サクサク読めて、アプリ限定の機能も多数!
トップへ戻る
GPT-4o
note.com/mercari_data
BI Product チームの野本です。 メルカリでは Google BigQuery 監査ログと Google Workspace ログイベントを BigQuery にエクスポートして、データ分析環境の管理に活用しています。アクセス履歴を詳細に調べられる BigQuery 監査ログは、分析環境のコスト最適化やテーブルの変更時の影響範囲調査などの管理業務にとても便利です。 BigQuery の利用が増えてくると、過剰に高頻度なクエリジョブや、使われずに放置されたテーブルなどにかかる無駄なコストも増大していきます。これらの使われていないジョブやテーブルを抽出し削減することで、BigQuery の計算やデータの保管にかかるコストを削減することができます。 メルカリでは、BigQuery 監査ログ、Google Workspace ログイベントを活用して、分析環境の管理業務に役立てていますので、
今回は、メルカリのAnalyticsチームの中でも主にビジネス分析やマーケティング分析を行うGrowth Analytics Teamからの記事です。 Analyticsチームは、以下のミッションを通じて事業に貢献するチームです。 Provide actionable insights and help people make better decisions(実行可能なインサイトを提供し、より良い意思決定の支援を行う) Democratize data and empower everyone with analytics(データの民主化を推し進め、皆の分析力を高めていく) そんなAnalyticsチームで、"効果検証 虎の巻"なるものを導入しました。主な狙いは以下の2点です。 Analyticsチーム内の暗黙知を集約して言語化・浸透させることによる、メンバーのアウトプットの質の向上 誰
メルカリ Analytics Infra チームの na0 です。この記事では、メルカリにおける BigQuery クエリの改善によるスロット需給バランスの改善について紹介します。 2023-03-30 には、新料金体系 BigQuery Editions も発表されています。こちらには、読み取りデータ量課金(オンデマンド モデル)の値上げも含まれており、スロット量課金(BigQuery Editions)との損益分岐点の変化から、クエリのパフォーマンスについて意識する組織は増えていくことでしょう。 今回紹介するクエリの改善は、データ利用者が意識することで、メリットとなる施策です。この記事をきっかけに、BigQuery 利用者がパフォーマンスを意識してクエリを書くことや、必要に応じて詳しい人に相談できるようになることを期待しています。 「クエリが遅い!」問題メルカリ社内の BigQuery
A/Bテストが「やって終わり」になっている、A/Bテストからあまり学びが得られていない……A/Bテストを始めたばかりのチームや、A/Bテストが多く走っていて集計に追われているチームは、まずこういった課題を持っているのではないでしょうか。メルカリのAnalyticsチームも例外でなく、この壁にぶつかりました。 そこでAnalyticsチームでは、A/Bテスト改善の取り組みとして、A/Bテストの分析について手法を確立し、普及しようとしています。 この分析は、Experiment design docによって実験前に計画したゴール指標などの基本的な指標を計測した後、実験後にインサイトを得る目的で行なうため、「Post analysis(事後分析)」と社内では呼んでいます。そのため、この記事でもPost analysisという言葉を使いたいと思います。 この記事では、「A/Bテスト改善」シリーズの
こんにちは、Mercari Analytics Blog 編集部です。 連載「メルカリのデータアナリストが向き合う11のテーマ」、今回はAnalytics Infraチーム、@nambさんによる記事です。@nambさんはデータアーキテクトとして入社し、メルカリのデータ分析基盤を整備しています。今回は「データ利用監視」というテーマで、仕事の内容を語っていただきました! データ基盤の改善は「利用状況の把握」から始まる――取り組みのミッションは何ですか? データの利用環境の改善を通じて、データに基づいた意思決定をサポートしています。 前提として、データセットやテーブルのメンテナンスにおいては、影響範囲の評価や優先順位の決定が重要だと考えています。メルカリでは、中間テーブル作成などの積極的なデータ環境改善に加え、プロダクトの改善・データフローのリニューアルに伴うデータのリプレースも常に並行して実施
メルカリAnalytics Infraチームの@__hiza__です。 この記事では、メルカリにおけるデータ基盤の整備について紹介します。 今回は、膨大な生のテーブルについてどのテーブルから中間テーブル化すると効果的か、データにもとづいて優先順位を付けた事例を説明します。 また、あわせて大規模なデータ基盤を改善する際に「データ基盤の利用状況のログ」が役立つことをお話したいと思います。 中間テーブルを作る意義データ分析用の中間テーブルを作成する意義を簡単におさらいします。 例えば、WebサービスのRDBに入っているデータで分析を行う場合に以下のような加工をしたテーブルを用意すると分析が便利になります。 例) 生テーブルを分析に使いやすくする加工の例 よくjoinして利用する複数のテーブルをあらかじめjoinしておく コード化された値を人が見て分かる値に変換しておく(都道府県コード01→北海道
こんにちは。メルカリ Analyticsチームの @suwachan です。 この記事から何回かに分けて、メルカリ Analyticsチームのメンバーによる、「データ分析初心者の方におすすめの本」を紹介していきたいと思います。 駆け出しのデータアナリストの方だけでなく、PM・マーケターなどでデータ分析を学びたい方や、データアナリストと仕事をする方にもお役立ちできるような記事にしていく予定です。 第1段の今回は「データ分析基礎力」に関する本の紹介です。おすすめの本を @hizaさん、@Tsugutoさんに聞いてみました。 <編集後記> 本記事を書くにあたって、なるべく「どのような課題感があるときに読むべきか」と「この本によって、何がどう変わったのか」を具体的に解説するようにしました。 本を効果的に読むには、読む人のレベルに合ったものを選ぶこと、そしてその本によって何を身に付けるのかという目的
はじめに はじめまして。メルカリ Analytics チームでAnalyst兼リサーチャーをしている@tsugutoと申します。今回のブログでは、私が分析を担当しているSeller Experience チームで取り組んでいる「アプリのログ分析とUXリサーチ統合の試み」について、実際の事例を紹介できればと思います。前回のブログでは、取り組みの全体像について記載しているので、ご興味あればご覧いただけると嬉しいです。 振り返り:取り組みの全体像について 前回のブログでは、Seller Experience チームでの分析〜機能を実装する取り組みの全体像を紹介しました。改めて、このチームでの機能の実装までの流れは以下のとおりです。 1. Analyze : 最もインパクトのあるターゲットを選定する 2. UX Research : インサイトを理解し仮説を構築する(優先順位をつける) 3. Ra
はじめまして。メルカリ Analytics チームでアナリスト兼リサーチャーをしている@tsugutoと申します。 今回のブログでは、私が分析を担当しているSeller Experience チームで取り組んでいる「UXリサーチを活用して、仮説検証プロセスを改善した話」について、2回に分けて紹介します。1回目は、取り組みの全体像について、2回目で具体的な事例を記載できればと思います。少し長いですが、お読みいただけると嬉しいです。 Seller Experience チームについて メルカリでは、PdM / Designer / Engineer / Analystでチームを組み、日々プロダクト(メルカリアプリ)の改善に取り組んでいます。私が担当している Seller Experience チームでも、全員でコミュニケーションを取りながら、機能の開発・改善に取り組んでいます。Seller E
こんにちは。メルカリ Analytics チームの @suwachan です。2021年4月にメルカリに入社し、入社当時からWeb版メルカリの分析を行っています。 この記事では、私が実際に行ったWeb版メルカリの分析を例に、ファネル分析の具体的な進め方・考え方について解説いたします。 この記事を通して、ファネル分析の実践のサポートができれば幸いです。 想定する読者の方 ・ファネル分析をやってみたいマーケティング担当・アナリスト・PMなどの方 ・ファネル分析にかかわらず、分析の基礎について学びたい方 注: この記事に出てくる分析内容・結果は、実際のものとは異なります。 ファネル分析とはファネル分析とは、お客さまの購買行動をいくつかのステップに分け、そのステップごとに遷移率 (または離脱率) を算出し、改善点を分析する手法です。 通常、ステップごとに人数が減っていくため、それを図式化すると漏斗
こんにちは、Analytics Infra チームの @yaginuuun です。主にA/Bテスト周りの改善や Recommendation 関連の分析を担当しています。 当ブログは 2021/07/28 に開催された Retty ✕ Mercari Analyst Talk Night! におけるLT内容を改めて少し補足を加えながらブログの形に書き起こしたものです。 当日の資料はこちらです。 A/Bテストとは A/Bテストは Randomized Controlled Trial (RCT) とも呼ばれる効果検証手法です。最も単純な例をあげると、二つの群を用意し片方の群にのみ何かの変更を加えることでその変更による数値変動を評価します。 A/Bテスト自体は医学や農業の分野など幅広く行われています。特に医学の領域においては Level of Evidence という考え方があるようですが、A
Analytics Infra チームの@hizaです。 この記事ではメルカリの分析環境を改善した事例を紹介します。 今回は「運用に課題があってリプレースしたいが、業務への影響が大きすぎてリプレースできない」そんな板挟みな状況を解決した事例です。 また、その紹介を通じてメルカリのData Architectがどんな仕事をしているのかその一部を感じてもらえる記事をめざしました。 メルカリのデータ活用の現状 メルカリには様々な職種でデータを活用する文化があります。 AnalystやML Engineerの他にも、PdMやCustomer Supportなども業務にデータを活用しています。結果として社内のBigQueryユーザー数は月間800名を超えるほどになりました。 こういった環境ではデータが良く整備されている事が事業の成果に大きく影響しえます。例えば、使いやすいDWHがあれば多数の社員の業
このページを最初にブックマークしてみませんか?
『Mercari Analytics Blog|note』の新着エントリーを見る
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く