2021GW読書2 DMM.comを支えるデータ駆動戦略
自分用のメモです。
TL;DR
.不確実性に対応するためにアジャイル開発を進めるが、不確実性は下げた方がいい。
.Part1のサマリーは以下の図。
.Part2はXPとスクラム周り。
.Part3は実践。
Part1 事業を科学的なアプローチで捉え、定義する
Chapter1 データ駆動戦略の全体像を理解する
事業改善の方法は、事業構造を数値モデルにして観測可能にすることと、それによって得られた勝ち筋に対して仮説検証を回すこと。
.1:事業を数値モデルとして理解する
.インプット(人・資本・モノ)/処理()/アウトプット(売上・利益)を捉える。
.マクロ的視点とミクロ的視点を繰り返し、システムを階層性で理解。
.事業の「可観測性」を高める。
.2:事業構造をKPIで表現し、予測可能性を作る
.KGI ⇨ CSF ⇨ KPI
.3:KPIから見えた課題に対して、施策を当てていく
.KPI ⇨ 優先施策1/優先施策2/優先施策3
.優先順位付に時間をかけず、ABテストなどの施策実行のスピードを重視する。
.4:仮説検証サイクルによって学習を生む
.施策に対して、KPI選定 ⇨ 仮設 ⇨ 検証 ⇨ 計測のサイクルを回す。
.施策の検証は少数で実施。
.5:仮説検証サイクルを合理的に回す
.いかに適切な粒度で仮説検証サイクルを回すのか。妥当性のあるABテストをする。
Chapter2 事業を数値モデルで表現すると、予測と自動化ができる
.1:事業構造をシステム理論で捉える。
.2:事業の可観測性を高める。
.測量可能性・定量性・再現性・統計的有意性・論理的整合性
.ユーザーの行動が数値で追える状態担っているべき。
.5:操作可能な変数を把握して、事業予測する。
.6:事業のキードライバーをどこに置くか。
Chapter3 仮説検証を繰り返すことで不確実性を下げていく
リーン・スタートアップな時代。地図はない。
そのため、多くの実験ができる環境を用意し、データを収集する必要がある。
.1:型を学び、組織を方向づける。
.2:失敗できる環境を作り出す。
.失敗をコントロールする。
.ABテスト・AAテスト
.3:無駄を排除して効率的な実験を行う
.MVP(Minimum Viable Product 最小の実行可能プロダクト)
（調査・スモーク・手作業・プロトタイプ）
.4:イテレーティブな改善の流れをアジャイルに作る
イテレーティブ：繰り返し / インクリティブ=少し積み上げ。
IID：Iteretiveとincrementの組み合わせ。
ユーザーストーリーマッピング：ユーザーの要求や行動の図示
.5:仮説検証プロセスで実験を加速させる
実行フェイズ：Learn⇨Idea ⇨Build⇨Product⇨Measure⇨Data⇨Learn
計画のフェイズは逆から考える。
.6:流れを施行する。
.1: 流れを高速化し、安定化させる。
.2:バリューストリームの設計
Part2 強固な組織体制がデータ駆動な戦略基盤を支える
Chapter4 なぜ、学習する組織が必要なのか
.Part1でみた土台・型を実行できる組織であることが必要。
.アジャイル型の進め方では、プロジェクト・環境の変化に対応しする必要がある = 学習する組織である必要がある。
.しなやかな(=衝撃や変化に耐え、回復できる)組織である必要がある。
.Unlearn = 既存知識を捨てながら、新しい知識を取り込む。
.タックマンモデル⇨組織の成長。混乱期を経て統一期・機能期へ。
.因果ループで組織を考える。
.戦略的Unlearnにするには型の適応とゆらぎの場が必要。
Chapter５戦略的Unlearnによる組織モデルの構築
.XP(エクストリーム・プログラミング)注意して・適応して、変更する。
.継続的な向上でなくても、継続があれば。
.暗黙知と形式知による知の流れを。
Chapter6 組織構造から発生する力学を操作する
.組織のサイロ化と向き合う。
.知識や成功のノウハウを共有する。
.どう作るのか、の部分をゆるくつながる。
Part3 データを駆動させ、組織文化を作っていく
Chapter7 データを集約して民主化する
.データドリブンマーケティング参照。
Chapter8 商品レビューをデータ駆動でグロースさせてみよう！
.事例