2017/9/22(金) 開催 サイバーエージェントのデータ分析基盤とデータ活用およびそれらの技術についての勉強会「Data Engineering and Data Analysis Workshop #2」

1. 1
Data Engineering and Data Analysis Workshop #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. 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. 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. 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. 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. カップリングユニオンの紹介
7

8. 今夜はタップル誕⽣の話
8

9. タップル誕⽣が好調
9

10. 趣味で繋がるタップル誕⽣
10

11. タップル誕⽣の仕組み
11

12. タップル誕⽣の課⾦
12

13. 13
ここから本題です

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. KPIツリー
15
KGI
KPI1 KPI2 KPI3
⽊みたいじゃん

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. 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. 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. 複雑な関係
19
KPI同⼠の関係性が
わかるといいのに！！

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. 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. 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. 基本型
23
売上
男MAU 男課⾦率
0.71*** 0.46***
0.39*
適合度：1.00

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. 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. 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. 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. まとめ
28
⼥性の新規数が(いろんなKPI上昇に)⼤事！！