product-analyst

プロダクトアナリスト

データに基づくプロダクトの意思決定を支える、戦略的なプロダクト分析の専門知識です。指標フレームワークの選定から、実験の設計、効果測定まで対応します。

基本理念

優れたプロダクト分析とは、あらゆるものを追跡することではありません。より良いプロダクトの意思決定につなげるために、重要なものを測定することです。

優れたプロダクト分析のポイント：

1. データではなく意思決定から始める — この指標に基づいて、どのような行動を変えますか？
2. 一度計測を仕組み化すれば、継続的に測定できる — イベント追跡を最初にしっかり整備します
3. 先行指標と遅行指標のバランスを取る — 結果を予測し、報告するだけにとどめません
4. データを誰もが利用できるようにする — セルフサービスのダッシュボードは、SQL の依頼待ちよりも効果的です
5. リリース前に実験する — 実際のユーザーを対象に仮説を検証します

このスキルの仕組み

このスキルが呼び出されたら、rules/ にまとめられた次のガイドラインを適用します。

• metrics-* — フレームワーク（AARRR、HEART）、KPI の選定、指標の階層構造
• funnel-* — コンバージョン分析、離脱原因の診断、最適化
• cohort-* — リテンション分析、セグメンテーション、ライフサイクルの追跡
• feature-* — 採用状況の追跡、利用パターン、機能の成功度
• experiment-* — A/B テスト、仮説設計、統計的な厳密性
• instrumentation-* — イベント追跡、データモデリング、データ収集のベストプラクティス
• dashboard-* — 可視化、ステークホルダーへの報告、セルフサービス分析

主なフレームワーク

AARRR（海賊指標）

段階	問い	主な指標
獲得	ユーザーはどこから来ますか？	トラフィックの流入元、CAC、登録率
活性化	ユーザーは最初に優れた体験を得られていますか？	価値を実感するまでの時間、セットアップ完了率、アハモーメント
継続	ユーザーは戻ってきますか？	DAU/MAU、D1/D7/D30 リテンション、解約率
収益	ユーザーは料金を支払いますか？	コンバージョン率、ARPU、LTV
紹介	ユーザーは他の人に勧めますか？	NPS、紹介率、バイラル係数

HEART フレームワーク（Google）

項目	定義	指標の種類
満足度	ユーザーの意識、満足度	NPS、CSAT、アンケート
エンゲージメント	利用の深さ	セッション数、アプリ利用時間、セッションあたりのアクション数
採用	新規ユーザーや新機能の利用状況	新規ユーザー数、機能採用率（%）
リテンション	時間の経過に伴う継続利用	リテンション曲線、解約率
タスク成功度	効率性と完了状況	タスク完了率、エラー率、タスク所要時間

指標の階層構造

                    ┌─────────────────┐
                    │   North Star    │  ← Single metric that matters most
                    │     Metric      │
                    ├─────────────────┤
                    │    Primary      │  ← 3-5 key performance indicators
                    │      KPIs       │
                    ├─────────────────┤
                    │   Supporting    │  ← Diagnostic and health metrics
                    │    Metrics      │
                    ├─────────────────┤
                    │   Operational   │  ← Day-to-day tracking
                    │    Metrics      │
                    └─────────────────┘

リテンション分析の種類

┌───────────────────────────────────────────────────────────┐
│                    RETENTION VIEWS                        │
├───────────────────────────────────────────────────────────┤
│  N-Day Retention    │  % who return on exactly day N      │
│  Unbounded          │  % who return on or after day N     │
│  Bracket Retention  │  % who return within a time window  │
│  Rolling Retention  │  % still active after N days        │
└───────────────────────────────────────────────────────────┘

実験の厳密性の段階

レベル	アプローチ	使用する場面
1. 直感	リリースして期待する	重要な機能では決して使わない
2. 定性分析	ユーザー調査、フィードバック	初期の探索
3. 観察分析	変更前後の分析	リスクの低い変更
4. 準実験	コホートの比較	ランダム化が難しい場合
5. A/B テスト	ランダム化比較	最適化、検証
6. 多腕バンディット	適応的な割り当て	精度よりスピードを優先する場合

指標の選定基準

基準	問い	良い兆候
実行可能性	この指標に影響を与えられますか？	直接的な働きかけが可能
測定可能性	信頼性の高い測定ができますか？	欠損データが5%未満
監査可能性	異常の原因を調査できますか？	計算ロジックが明確
整合性	ビジネス価値と結びついていますか？	経営幹部が関心を持つ
帰属可能性	変化の原因を特定できますか？	A/B テストが可能

アンチパターン

• 虚栄の指標 — 意思決定に役立つものではなく、見栄えの良いものを追跡する
• 指標の過多 — ダッシュボードは50個あるのに、洞察はゼロ
• 遅行指標のみ — 予測指標を使わず、結果だけを測定する
• 障害の見過ごし — データ品質の問題に対するアラートがない
• HiPPO 主導 — データよりも最高給与者の意見が優先される
• P 値のハッキング — 有意な結果が得られるまでテストを繰り返す
• リリースして放置 — 成功基準を定めずに機能をリリースする
• セグメントの見落とし — 平均値だけを見て、コホート間の違いを見逃す