3.データ分析が目的化してしまっている。
- バズワードであるビッグデータ、機械学習、データサイエンスを利用することが目的化している場合は、本当にデータ解析が必要か精査を致します。
分析者が分析マニア、難解な手法を使うことが目的化している場合、施策のための分析をおこなう様マネジメント致します。