仮説検証とサンプルサイズの基礎 - クックパッド開発者ブログ
パートナーアライアンス部 森田です。有料会員の獲得施策や、それに関わるサービス内動線の最適化を担当しています。 記事の対象 仮説検証を通じて何かを改善をしたいと思っている人 仮説検証の際に「どれくらいのデータを集めたら良いか」分からない人 はじめに 仮説検証とは「仮説を立て、それを証明するためのデータを集め、真偽を確かめること」です。今回は仮説検証を行う際の手順と、その検証に必要なサンプルサイズの考え方を説明します。サンプルサイズの話のみ関心があるかたは、前半を飛ばし「サンプルサイズの決め方」を読んでください。 目次 記事の対象 はじめに 目次 仮説検証のつくりかた 1. 仮説をたてる 2. 施策/KPIを考える 3. 仮説検証後のアクションを決める 4. 対象を決める 5. サンプルサイズを計算する サンプルサイズの決め方 答えを先に サンプルサイズを決める二つの要素 「二つの平均値」と
米国上場企業分析｜Fiverr International Ltd（FVRR）｜neko
本日は、先日のTwitterで少々話題になった、Fiverr International（FVRR）について調べて見たいと思います。話題としては一周した気もするので今更感も若干ありますが… Fiverrはイスラエル発の企業ですが、世界160か国に展開するフリーランスワーカー向けのマーケットプレイスを展開している企業です。日本でいくとクラウドワークスやランサーズに当たる様なサービスの会社です。 2019年6月に上場したばかりの企業ですが、当時の公募価格21ドルからは既に8倍ほどになり、株価は170ドル前後で現在推移しています。 時価総額は$6Bnほどとなっていますが、PSRは30倍ほどの水準となっています。財務面では前四半期のYoY売上成長率が80%、粗利率が80%と中々凄い財務水準で、ここだけ切り取るとPSR 30xだろうと安いのでは？と思ってしまう水準感です。 上場時の目論見書や以下の会
NPSは調べた。で、何をどう改善すればいいの？ 「次の打ち手」がわかるNPS分析手法とは［第3回］ | 顧客ロイヤルティを高める「NPS」のはじめかた
「定性的な分析」×「定量的な分析」。2つの分析をかけ合わせるNPSは、「究極の質問」と呼ばれています。「この企業（もしくはブランド、サービスなど）を友人や同僚に薦める可能性はどのくらいありますか？」という、たった1問をユーザーに尋ねるものです。 しかし、当然ながらこの1問への回答だけでは「なぜそのような評価が下されたのか？」「何をすればもっと顧客ロイヤルティを上げることができるのか？」といった改善に結び付けるのは難しいものです。 NPSの数値だけをただ眺めていても意味はなく、それならば調査を行う意味はありません。調査結果から要因を特定して改善する行動につなげるためには、次の2つの分析をかけ合わせて見ていく必要があります。 分析1評価理由のフリーコメント（定性的な分析）分析2顧客ロイヤルティを構成する各要素の満足度（定量的な分析）分析1コメントをトピックごとに分類して定性的な要因分析を行う第
リレーションシップ駆動要件分析(RDRA) - Qiita
リレーションシップ駆動要件分析(RDRA)とは？ 要件定義において、重要な要素が3つあります。 「網羅性」：システムの目的や、それを実現するための要件が漏れや重複無く定義されている 「整合性」：各要件の整合性が取れている 「表現力」：それぞれの要件が分かりやすく表現されている 複数の人間で共同作業する際にも、網羅性によって要件定義に必要な情報の枠組みが決まり、整合性によって作業の手順が決まり、表現力によって共通認識を確立します。 リレーションシップ駆動要件分析(RDRA)とは、要件定義において重要なこれらの３要素を高いレベルで実現するための要件分析フレームワークです。 RDRAでは要件定義を4つの構成要素に分け、UMLを拡張した表現方法で要件分析を行います。 よくあるように要件をリストでただ並べるのではなく、UMLの視覚効果を利用することで表現力を実現します。 要件定義についてはこちら↓
【初学者向け】Rではじめる統計学 母集団・標本と標準化 - Qiita
はじめに 初学者向けとして母集団・標本と標準化という考え方を勉強した上でプログラミングツール「R」を使って偏差値を算出します。 実は以前、「【初学者向け】Rではじめる統計学 分散と標準偏差」というタイトルで投稿させていただいたのですが、基本的な方針は前回と変わりません。 ふだん使わないような記号文字の使用は極力控えて説明します。 Rには興味ないけど計算方法だけ知りたい、という方も大歓迎です。 こんな方向けに書いてみました 標準化ってなんで求める必要があるのか知りたい 偏差値の算出方法を知りたい 仕事で必要になった 母集団・標本？標準化ってなんだったっけ？思い出したい 必要なもの Rの開発環境ならびに基礎知識(変数とベクトル、関数の使い方程度で大丈夫です） 分散と標準偏差の算出方法 ネヴァーギブアップ精神 ※分散と標準偏差ってなんだっけ？という方は以前に書いた記事をお読みいただくか、他のWE
効果量(effect size)のはなし - 渋谷駅前で働くデータサイエンティストのブログ
統計学的検定の話を始めたら自分の勉強の方が止まらなくなってしまったので（笑）、ついでにやってみようと思います。ちなみにこの記事は前回のやたらブクマを集めた記事の続きみたいなものです。 そもそもビジネスの現場ではどういう「レベル」の統計学を使うべきなのか - 六本木で働くデータサイエンティストのブログ 例えば有意ではないという結果になった時にそれが「実際に帰無仮説が真」なのか「単にサンプルサイズが小さくて検出力が足りないだけ」なのか判断せよという問題。前者なら果てしなくサンプルサイズを大きくしても有意にはならないし、後者なら今度は効果量(effect size)のことを考えなければいけません。 というように前回の記事では検出力(statistical power)と効果量(effect size)について触れたんですが、タイムリーに先日の第36回TokyoRでその辺の話をしてきたので*1、そ
A/Bテストに用いられる統計的検定手法（ロジック）のまとめ＆比較 | RCO Ad-Tech Lab Blog
リクルートデータ組織のブログをはじめました。※最新情報はRecruit Data Blogをご覧ください。 Recruit Data Blogはこちら 汎用人型雑用AIの stakaya です。 たまたま数年前に社内のBLOGに書いたABテストのロジックのまとめ＆比較記事を発掘したので、 このまま眠らせているのはもったいないぞと、 圧倒的もったいない精神を発揮し、シェアさせていただきます。 あの頃は私も若かった。 社内では”堅物・真面目・一途”で有名なものでして、下記文章がお硬いのはご勘弁ください。 はじめに 本記事は、施策の評価手法としてしばしば用いられるA/Bテスト（A/B testing)について、できる限り背後にある仮定を明記した上で、まとめたものである。 A/Bテストとは、主にインターネットマーケティングにおける施策の良否を判断するために、2つの施策（通常、A・Bと記載）を比較す
Netflixがカスタマーを誰よりも理解するためのデータ分析プロセス、コンシューマー・サイエンスの紹介 - Qiita
時間がたつに連れて、私のフォーカスは、「カスタマーが何を言っているのか？」から、「まずはテストしよう！」というコンシューマー・サイエンスの態度に変わりました。私のチームのカスタマーに関するインサイトは向上し、学びの速度も上がり、何がカスタマーを喜ばせるのかについてのある仮説を形成するに至りました。 以下が、コンシューマー・サイエンスとカスタマーオブセッションのために私達が使ったリサーチの手法です。 既存のデータを使って過去と現在のカスタマーの行動を理解する。 私達の作っているものに対してカスタマーがどう反応するのかを聞くために、フォーカス・グループや一対一のインタビューやユーザーテストといったクオリティティブなリサーチをする。 カスタマーがどういった人たちなのかを、デモグラフィック（人口統計学的属性、つまり性別、年齢、住んでいる地域、所得、職業、学歴、家族構成など）、競合する製品の使用度、
統計学の時間 | 統計WEB
統計学の時間 統計学の基礎から応用までを丁寧に解説しています。「Step1. 基礎編」は、大学で学ぶ統計学の基礎レベルである統計検定®2級の範囲をほぼ全てカバーする内容となっています。最後まで読み進めることで、統計検定®2級に合格できる力がつくことを目標にしています。 学習ページは、数式ばかりではなく具体例を多数掲載し、はじめて統計学を学ぶ方にもイメージしやすい内容になっています。学習ページで勉強した後は、練習問題で腕試しができます。練習問題のすぐ下に解説を掲載していますので、理解度をすぐに確認することができます。 一通り勉強して知識が身に着いたら、実際に統計検定®を受験するのがオススメです。 統計WEBでは、統計検定®の受験者を応援しています！ ※統計WEBを使って統計検定®に合格された方の『合格者の声』をブログに掲載しています。こちらからご覧ください。 Step0. 初級編 1. デー
GTMF2017，「プランナーが見るべきKPIとシリコンスタジオの分析ノウハウ」聴講レポート
2017年7月14日，東京・秋葉原UDXで開催された，アプリ・ゲーム業界向け開発＆運営ソリューション総合イベント「Game Tools ＆ Middleware Forum 2017」（以下，GTMF2017）において，ソーシャルゲームのデータ分析をテーマとした講演「プランナーが見るべきKPIとシリコンスタジオの分析ノウハウ」が行われた。 DAUの20〜30％はログインボーナスを受け取るだけ。本当にゲームを遊ぶ人の数を明らかにする「7日ログインユーザー」 シリコンスタジオのデータアナリスト，中村一哉氏 ソーシャルゲームが成功を収めるにはリリース後の運用が重要だと語るのは，シリコンスタジオの中村一哉氏だ。シリコンスタジオはスマホアプリ「グランスフィア 〜宿命の王女と竜の騎士〜」を運営し，また「BRAVELY DEFAULT FAIRY’S EFFECT」や「テラバトル2」などを開発するメーカ
ソシャゲ分析講座 基本編（その３）：「継続率」を理解する - Real Analytics （リアルアナリティクス）
最近は業務で、ソーシャルゲームの分析＆改善施策の提案を行っています。そこで、本ブログではミニ連載という形で、ソーシャルゲームの分析手法について紹介をしていきます。基本編は8回程度を予定しており、好評であれば応用編も書きます。第3回は「継続率」に関してです。 ■過去の連載記事 ソシャゲ分析講座 基本編（その１）：「売上の方程式」を理解する ソシャゲ分析講座 基本編（その２）：「DAU」を理解する ソシャゲ分析講座 基本編（その３）：「継続率」を理解する ソシャゲ分析講座 基本編（その４）：「スペンド率」を理解する ソシャゲ分析講座 基本編（その５）：「ARPPU」を理解する ソシャゲ分析講座 基本編（その６）：「4つのステージとKPI」を理解する ソシャゲ分析講座 基本編（その７）：「イベントの分析」を理解する（前編） ソシャゲ分析講座 基本編（その８）：「イベントの分析」を理解する（後編）
統計検定 1 級に合格する方法 - Qiita
はじめに: 統計学の重要性 NTT データ数理システムでリサーチャーをしている大槻 (通称、けんちょん) です。 今回は統計検定 1 級について記します。 統計検定とは日本統計学会による公認の資格であり、統計に関する知識や活用力を評価するものです。 日常的に大量のデータが溢れている昨今、データ分析や機械学習に対するニーズは最高の高まりを見せています。最近では何も考えずともただデータを入力するだけでデータ分析や機械学習手法を実行してくれるツールも多数出回るようになりました。 データ分析や機械学習を実際に遂行するにあたって、統計学は強力な基礎になります。確かに最近は便利なツールの発達のおかげで、統計を学ばずともデータ分析を実行できる環境が整いつつありますが、その状態でデータ分析手法や機械学習手法を実際に適用しようとすると、しばしば誤った推論をしてしまったり、複雑な状況に対してどのようなアプロー
リピート率とは？リピーター率との違いや計算、上げる方法を解説
リピート率とは、新規顧客のうち2回目購入してくれた顧客の割合のことです。計算方法やリピーター率との違い、平均リピート率や通販EC業界での目安について解説いたします。リピート率を上げる施策や、実際にリピート率を上げることができた事例も紹介します。 リピート率以外にも、通販事業ではCPOやLTVなどのKPIの理解が重要です。 通販事業の現場で使われているKPIを新任担当者でも分かるようにまとめました。 ⇒解説資料はこちら リピート率の意味 リピート率（継続率）とは、新規顧客のうち、リピートしてくれたお客様の割合のことです。 企業は、新規顧客に購入してもらうため広告に先行投資をします。リピート率は、その後投資回収できるかの見通しを立てるための指標として役立ちます。また、リピート率の高さは、間接的に広告効果や顧客満足度が高いことを表しているので、現在のサービスの評価を測る1つともいえます。 リピー
KLab-データ分析グループのblog : ユーザー継続率をフィッティング
2013年02月13日 カテゴリR ユーザー継続率をフィッティング Rを使って、ソーシャルゲームのユーザー継続率を、カーブフィッティングしてみましょう。 カーブフィッティングとは、データにもっともよく当てはまる数式を見つけ、データに当てはまる曲線を描くことです。 ここで継続率とは、ある日インストールしたユーザーが、n日後にゲームを訪問している確率と考えます。 たとえば、以下はある日にインストールしたユーザーが日を経過するにつれてへっていくところを10日分集計したデータです(ただし数字はダミーです)。 installがインストール日に加入したユーザー数、nが経過日数、countはインストールユーザーの内、n日後にも継続してアクセスしてきたユーザー数です。最初は1301人いたユーザーが10日後には、168まで減っています。 installncount1301133813012264130132
SQL: 継続率と獲得数で将来のDAUをさくっと予測してみる - Gunosyデータ分析ブログ
いつものやつ はじめに なぜ将来を予測することが重要か 概要 準備するもの 日々の獲得の予算 継続率の予算 SQLでの算出 基本編 応用 おわりに いつものやつ この記事は Gunosy Advent Calendar 2017、9日目の記事です(フライング)。 qiita.com はじめに Gunosyデータ分析部の大曽根です。 好きなギタリストはジミ・ヘンドリクスです。 前日の@ij_spitzに引き続きKPI管理に関しての記事を書こうかと思います。 なぜ将来を予測することが重要か ニュースアプリの場合には、毎日開いてくれるユーザが何人いるかが非常に重要です(売上 = DAU * ARPUで表現できます)。 そのため、現在のDAUが目標値に達しているのかいないのか、どの程度の割合で達成しているのかをモニタリングすることが必要になります。 予測に対しての達成割合により、 「成長で売り上げ
クロス集計は分析の基本！メリットと分析できることを解説
「市場」の動向だけでなく、市場の中身、顧客や満足度に至るまでを調査。データや数値のみでは計れない潜在的なニーズも察知・予測し、明確な目的と正しい手法で調査することで、正確なデータをビジネスに有効活用できます。
【統計学】初めての「標準偏差」（統計学に挫折しないために） - Qiita
統計をこれから学ぼうという方にとって、非常に重要な概念ですが理解が難しいものに「標準偏差」があると思います。「平均」くらいまでは馴染みもあるし、「わかるわかるー」という感じと思いますが、突如現れる「標準偏差」 の壁。結構、この辺りで、「数学無理だー」って打ちのめされた方もいるのではないでしょうか。 先にグラフのイメージを掲載すると、下記の赤い線の長さが「標準偏差」です。なぜこの長さが標準偏差なのか、ということも解き明かしていきます。 (code is here) 本記事では数学が得意でない方にもわかるように１から標準偏差とはなにか、を説明してみようという記事です。 数式はわかるけど、イマイチ「標準偏差」の意味わからんという方にも直感的な理解がしてもらえるような説明もしていきますので、ぜひご覧ください。 （※ この記事では標準偏差の分母に $n$を使用しています。$n-1$を使用するケースも
株式会社ALBERT（レコメンドエンジン）
データ分析から導き出されたインサイト無しにAI（人工知能）の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上（52％）は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
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
フリー教材開発コミュニティFTEXT
https://growthhackjournal.com/retention-analysis-01/
