Introduction of Mercari BI team and Case Studies of Analytics for Service in US

- Introduction of Mercari BI team ( as of 2017 Aug)
- Case Studies of Analytics for Service in US

Transcript

1. Drink Meet up with BI Team in Mercari ! 2017.08.21 Drink meetup | Hikaru Kashida
2. 2 「Drink Meetup with Mercari」に 参加いただきありがとうございます
3. 3 メルカリの分析チーム (=BIチーム) について知っていただくための催し
4. 4 構成要素： プレゼン + フリートーク + お酒 + ご飯
5. 5 まずはじめに At a Glance
6. 6 メルカリ?
7. 7 メルカリとは Our Company • フリマアプリ「メルカリ」を運営 • 日本・アメリカ・イギリスでサービスを展開 ◦ 社員数：約500人 ◦ 拠点 : Tokyo / San Francisco / London / Portland...
8. 8 日々、メルカリ or (mercari) の 成長のために頑張ってる会社です
9. 9 We Are BI Team
10. 10 BI Teamとは Who we are • Business Intelligence • 平たく言うと「データ分析チーム」 • メルカリにおける “データ分析” と “サービス戦略” を担う
12. 12 BI Groupとは Who we are Business Intelligence データ BIチーム Machine Learning 企画チーム MLチーム メルカリのカスタマー 企画・UI など アルゴリズム
13. 13 BIチームがやること What we are responsible for
14. 14 何をしているのか
15. 15 BIチームがやっていること • メイン ◦ プロダクトの改善・成長戦略のための分析 ◦ 主に日本 と US のメルカリに関わる ◦ たまにUK も
16. 16 BIチームのお仕事 What we are responsible for ➡プロダクトのマクロからミクロまで関わる Growth Strategy ¥ ~1,000,000,000 Marketing Campaign / CRM - Repeat Rate - Buy/Sell Conversion - Cohort Daily Trend User LTV / RFM User Addiction Micro Behavior - Funnel - Tap Rate - Feature Usage - Search Words 超ざっくりの数字感 ※あくまで桁感の話です # of action ¥ ~100,000,000 ¥ ~10,000 %
17. 17 BIチームがやっていること • メイン ◦ プロダクトの改善・成長戦略のための分析 ◦ 主に日本 と US のメルカリに関わる ◦ たまにUK も • それ以外（色々ある） ◦ PR ◦ Customer Support ◦ IR / Finance
18. やることいっぱいある 写真：PAKUTASO
19. 19 実際にどういう分析をしているの?
20. 20 ちょっとした実例を Case Studies in Mercari US
21. 21 BI のおしごと “4 Steps”
22. 22 Step1. 目標を見極める Step2. 改善の方針を示す Step3. 改善施策の立案支援 Step4. 指標の変化をトラック 経営レイヤーと 企画メンバーと みんなで
23. 23 これはある会社の US事業のおはなし
24. 24 BI のおしごと Step1:目標を見極める
25. 25 時間の都合と大人の事情で 詳しく話せません
26. 26 少しだけお話すると.... 経営指標を変更 規模 ⇢ 質
27. 27 もう少しだけお話すると.... 経営指標を変更 質 = リピート率
28. 28 さらにもう少しだけお話すると.... 経営指標を変更 BIチーム x 経営陣で缶詰合宿
29. BI × 経営メンバーで缶詰合宿をしたよ 取締役 取 締 役 プロダクト担当 執行役員 (のPC)
30. 30 BI のおしごと Step2:改善方針を示す ※ここからはちゃんと少し詳しめに
31. Step2. そのための施策の 大方針を作る 31 Step1.目標 「リピート率を上げる」
32. Step2. 改善方針を示す 方針①. リピート率には検索が大事 32 弱い 強い • 継続率に強い影響を与える ユーザ行動は検索 = ちゃんと商品をさがしてくれるか • メルカリUSでは検索行動が十 分に強くなっていない BI分析
33. Step3. 改善の施策づくりを 分析で支援する 33 Step2.改善方針 「検索をなんとかする」
34. 34 Step3. 具体的な改善プランを支援する 検索行動を促すようなUIに変更する 方針に基づき 検索を目立たせる After Before (日本と同じ) スワイプで カテゴリ切り替え ⬇ USでは利用率低 なので廃止する 検索導線を重視 BI分 析
35. Step3. 改善の施策づくりを 分析で支 検索利 用率 up⬆1.2x 援する 35 BI のおしごと Step4:指標を測定 検索利用up⬆1.2x グローバルメニューより上部の 検索バーの方が動線としては強い
36. 36 • リピートしないユーザは、 ほとんどが初起動から30分以 内にAppからいなくなる • かなり浅いユーザ体験に 基づいて判断をしている BI分析 Step2. 改善方針を示す 方針2. 浅いユーザ体験をより重点的に改善 ※リピートしなかったユーザの最終アクセスタイミングの分析
37. Step3. 改善の施策づくりを 分析で支援する 37 Step2.改善方針 「深い体験より 浅い箇所のUX に注力」 登録 ザッピング 検索 商品閲覧 検討 直近の重点 購入 受取り ヘビー利用
38. Step3. 改善施策を支援する 浅めのUX中心に >30のA/Bテストを設計・分析 チュートリアル変更 一覧画面で長方形対応 検索時にカテゴリ補完 商品画面UI変更 ・・・・
39. Step3. 改善の施策づくりを 分析で支援する 39 Step4.指標測定 A/BテストのPDCAを 超高速でまわす必要 • 膨大な数のA/Bテスト • Pとの簡単な共有体制が必須 • 何が効いて何が効かなかったか 一覧性が欲しい
40. A/BテストのKPIの標準化と 分析の半自動化でSpeed-up BigQuery Google Sheet データの 自動連携/更新 Data Scientist Producer • Producerとは共有Google Sheetでコミュニケーション • PlannerがA/Bテストを登録す れば結果は自動更新 • 都度、結果をsheetを見て ディスカッション Google App Script
41. Step3. 改善の施策づくりを 分析で支援する 41 ほかにも色々... 分析⇢施策⇢分析 のプロセスで 沢山の知見を発見 いくつかの施策方針
42. 42 こんな感じで 色んな手を打ちつつ
43. Step3. 改善の施策づくりを 分析で支援する 43 Step4.指標測定 KPIダッシュボードを 毎日みんなで観察 • 全プランナーが日々注視 • 気になる動きがあればすぐに 分析で深掘り
44. 44 絶え間ない機能のA/Bテストの嵐 up
45. YES!
46. 46 つまり何が 言いたいかというと
47. 色んな場面で 分析を活かしている! 写真：PAKUTASO
48. 48 どんなチームなのか Talents in BI
49. London Tokyo San Francisco 2 5 2
50. 50 東京オフィスのメンバー (５人) 日本のメルカリ / USのメルカリに主に関わる Sho Nonaka : Growth : User Behaviors Hikaru Kashida : Growth Strategies : KPI designs Shin Matsuda : User Acquisition Strategy : Marketing Kotaro Tanaka : Campaign Planning : Trend Analysis Manabu Hasebe (本日夏休み)
51. 51 このあと是非 お話しましょう
52. 52 あと、多分皆さんが興味ありそうなこと
53. 53 どんなツールを使って分析しているの?
54. 54 ① 会社の技術ブログに書いたんで 読んで下さい ② このあとのフリートークで 中の人たちに聞いてください
55. よければ読んで下さい
56. 56 メルカリの面白さ What gives uniqueness to BI in Mercari
57. 57 ぶっちゃけ... データサイエンティストを 楽しく働かせる ってめっちゃ難しいと思う
58. 58 勝手気儘 データサイエンティストといえば
59. 59 飽きっぽい データサイエンティストといえば
60. 60 好奇心重視 データサイエンティストといえば
61. 61 理屈っぽい データサイエンティストといえば
62. 62 ぶっちゃけ... データサイエンティストを 楽しく働かせる ってめっちゃ難しいと思う
63. Hasebe Tommy (USメルカリ責任者 ) Iyocchi (JPメルカリ責任者 ) Mattsun しかし、メルカリは...? 2016年秋 BIチーム×経営陣合宿より Me
64. 楽しそう！ {"JoyLikelihood" : "very_likely"}
65. ? そんな 我儘人種 データサイエンティスト たちが 何故メルカリでは楽しく働けるのか？ （2017年 弊社調査より）
66. 66 1. “結構” データドリブンなカルチャー • データに理解が有る組織 ◦ プロデューサとか、凄い数字に頼ってくれる ◦ 経営陣も数字が大好き • A/BテストでMove Fast ◦ 企画はやるかどうかで揉めるよりも A/Bテストで白黒つける ◦ A/Bテストからの学びを次の企画に活かす
67. 67 2. データが面白い • User数多い • Buy side & Sell side ◦ サプライサイド・デマンドサイド両方のデータがあるのは貴重 • 行動ログを残すように実装するカルチャー
68. 68 3. 良好な働く環境 • 自由 & 柔軟 ◦ コアタイム12時-17時 / MTG少ない ◦ Slackにいれば場所問わない / BIチームはみんなあまり自席にいない ... • 優秀な人が多い ◦ コミュニケーションコストが低く、ストレスフリー ◦ 優秀な人ばかりと働けるのが最大の福利厚生かも
69. 69 Mattsun in San Francisco この時まだ入社1週目... 4. 海外チャンスもあるよ
70. 70 つまり何が 言いたいかというと
71. メルカリのBIで働くのは 凄く楽しい! 写真：PAKUTASO
72. 写真：PAKUTASO 楽し過ぎてタスクで 溺れそう....
73. 73 We’re 超 Hiring! メルカリ取締役 Yuki Hamada (Productチームグローバル担当) とりあえずあと 20-30人くらいBIで 採用しちゃって ※実話です
74. 74 Thank You!
75. 75 フリートークで 色々お話しましょう