【分析で売上2倍】Googleアナリティクス活用事例 | メソッド | 才流
Googleアナリティクスは無料にも関わらず大量のデータが取れるツールですが、データをもとにどうするかは教えてくれません。 数字の増減に一喜一憂するだけの方も少なくないはず。 今回はそのGoogleアナリティクスの分析によって売上を倍増させた方に話を聞きました。 どの数字を見たのか分析をもとにどのように改善したのかこちらを中心にインタビューをしたので、ぜひご参考ください。 ーーー 私はあるジュエリー・ウォッチメーカーのマーケティング責任者をしています。 商品は世界各国でも展開しており、業界のなかでも比較的歴史の長い会社です。 数多くのKPIをGoogleアナリティクスで定点観測しており、今回は成果があったものをお伝えします。 才流では「分析から最適な施策がわからない」「Googleアナリティクスの活用方法がわからない」企業さまを支援しています。マーケティング活動でお困りの方はお気軽にご相談
この記事の元の本編は削除しました。｜樫田光 | Hikaru Kashida｜note
これは何かGoogleの Material Design Guideline - Data Visualization がとても良くまとまっていたので、自分なりに和訳・編集してまとめたものです。 ※ 注意事項 こちらはあくまで、もとのドキュメントを参考に筆者が和訳・編集したものになります。原文の完全な和訳ではなく、抜粋の範囲や、英=>和の際の意訳を筆者が恣意的に行っています。 筆者の意訳・編集による曲解や元のドキュメントでのオリジナルの文意が気になる方は原文を読むことを強くおすすめします。 和訳の公開の可否についてはGoogle社に直接問い合わせています。1 / 原理原則（Principles） データの可視化は、複雑で内容の多い情報をグラフィカルな形式で表現するコミュニケーション手段である。 可視化の結果、データを比較しストーリーを伝えることが容易になり、データの利用者の意思決定の助け
プロダクト改善のためにウォッチしておくべき7つの指標 - Gunosyデータ分析ブログ
データ分析部でグノシーというニュースアプリのプロダクト改善を担当している @ij_spitz です。 今回はプロダクト改善のためにウォッチしておくべき7つの指標をSQLで算出してみます。 Gunosyではこれらの指標を、プロダクトに異常があった時に検知するため、また施策の効果検証といった主に2つの目的で使用しています。 簡潔にするため、ユーザーとログインの2つのテーブルを使った算出できる指標のみを対象としています。 また、これらの指標をどうやってプロダクト改善に役立てているのかということも少しではありますが、合わせて書いていきたいと思います。 DAU WAU(MAU) HAU 積み上げHAU 1ユーザーあたりのログイン回数 登録N日後継続率 登録日別N日後継続率 前提 今回のブログで紹介するSQLはAmazon Redshift上で動くSQLなので、MySQLやGoogle BigQuer
ABテストの対象をいい感じに割り振る方法 - Gunosyデータ分析ブログ
こんにちは、データ分析部の石塚 (@ij_spitz) です。 最近聴いている曲は久保田利伸さんのLA・LA・LA LOVE SONGです。 ロンバケ最高でした、月曜９時はOLが街から消えるというのも納得です。 Gunosyではプロダクト改善のためにABテストを用いて意思決定を行っています。 今回はタイトルにもある通り、ABテストを実現させる上で必要となる対象の割り振り方法を、Gunosyで以前使っていた従来の手法と半年ほど前に新しく導入した手法の2つをご紹介します。 いい感じってなんだよと思われるかもしれませんが、従来の手法の課題を解決するようにいい感じに割り振る方法と理解していただければと思います。 それぞれの運用上で気づいたメリット・デメリットなども合わせてご紹介します。 従来の手法 以前はユーザIDを100で割った余りを使用していました。 例えば、全ユーザの1%でテストしたいという
日本人はなぜ｢論理思考が壊滅的に苦手｣なのか
コンテンツブロックが有効であることを検知しました。 このサイトを利用するには、コンテンツブロック機能（広告ブロック機能を持つ拡張機能等）を無効にしてページを再読み込みしてください。 ✕
決定木の過学習を防ぐ剪定とは？ 剪定とは枝刈りのこと - 統計ER
決定木には剪定（せんてい）という過程がある。 剪定とは何か？ 簡単に紹介。 ＞＞もう統計で悩むのを終わりにしませんか？ ↑1万人以上の医療従事者が購読中 決定木の弱点 過学習 決定木の過学習を防ぐ剪定 まとめ 決定木の弱点 過学習 あるデータセットから、決定木を作ったとする。 決定木は、大きく茂らせれば茂らせるほど、きれいに分岐して、分類してくれる。 しかしながら、機械学習の観点から言うと、あまりにきれいに分類してしまうのは好ましくない。 なぜなら、完璧にデータセットを分類できても、ほかのデータセットで試してみると、うまく分類できないから。 これを過学習 overfittingという。 Overfittingした決定木は、汎用性がなく応用が利かない。 決定木の過学習を防ぐ剪定 汎用性を持たせて、使える決定木にするために、「剪定 pruning」を行う。 複雑さとあてはまりを犠牲にして、ov
データ可視化勉強会
The document describes various probability distributions that can arise from combining Bernoulli random variables. It shows how a binomial distribution emerges from summing Bernoulli random variables, and how Poisson, normal, chi-squared, exponential, gamma, and inverse gamma distributions can approximate the binomial as the number of Bernoulli trials increases. Code examples in R are provided to
ニコニコ動画のコメント解析
トピック 1. ごちうさ難民はどこへ行ったか 2. コメントによる動画要約 3. ニコニコ動画を表現するマルチモーダル特徴の検討Read less
1
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
http://bdm.change-jp.com/?p=1254
決定木(Decision Tree)を作って可視化する
ヤフー、16万曲の歌詞ビッグデータ分析で、国内500アーティストの類似性を可視化 