マインドマップギャラリー ユーザー成長実験シリーズ
ユーザーの成長は、計画を立てて目標を設定するだけで終わるものではなく、実践的な実験を通じてのみ問題点や欠点を真に理解し、迅速に改善したり継続的に改善したりして、次の実験でより良い結果を得ることができます。実験のアイデア出しから実験結果の解析までの全過程をマップにまとめましたので、ご参考になれば幸いです。
2022-06-16 14:05:08 に編集されました人件費の管理は、企業が経済的利益を最大化するための重要な手段です。企業は、課題に対処するために中核となる競争力を継続的に向上させる必要があります。
これは教育技術のガイドではなく、教育の雰囲気を見つける旅です。読者の皆さん、この本では、それぞれの教育的な物語を通して、本当の教育者がどうあるべきかがわかります。繊細で機知に富み、子供たちにとって何が適切で何が不適切かを知っていて、何を言うべきか、何を言ってはいけないのか、注意を払うのかを知っています。子どもの個性を尊重し、子どもの個々の生活世界に注意を払い、子どもの話を「見る」「聞く」方法を知ってください。真の教育者だけが子どもの心を理解し、似非教育の調子を整え、教育と成長をより美しく充実したものにすることができるのです。
この本では、著者は、ほとんどの人が知識とスキルを学ぶのに適した一連の学習方法を詳細にまとめています。著者の意見では、あらゆる学習は、正確なインプット、深い消化、そして複数のアウトプットという 3 つの段階に分けられると考えています。 1 つ目は知識のインプットです。これは、最初に新しい知識を取り入れ、次に知識を消化し、インプットされた知識を理解し、最後に学んだ知識を使用することを意味します。この本が、学習中に混乱している人、または新しいスキルの学習方法がわからないすべての人に役立つことを願っています。
人件費の管理は、企業が経済的利益を最大化するための重要な手段です。企業は、課題に対処するために中核となる競争力を継続的に向上させる必要があります。
これは教育技術のガイドではなく、教育の雰囲気を見つける旅です。読者の皆さん、この本では、それぞれの教育的な物語を通して、本当の教育者がどうあるべきかがわかります。繊細で機知に富み、子供たちにとって何が適切で何が不適切かを知っていて、何を言うべきか、何を言ってはいけないのか、注意を払うのかを知っています。子どもの個性を尊重し、子どもの個々の生活世界に注意を払い、子どもの話を「見る」「聞く」方法を知ってください。真の教育者だけが子どもの心を理解し、似非教育の調子を整え、教育と成長をより美しく充実したものにすることができるのです。
この本では、著者は、ほとんどの人が知識とスキルを学ぶのに適した一連の学習方法を詳細にまとめています。著者の意見では、あらゆる学習は、正確なインプット、深い消化、そして複数のアウトプットという 3 つの段階に分けられると考えています。 1 つ目は知識のインプットです。これは、最初に新しい知識を取り入れ、次に知識を消化し、インプットされた知識を理解し、最後に学んだ知識を使用することを意味します。この本が、学習中に混乱している人、または新しいスキルの学習方法がわからないすべての人に役立つことを願っています。
ユーザーの成長実験
実験的なアイデアを生み出す
1. テストの目的を明確にする
正しい運用: ユーザーとビジネスの問題から始める
単一店舗のコンバージョン率の向上
コピーライティングテスト
設計テスト
単一ページのテスト
フルファネルのコンバージョン率を向上させる
パステスト
新旧バージョンのインジケーターを比較する
新しい機能またはバージョンはオンラインです
新機能を探索する
複雑な実験、MVP、関数、アルゴリズム
2. データから洞察を見つける
質の高い実験的なアイデア
見せる
実験仮説の成功率は高い
実験的な指標が大幅に改善されました
理由
実験仮説はデータによって裏付けられていません
質の高い仮説を立てる
3種類のデータ対応
定量的データ
定性的データ
ベストプラクティス
注目を集める
モチベーションを高める
抵抗を減らす
シナリオを考えてみる
Nラウンドのデータ分析
データを分析して問題を発見する
予備的な仮説を立てる
データをさらに分析して仮説の質を向上させる
最良の実験: リフトモデル
価値提案
明確で強力なマーケティング スローガンにより、ユーザーは得られるメリットを正確に認識できます。
相関
ランディング ページとコンバージョン ページはユーザーの期待に応え、価値提案と密接に関係しています。
明瞭さ
エクスペリエンスのプロセスは明確かつスムーズであり、ユーザーは次に何をすべきかを明確に理解できます。
不安感
減算を行い、ユーザーに選択肢を与えすぎないようにする
気晴らし
視覚的な干渉と情報ノイズを軽減し、1 つの中心的な目的のみを果たします。
緊迫感
ユーザーに意思決定を促し、嫌悪感をなくす
3. 実験仮説を立てる
出力テンプレート
[特定の変更] の場合
[特定の指標を X% 改善できる] ことが期待されています
なぜなら [深い理由 - データによって裏付けられた仮説]
テンプレートを使用して明確な実験仮説を出力する
優先順位付け
ICEモデル
期待される効果(影響) 治験が成功した場合の影響はどのようなものですか?
成功の確率 (信頼度) テストが成功する確率はどれくらいですか?
容易さ (簡単) 実験をオンラインにするにはどれくらいのリソースまたはコストが必要ですか?
影響力を高める
ほとんどのコア製品チームはコア ユーザーのみを考慮します
より多くのユーザーにリーチする
積極的に対象範囲を拡大し、非コアユーザーに焦点を当てる
トラフィックの多いページとパスから始めて、複数回実験してください
使いやすさの向上
MVP を介して最も近いコストで実験仮説を検証する
最小限のリソースを投資し、できるだけ早く実験仮説を証明する方法
実験によって有効な結果と洞察が得られるかどうか
絶対的に正確な選別を追求するのではなく、実験の頻度と量を増やす
実験計画
1. 実験指標の選択
正しい実験指標は、実験仮説の信頼性を包括的かつ正確にテストし、それによって実験の成功または失敗を測定することができます。
実験の成否を測る3種類の指標
コア指標 (1)
実験の成否を決定する重要な指標
補助インジケーター (<10)
ファネルセグメンテーションステップのコンバージョン率
重要な下流指標
その他の主要なユーザー指標
逆方向インジケーター (1-2)
実験の考えられる悪影響
2. 実験対象者を決定する
誰が実験に参加するのでしょうか?
特定のユーザー グループに対して実験を実行する
実験にはおよそ何個のサンプルが必要ですか?
統計的有意性
対照グループと実験グループ間のコンバージョン率の差は実際のものであり、ランダムな誤差によって引き起こされるものではありません。
実験に必要なサンプル数に影響を与える要因
オリジナルバージョンのコンバージョン率
新しいバージョンの変換率
統計的有意性の要件
トラフィックやユーザーが少ないほど、実験における変化は大きくなります。
3. 実験版の設計
いくつのバージョンが設計されていますか?違いは何ですか?
ポイント 1: バージョンは実験仮説の数に依存します
ポイント2:最適化実験なのか探索実験なのかを明確にする
ポイント 3: バージョンが増えると、必要なサンプルの総数も増加します
トラフィックはバージョン間でどのように分散されますか?
均一な流量分布
あらゆる外部要因の影響を排除する
開発と発売
具体的な手順
開発実験
実験版を開発する
埋められたデータ
実験的な QA と UAT
実験版とデータの埋め込みポイントを確認する
オンライン実験
オンラインコード
実験を開始する
実験的指標埋設法1 サードパーティ製の A/B テスト ツール
実験指標の決定
対応するユーザーの行動を見つける
要件の定義: 行動イベントの埋もれたポイント
開発完了後、データはA/Bテストソフトウェアに返されます。
A/B テスト ソフトウェアは実験指標を自動的に計算します
実験的指標埋設法2 実験結果を手動で分析する
実験指標の決定
要件を定義します。記録実験にはどのユーザーが含まれますか?彼らは実験のどのバージョンを見ていたのでしょうか?
開発が完了し、データがデータベースに返されます
手動分析、実験的指標
結果を分析して適用する
1. 評価結果の信頼性
結果が統計的に有意かどうかを判断する
2. 実験結果の分析
実験は成功しましたか、それとも失敗しましたか?
観測期間
短期観察
長期観察
この背後にある理由は何ですか?
セグメンテーションファネル
ユーザー調査
結果のグループ化
追跡実験
3. 実験の次のステップを決定する
実験完了 → 結果を分析
商品化
あきらめる
繰り返しを続ける
実験の影響を増幅する
勝利を活かす
類推して学ぶ
調整計画