カテゴリー: analysis

CDPってご存知でしょうか？聞いたことがあるけど理解はしていなかったり、意味を把握しきれていなかったり、この記事で解決していきましょう！

CDPってなに？

CDPの概要

CDPとは「Customer Data Platform(カスタマーデータプラットフォーム)」の略で直訳すると「顧客データ基盤」と訳されます。
顧客一人一人のの属性やデータを収集・蓄積・統合するためのデータ管理システムです。
一人一人の嗜好性やライフログなどユーザー全体を取り囲む様々なデータを活用して、マーケティングや営業、HP制作などに利用していくことが活用目的です。

CDPの特徴

顧客一人一人のデータを正確なプロファイル情報や行動データと紐づけることで、広告データや顧客向けのサービスデータとして利用出来ることです。
自社のデータとして保有している「氏名」「年齢」「性別」「趣味」「購買履歴」などに加えて「店舗入店データ」「店舗購入データ」などと紐づける事で顧客一人一人を性格に判別し、広告の施策やマーケティング活動へ利用していく事が出来ます。

CDPの機能

①顧客データを集める事が出来る
CDPは連携している複数のシステムから顧客情報を入手することが出来ます。
・店舗管理システム
・サイト訪問履歴
・スマホアプリの行動履歴
などなど
その為、紐づけ先が多ければ多いほど多くの情報を入手することができ、データの分析に役立てる事が出来ます。

②データの整理が可能
CDPはそのシステム内でデータの統合を行い整理する事を可能としています。
様々なデータから同一人物を把握してカテゴライズされていきデータを扱えるようになります。

③データの分析
収集したデータの分析が可能です。グラフ化して可視化する事によって全員に分かりやすく説明することが出来ます。
分かりやすく分析を行う事でプロジェクトにも反映させやすくなります。

CDPとDMPの違いとは？

DMPとは

DMPとは「Data Management Platform(データマネジメントプラットフォーム)」の略で直訳すると「データ管理基盤」と訳されます。
インターネット上のさまざまな情報(顧客データ、自社サイトのユーザー履歴、など)を一元管理して、分析して、最終的に利用して広告配信や企業のターゲティングの再設定に活用するためのシステムです。

CDPとの違い

一見同じように見えますが、個人に焦点を当てているのがCDP、幅広くデータを統合させているのがDMPです。データ収集・統合・分析という機能は変わりませんがターゲットに変化があるため、使い分けがされています。

・CDP：顧客一人一人について詳細なデータを多方面から把握したい場合に活用
・DMP：web全体や店舗全体の動きや売り上げを把握し全体を広く見たい場合に活用

CDP導入の利点と懸念点

利点

①マーケティングにそのまま活用する事が出来る

マーケティング活動では顧客情報は重要なデータで、広告を配信するにも顧客データがあるものとないものではターゲティングの精度が変わってきます。
「当てに行く」のか「当たる事が分かっている」のでは大きな差がありますよね。
その点でCDPは一人一人のデータを一元管理して分析することが出来る為、マーケティングにおけるターゲット設定が容易になります。

②幅広いデータを収集することが出来る

データ収集のチャネルが広く店舗からネット、SNSまで幅広い媒体での集計を可能としている為、紐づけているデータ数によって使えるデータの数が変わっていきます。

懸念点

①多くのデータを管理することが必要

データを管理して分析する事でやっと利用できる形になります。そのため、CDPでどのようなデータを集めているのかを管理しておく必要があります。
管理体制についても、管理者をつけて一元管理して社内でその人にきけば分かるようにしておく、もしくは社内の誰もがアクセス可能な状態にするといった方法があります。

②データの活用について理解することが必要

データを収集してまとめて分析したとしても活用方法や活用できる事をを理解していないと施策に落とし込む事が出来ません。
例えば、集めたデータを広告に使いたいときにデータの取り出し方やそもそもCDPデータを使えることが分かっていないと施策に落とし込めないですよね。
将来の新規施策のフックとして社員の方々全員が利用できることを理解し、新しい施策に組み込める事をように周知させておく必要があります。

まとめ

CDPはDMPと違って顧客一人一人の管理に特化しています。
CDPを使ってユーザー情報を収集、分析、活用していくことでマーケティング活動や営業活動において新しい施策を展開していきましょう。

1.LabBaseのプロダクトマネジメントとして何をしているか

株式会社POLという会社でLabBaseというプロダクトのPdMをしています。
LabBaseは、理系学生のLinkedinのようなプロダクトで、理系学生が自分の研究内容をプロフィールに記載すると、研究者を求めている企業からスカウトが届くというものです。

今回私は自分が携わる事業において、普段どのようにプロダクトデータを計測し分析しているかを紹介させていただきます。弊社では分析チームというものがないので、PdM・エンジニア・デザイナーが所属するプロダクト部中心にデータを抽出して分析しています。
ポイントとしては、Google AnalyticsやAdobe Analyticsのようなツールだけでなく、自ら生のプロフィールデータを抽出し分析していることです。
ユーザーが情報登録する「データベース型」事業をされている方々を中心に、何かお役に立てればと思います。

2.データ分析で実施していること

弊社がデータ分析をする際に利用しているツールとしては、Google Analytics，Search Console、Karte、redashがあります。
もちろんどのツールも各社様利用されているかと思いますが、データ分析の方法はトレンドだけでなく、プロダクト・ビジネスモデルによって最適なものを選択していく必要があります。

前職ではAdobe Analyticsという分析ツールを利用していました。Google Analytics同様にビーコン型のサイト解析ツールです。
リクルートは大規模なプロダクトが多く、月間数十〜数百万のトラフィックを誇るサイトが多いので、Web上での行動履歴をベースにユーザー行動を計測していることが多かったです。

一方で理系採用サービスのLabBaseは、「ユーザーが登録する情報を元に活動する採用サービス」で、ユーザーである理系大学生が自身の研究活動・将来の技術者としてのキャリア思考を豊富に登録してくれているのが特徴です。
理系学生という限られたマーケットなので、ユーザー数も多すぎるわけではありません。
もちろんGoogle Analyticsも使っていますが、Webの行動履歴データだけでは分からないことがあります。
例えばユーザーである学生がどれくらい自身のプロフィールを記入しているのか、どれくらい企業からスカウトを受信して、返信しているのかといった情報です。

私はこれらの情報を分析するために、redashというBIツールで、直接プロダクトのデータを抽出・解析しています。
本番プロダクトで集めたデータをコピーした環境に置き、そこに対してredash上でクエリを書いてデータを抽出したり、グラフ化したりしています。

3.実際の生データを触ることで事業の実態を掴む

直接クエリを書いてデータを抽出することは一見手間に見えますが、事業の実態を理解する上で欠かせない業務だと実感しています。自身でクエリを書きながら生データを見るメリットは２点あると思っています。

１点目は、ユーザーの一次データを見ることができるので、ユーザーヒアリングなどをしなくても、ユーザーを理解する疑似体験ができることです。
LabBaseのユーザーは理系学生で、普段は研究に勤しみながら就職活動をしています。
そんな彼らがどういう研究をどういう思いでしていて、社会人になってどんなことをしたいと思っている学生が多いのか。
普段利用ユーザーの方々と話をすることが多いですが、データと直接話を聞くことで、定量調査×定性調査を実施しているような感覚です。

２点目は、PdMであってもデータ構造を知ることで、次はどんなデータを入れていくかを想像しやすいことです。
PdMは、データ設計に責任を持つ必要はないと思いますが、新たな施策を打つ時に、エンジニアがどこに手を入れると楽かの認識合わせがしやすいです。
プロダクトの要求を出す時に、これは辛そうだなとか、この施策をやる前にこのデータを取れるようにしなくてはいけないなと考えることができます。

4.大切なことは顧客・事業の課題解決で、データは検証のための道具

大量データを扱うプロダクトを分析すると、分析好きの人はずっとデータを眺めても飽きないと思います（笑）。
一方で何のためにデータを分析するかと言うと、顧客・事業の課題解決をするためであって、それらができないと意味がないと思っています。
私もデータを分析する際には、「仮説」を作ってその仮説を検証するためにデータを分析するというような手順を踏んでいます。

例えば、A専攻の学生のスカウトを増やすために、「Aを専攻している学生は、業種Bの企業からスカウトをもらわない傾向が強い」という仮説を作って、学生と企業のマトリクスでスカウト受信の傾向を調べたりします。
この仮説は経験則的に作ることもありますし、どこか特異なデータを見て判断することもあります。
中でも僕が一番実践することはユーザーの生の声からデータを見て、仮説を立てるという思考です。
弊社では、企業側も学生側もカジュアルに話を聞ける場があります。
話を聞いていて「何か変だな？」とか思ったことを、データで分析してみると面白い傾向が出ていたとかはよくあります。これは定性から定量へのアプローチです。

逆に定量から定性へアプローチすることもあります。
例えばある機能の利用率が低いということが分かれば、利用率の高いユーザーに使うシーン・使う理由を聞きに行き、一方で利用率の低いユーザーには機能の認知度・利用意向度を聞くといったことをしています。

このように普段から定量と定性を行ったり来たりしていますね。
これらは使う頭が全然違うので訓練が必要かなと思います。
ちなみに先程の事例で言うと、もし業種Bの企業がA専攻の学生を採用したいと思っていることが分かれば、どのように業種Bの企業がA専攻の学生にスカウトを送ってくれるか？という打ち手を考えます。

5.今後やっていきたいこと

POLという会社は一言で表すとLabTechスタートアップで、研究業界、研究者、研究室などを取り巻く課題をテクノロジーで解決しようとする会社です。
現在プロダクトマネージャーとして、基本的にはプロダクトマネジメントトライアングルに沿った業務を実施しております。
プロダクトの戦略を描くこと、エンジニアと相談しPRDを書くこと、P/Lを引くこと、プロダクトを使うユーザーの声を拾うこともデータ分析に合わせて実施しています。

今後はプロダクトにまつわるデータを全社員が見れる環境を作っていきたいと思っています。
当社の強みは学生・企業との距離の近さであり、いつでもユーザーの声を拾える環境は既に備わっており、多くの社員がユーザーと気軽に対話しています。
そこにデータドリブンの環境が加わると、事業も組織もさらにレベルアップできると思っており、その実現を僕が主導していきたいと思っています。
生の声×プロダクトデータがあれば、ご利用企業をサクセスに導ける確率も上がりますし、学生１人１人に質の高いスカウトを届けられると思っています。
また、「データの民主化」に向けて、例えばBIツールを導入したり、主要KPIの構造がどうなっているかを説明したり、データに強い組織づくりもやっていきたいと思っています。