Recomendados
Más contenido relacionado
Similar a Webサービス申込者数
Similar a Webサービス申込者数 (20)
Webサービス申込者数
- 2. はじめに 2 ユーザー p BtoCのwebサービス運営企業 シチュエーション p webサービスの申込者の増加に影響している要因を把握したい p 経験則から「6月と9月は申込者が増える」ことは知っているが、どの 程度影響しているのか知りたい p 曜日によって申込者数の増減がある気がするが、本当に影響がある のか検証したい 用意したデータの内容 【成果】 -‐ 申込者数 【要素】 -‐ 申込者 -‐ サイト来訪者数 -‐ TVCM放映量 -‐ Web広告露出量 -‐ 自社Webリニューアル -‐ 季節要因 -‐ Sun/Mon/Tue/Wed/Thr/Fri/Sat ※ 上記内容は類似業種へのヒアリング情報に基づいたXICAによる創作です ※ 現実に同様の結果を保証する物ではありません
- 3. 分析の流れ 3 1.データを用意する 2.データを読み解く 3.結果を比べる p データを登録する p データの概略を把握する p 分析機能を使ってモデル の精度を上げる p 違ったアプローチの分析 を試す p 保存したモデルを比べる
- 4. 分析の流れ 4 1.データを用意する 2.データを読み解く 3.結果を比べる p データを登録する p データの概略を把握する p 分析機能を使ってモデル の精度を上げる p 違ったアプローチの分析 を試す p 保存したモデルを比べる
- 6. 1. データを用意する p 分析モデルの編集画面を開く 6 分析モデルを選択する
- 7. 1. データを用意する p 分析モデルの概要を把握する 7 エラーメッセージ モデルの精度 ・・・ 00.00% ※ 曜日による影響を検証するための要素 (Sun/Mon/Tue/Wed/Thr/Fri/Sat) が現時点ではエラーと判定されているため にモデルの精度は0.00%として表れている
- 8. 2. データを読み解く 8 1.データを用意する 2.データを読み解く 3.結果を比べる p データを登録する p データの概略を把握する p 分析機能を使ってモデル の精度を上げる p 違ったアプローチの分析 を試す p 保存したモデルを比べる
- 9. 2. データを読み解く p 「自動」の要素選択機能を使い、曜日による影響の大きさを検証する 9 Sun/Mon/Tue/Wed/Thr/Fri/Satの 7つの要素全てでここにチェックを 入れる チェックを入れた後に「自動」を クリックする ※ ここでは影響のある要素の組み合わせを選ぶ「自動選択機能」を使う ※ 今回は「自動」の対象にしたい要素を自分で選んでいるが、「自動」の横にチェックを入れることで全選択/全解除を行 うこともできる ※ また、左端のチェックを付ける/外すを選ぶことで「手動」で組み合わせを作ることも出来る
- 10. 2. データを読み解く p 結果を確認する 10 先ほどのエラーは解消されている モデルの精度 ・・・ 40.58% 結果に影響する要素 ・・・ 2つ - 季節要因 (影響力 +44.127) - Fri (影響力 -182.005) ※ 現時点の結果からは、「金曜日は申込者が182人減る」 という影響が出るという仮説が導かれる ※ また、季節要因も影響があるので「6月9月は他の月より申込者が44人増える」という仮説も読み取れる
- 11. 2. データを読み解く p 「時間差」の自動選択機能を使い、それぞれの要素が影響を及ぼす時間差を検証する 11 ※ 今度は「時間差」の最適な組み合わせを選ぶ「自動選択機能」を使う ※ 「季節要因」と曜日の要素（「Sun」「Fri」）では時間差は考えないので、今回は自動選択機能の対象からは外してある 以下の4つにチェックを入れる 「サイト来訪者数」 「TVCM放映量」 「Web広告露出量」 「自社Webリニューアル」 チェックを入れた後に「自動」を クリックする
- 12. 2. データを読み解く p 結果を確認する 12 結果に影響する要素 ・・・ 5つ モデルの精度 ・・・ 93.81% - サイト来訪者数(2) (影響力 +0.103) - Web広告露出量(3) (影響力 +0.052) - Web広告露出量(5) (影響力 -0.002) - 季節要因 (影響力 +44.058) - Fri (影響力 -192.775) ※ 「サイト来訪者数(2)」は「2日後の申込者数に影響がある」ことを表わす ※ モデルの精度は [93.81%] まで向上しており、説明力の高いモデルになっている
- 15. 2. データを読み解く p 先ほどのモデルにさらに手を加えて分析を行う 15 「時間差」を0〜9から選ぶ中で、 - 相関している確率が95%を越える - モデルの精度が良くなる のいずれかの要素がないか改めて 確認する ※ 「時間差」の0 〜 9の中で、「TVCM放映量(1)」のみがモデルの精度が僅かに良くなるが、相関している確率は95%に は満たない
- 16. 2. データを読み解く p 先ほどのモデルにさらに手を加えて分析を行う 16 先ほどと同様に「時間差」を0〜9から 最適な組み合わせを模索する ※ 「TVCM放映量」と同様に、0 〜 9 のどの「時間差」を設定しても相関している確率が95%を越える要素は見つからない
- 17. 3. 結果を比べる 17 1.データを用意する 2.データを読み解く 3.結果を比べる p データを登録する p データの概略を把握する p 分析機能を使ってモデル の精度を上げる p 違ったアプローチの分析 を試す p 保存したモデルを比べる
- 18. 分析結果から得られる最終的な仮説 18 曜日による影響として、金曜日は申込者が192人減る傾向があり、逆に日曜日は 5人程度増える可能性があることも見て取れる 当初想定していた季節要因に関しては、6月9月は他の月に比べて44人増えるこ とが分かる サイトの来訪者は当日よりも2日後の申込数の増加に影響が見られる 施策の中ではWeb広告露出量が申込者の増加に時間差で影響を及ぼすことが わかる。 また、TVCMや自社サイトのリニューアルは直接的な関係性は見られなかった