• SIS Lab
  • >
  • Blog
  • >
  • [デブサミ2018夏]ソーシャルゲームを分析せよ!〜社内分析チームの立ち上げから学んだデータ分析のための組織と技術

[デブサミ2018夏]ソーシャルゲームを分析せよ!〜社内分析チームの立ち上げから学んだデータ分析のための組織と技術

更新日:2019.04.27 作成日:2018.07.27

得られるもの

  1. 分析部署を立ち上げる方法
  2. データ分析エンジニアになる方法
  3. 事業会社に頼られるアナリストになる方法

背景

  • 市場のレッドーシャン化
  • コンテンツのリッチ化
  • 売上 = ユーザ数 x 課金率 x ARPPU
  • アクティブユーザー数 = 既存 新規 離脱ユーザ
  • 離脱ユーザ数 = 既存 x 離脱率
  • コンテンツのリッチ化
    • アサインできるプランナー、ディレクターの数が少なくなる(希薄化)
    • 分析チームの出番!
  • 課題
    • 個人に依存しない運営の改善
    • プロモーション効果の測定

Agenda

  • 社内分析チームが生み出す価値
  • データ分析のための組織と役割
  • データ分析を支える技術

社内分析チームが生み出す価値

  • 現場に寄り添ったソリューション (現場で、実行可能なもの。方向性が合っているもの)
  • 標準化(知見の横展開とデータの相互比較)
  • 現地化(確立した分析の現場への落とし込み)

データ分析チームの難しいところ

  • データ分析の価値は見えにくい
    • 直接的な成果を生み出さない
      • ゲーム:=> 直接課金に繋がる
      • 仮説が立てられたので、このような施策を打つのはどうか
        • 分析結果が効果に繋がったのかがわからない
    • 控えめに言って半分は空ぶる
      • ここに問題はなかった。試行錯誤の中で、結果が出てくる。「半分は問題はありませんでした」を成果として理解してもらうのがつらい
    • お互いの背景知識に差がある

データ分析会社との違いは?

  • 現場の事情
  • ドメイン知識
  • 利用頻度: 継続的(定期健康診断) / 一時的(精密検査) 一回やって終わりになってしまう
  • 組織の目的: 現場が抱える課題の解決 / 高度で専門的な分析の提供

標準化 vs 個別化

  • 個別化をすると、分析チームの価値である横展開ができない。遠くなってしまう。
    • どこに落とし所を作っていくのか

KPI

  • L1(ゲーム間で共通のもの)
    • 経過日数別DAU
  • L2(ゲーム共通として、参考になる指標)
    • アクション別DAU
    • クエスト進捗率
  • L3(ゲーム特化、カスタマイズ、ゲーム間では比較できない)
    • PvPキャラ使用率

溢れる仕事

  • データ分析は継続するもの、でも各プロジェクトから新しい分析が増える。でも、全て継続しなければならない
  • いずれ業務が溢れる

=> 確立された分析は現場へ下ろす(ダッシュボードで現場でみられる、現場で回せる仕組みをする)

何をやらないかが重要

  • データ分析を必要としていない顧客とは組まない
    • 売れてるゲームなら、どんどん施策を打っていったほうが売れる
  • ただのデータの取り出し屋さんにならない
    • いろんなデータをとってくれる便利屋さん
    • 分析する時間がなくなっていく

データ分析のための組織と役割

  • 共通部門として作った
    • シニアアナリスト(現場は何をしたらいいのかわからない、ふんわりとした期待をもっている)
      • 現場が何を課題としてどういう方針で対応すればいいのか (課題の抽出と、方針の決定)
    • アナリスト
      • 手法をつかって、分析
    • データサイエンティスト
      • 最新の手法を模索、R&D
  • データ分析チームだけでは、データ分析ができない
    • プロジェクト
      • プロデュース(KPIをもっている)
      • ディレクター、プランナー プロジェクトの方向性を決定する人達
      • エンジニア 手を動かす、データを取得する
    • 共通基盤エンジニア(インフラエンジニア)
      • ログの分析、ダッシュボードの仕組みを作り込む
  • チームとプロジェクトの距離
    • プロジェクトとは距離を置く
      • 標準化はやりやすい
      • プロジェクトと遠いので定例などでヒアリングが必要
    • 各プロジェクトにアサインする
      • 横の知見の共有がしづらい
      • 現場の便利屋になりやすい
  • プロデュースが持っているふたつの数字に気をつけろ
    • 外向きの数字(大きめの数字)
    • 内向きの数字(本当に達成しなければならない)

データ分析を支える技術

  • ログ収集基盤
    • Producer kinesis Lambda Storage
  • ダッシュボード

ログ収集基盤

  • ユーザの行動ログ

  • fluentd -> Aggregator -> Storage(s3, mongodb, )

問題・課題

  • データ欠損
  • データ遅延
    • Aggregatorが仕事しすぎ
      • 収集
      • 保存

gumi TECH Drinkup #2 - connpass

Related contents