コンバージョンアナリティクス

コンバージョンアナリティクス

変換は単に「数値で割り切れる」だけではありません。"これは制御されたシステムです：明確な定義とイベントスキーム→正しい分母と時間ウィンドウ→セグメンテーションとアトリビューション→値（LTV/ROMI）との接続→監視と実験。以下は、製品のアクティベーションから支払いおよびマーケティングのファネルにスケールするフレームワークです。

1）定義と基本式

ファネルイベント：連続ステップ（表示→クリック→登録→検証→入金→ターゲットアクション）。

ステップ変換： （\text {CR}_{i\to j} =\frac {\text {unique entities that completed} j\text {after} i} {\text {unique entities that have completed} i}）

変換エンド・ツー・エンド： （\text {CR} {0\to k} =\prod {s=0}^{k-1 }\text {CR}_{s\to s+1}）

会計単位：user/session/device/order-明示的に修正します。

タイムウィンドウ： ステップ間の制限（例：チェックイン→デポジット≤ 7日）

2）データシート（テンプレート）

METRIC： 'CR_REG2DEP_7D_v2'

定義：7日の≥ 1預金を行った登録ユーザーの割合。
単位：ユーザー（user_id、 master_id)。
ウィンドウ：'ts_registration'から7 × 24時間。
例外：ボット/詐欺/テストアカウント/重複。
デフォルトのセグメント：国、プラットフォーム、アトラクションチャンネル。
ソース：'event_register'、 'event_deposit'。
ガードレール：新鮮な≤ 1ch、カバレッジ≥ 99％、 FPR antifroda ≤ Kh。
バージョン/所有者/日付辞書。

3）イベントスキーマとデータ品質

正規スキーマ：'event_id'、 'user_id'、 'device_id'、 'session_id'、 'ts'、 'type'、 'payload'、 'source'、 'version'。
Idempotence： dedup by '（source_id、 checksum）'；修正ログです。
クリーニング：ボットフィルタ（スピード、ヘッドレス、既知のASN）、詐欺フラグ、テストアカウント。
アイデンティティ：bridge 'user_id ↔ device/email/phone'、 split/merge usersに関するヘルプ。

4）正しい分母： 頻繁なトラップ

選択バイアス：「昨日の分母でのみアクティブ」→CR過大評価。
生存：ステップ前に去った人は除外されました-CRは人工的に成長しています。
単位の混合：分母-セッション、分子-ユーザー。
ダブルアトリビューション：複数のチャンネルに起因する1つの成功。
平均平均：数値/分母を集計するのではなく、セグメント間でCRを平均化します。

5）疑似SQL： 窓および独自性が付いている漏斗

sql
WITH regs AS (
SELECT user_id, MIN(ts) AS ts_reg
FROM event_register
WHERE ts BETWEEN:from AND:to
GROUP BY user_id
),
deps AS (
SELECT user_id, MIN(ts) AS ts_dep
FROM event_deposit
GROUP BY user_id
),
eligible AS (
SELECT r.user_id, r.ts_reg, d.ts_dep
FROM regs r
LEFT JOIN deps d
ON d.user_id = r.user_id
AND d.ts_dep BETWEEN r.ts_reg AND r.ts_reg + INTERVAL '7 day'
)
SELECT
COUNT()                AS users_reg,
COUNT(ts_dep)              AS users_dep_7d,
COUNT(ts_dep)::decimal / COUNT()    AS cr_reg2dep_7d
FROM eligible;

ステップでドロップオフ

sql
-- Пример: просмотр → регистрация → депозит (7d)
WITH base AS (...), -- ваш источник views AS (...), regs AS (...), deps AS (...)
SELECT
COUNT(DISTINCT views.user_id)                           AS step0_view,
COUNT(DISTINCT regs.user_id)                            AS step1_reg,
COUNT(DISTINCT CASE WHEN regs.ts BETWEEN views.ts AND views.ts + INTERVAL '24 h'
THEN regs.user_id END)                     AS view2reg_24h,
COUNT(DISTINCT CASE WHEN deps.ts BETWEEN regs.ts AND regs.ts + INTERVAL '7 day'
THEN deps.user_id END)                     AS reg2dep_7d;

6）コホートとセグメンテーション

Cohorts：最初のイベント（登録/最初の訪問）の日付によるフォーム→変換曲線を比較します。
セグメント：国/チャネル/プラットフォーム/OS/デバイス/コンテンツ/価格/パートナー。
セグメント別ファネル：CRとドロップオフ株式の前後、リリース、UXの変更。
公平性：機密セグメント（倫理/コンプライアンス）におけるエラー/CRの違いを確認します。

7）帰属： 誰が変換に値するか

シングルタッチ：最後/最初のクリック-シンプルですが、長いサイクルが歪みます。
位置ベース：U字型/線形/時間の崩壊。
データ駆動（Shapley/Markov）：チャンネルの貢献度をシーケンスごとに評価します。
重複制御：1つの成功=1つのクレジット（または共有）、アルゴリズムのバージョンが修正されました。

8）マイクロ変換とクリック品質

マイクロステップ：価格を表示し、バスケットに追加し、KYCをチェックし、フォームに50％を記入します。
トラフィック品質：バウンスレート、エンゲージメントセッション、「有効」ビューの共有、ボットパターン。
値との関連付け：マイクロコンバージョンは、ビジネス効果（LTV、 GGR、 Net）と相関/因果関係がある場合にのみ有用です。

9）マネーリンクへの変換： CAC、 LTV、 ROMI

CAC：変換単位あたりのアトラクションのコスト（登録/デポジット/購入）。
ROMI： （\frac {\text {Incremental Revenue}} {\text {Marketing Costs}}}-1）。
LTV加重変換：CRではなく期待値でセグメント/チャネルを優先します。
因果関係：ROMIスコア-A/B、 DiD、合成制御；相関は不十分です。

10）実験とアップリフト

A/Bテスト：ランダム化、MDE/パワー、季節性および干渉会計。
メトリクス：コアCR+ガードレール（苦情、レイテンシー、不正防止FPR）。
アップリフトモデル：イベント確率ではなく、ターゲットのコンバージョンゲイン；rate Qini/AUC、 uplift@k。

11）時間の側面および窓

ルックバック/ルックフォワード：露出（クリック/ビュー）とコンバージョン/デポジットの間のウィンドウ。
ヒステリシス：「点滅」しないようにプロモーションレグレッサーをオン/オフにする入出力しきい値が異なります。
カレンダー：休日、給与、大規模なイベント-必須のリグレッサー/フラグ。

12）マルチデバイスと重複排除

クロスデバイス：識別子グラフ（cookie/device/IDFA/email/phone）。
1対1：ユーザー（または注文/支払い）ごとに1回、1つのターゲットアクションをカウントします。
テスト/オンライン：QA/演算子/ボットのフィルタリングされたリスト-分母と分子外。

13）ビジュアライゼーションとレポート

ステップバー/サンキー：ステップでドロップオフ。
コホートヒートマップ：1/3/7/14/30の日のCR。
ブリッジグラフ：CR変化への要因の貢献（UX、プロモーション、チャンネルミックス）。
ダッシュ：新鮮なタイマー、カバレッジイベント、ガードレール、アラート。

14）監視、SLO、アラート

SLOの新鮮さ：更新の遅れ≤ N分/時間。
品質ガード：ボット/詐欺のバースト、アイデンティティの不和、カバレッジの低下。
アラート：季節予測、イベント破損、エラーの増加/遅延からのCR偏差。

15） Pseudo-SQL： 最後の非ダイレクトアトリビューション

sql
WITH touch AS (
SELECT user_id, channel, ts,
ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY ts DESC) AS rn
FROM session_touchpoints
WHERE is_direct = false
AND ts <= (SELECT first_conversion_ts FROM conversions WHERE conversions.user_id = session_touchpoints.user_id)
),
credit AS (
SELECT user_id, channel FROM touch WHERE rn = 1
)
SELECT channel, COUNT() AS conv, COUNT()::decimal / SUM(COUNT()) OVER() AS share
FROM credit
GROUP BY channel
ORDER BY conv DESC;

16）アンチパターン

重量のない国/チャネルによる平均CR。
ミックスユニット（セッションとユーザー）とタイムゾーン。
数式とバージョン定義（メトリック"floats'）を無視します。
Windowsは「判明したように」（固定されていません）→同等のCRではありません。
ボット/詐欺フィルタの欠如→高い指標。
最後のクリックアトリビューションは、すべての決定の唯一の真実です。

17）コンバージョンレポートを公開する前のチェックリスト

• メトリックパスポート：定義、単位、ウィンドウ、例外、ソース、バージョン
• イベントパターンの正規化、dedup/idempotenceを含む
• ボット/詐欺/QAアカウントは除外されます。アイデンティティの混在
• 文書化されたWindowsと分母；一時的な地帯は合意しまし
• テストされる区分/cohorts；不変量（DAU ≤ MAU、日量=月）が満たされた
• アトリビューションの選択と説明；除外されたダブルクレジット
• 価値関係：CAC/LTV/ROMI追加、因果評価計画
• ダッシュボード：鮮度、カバレッジ、ガードレール；アラートが設定されている

18）ミニ用語集

CR（コンバージョン率）：ターゲットアクティビティを完了した割合。
ドロップオフ：ステップ間の共有「ドロップ」。
アトリビューション：タッチで変換するためのメリットを割り当てる方法。
コホート：最初のイベントの日付ごとにグループ化します。
ROMI：マーケティング投資収益率（増分）。
アップリフト：介入からの変換利得。
ガードレール：リスクリミッター（苦情、FPR、レイテンシ）。

［結果］

信頼できる変換分析は、正しい定義（分母/窓/単位）、データ規律（idempotency、 dedup、 antiboot）、値との関連（LTV/CAC/ROMIおよび因果性）の3つのクジラに依存しています。記述されたフレームワーク上にファネル、コホート、アトリビューション、モニタリングを構築することで、グラフを観察するだけでなく、製品やマーケティングを実際に管理できるメトリクスを取得できます。