1. 0 17：35〜 GMO NIKKO株式会社 中村 智彦 スマートフォンアプリ解析ツール Apsalarについて

2. 1
多くのアプリ提供会社が悩んでいること ・アプリでの囲い込みが進んでいない ・ユーザーの定着率が低い 結果・・・ アプリ KGI 目標の未達

3. 2
「収益化」に成功しているアプリに 共通して言えることは？

4. 3
「 Goal に至るまでの過程で快適 （ストレスレス）なユーザー体験の場を提供」 ・ゲームを楽しませる ・目標とするポイントまで、ユーザーに意識させることなく遷移させる ・スムーズに商品を購入できる ・詳しい説明なく、機能を利用できる など

5. 4
そこで… Webサイトにて、快適なユーザー体験を 提供している企業（サイト）は非常に多い ・・・なぜ、アプリでは実現できていないのか？

6. 5
現在、Webサイトが流行り出した時代と同じ事が 『 アプリ 』で起こっている 成功しているWebサイトは、 解析を重ねてきたからこそ、「快適」になっている アプリはまさにそのフェーズにある

7. 6
Webにて蓄積された知見（UI成功事例）は アプリで通用するとは限らない 『WebはWeb』 『アプリはアプリ』 という考え方が重要 アプリ事情に特化した、分析・最適化ツールにて 「解」を探す必要がある

8. 7
集客の最大化
成果の最大化
アプリのリリース
プロモーション実施
プロモーション分析
２つの分析視点が必要
プロモーション最適化
アプリ内分析
アプリ内最適化

9. 8
集客の最大化 （キャンペーン分析）
成果の最大化
（ユーザー体験最適化）
新規顧客開拓
顧客活性化
収益化

10. 9
集客の最大化 （キャンペーン分析）
成果の最大化 （ユーザー体験最適化）

11. 10
成果の最大化 （ユーザー体験最適化）
Funnel 分析
Cohort 分析

12. 11
成果の最大化（ユーザー体験最適化）
Funnel 分析
：33%
：67%
ボトルネック
ＫＰＩ 達成率
ＫＰＩ 達成率

13. 12
成果の最大化（ユーザー体験最適化）
Cohort 分析
例）ゲーム系アプリにおける、Cohort分析：「セッション（起動）」× 「友達申請」
① 通常時 A：5/22 - 25
②イベント成功パターン 5/26 – 6/2
③通常時 B：6/3 - 7
④イベント失敗パターン 6/8

14. 13
Funnel 分析
Cohort 分析
・ユーザー体験において
ネックとなる箇所の特定
「Goal 到達ユーザーの拡大」
「イベント・機能の成否判定」
・イベント体験ユーザーごと の定着率を時系列で判定

15. 14
集客の最大化 （キャンペーン分析）
成果の最大化 （ユーザー体験最適化）

16. 15
■ アプリにおけるユーザーマッピング
無関心層
関心層
非ｲﾝｽﾄｰﾙ
ｲﾝｽﾄｰﾙ
休眠 ユーザー
ｱｸﾃｨﾌﾞ ユーザー
ロイヤル ユーザー
「収益化」のためには、ユーザー層ごとのアプローチが重要

17. 16
■ 「成果の最大化」要素の影響範囲
無関心層
関心層
非ｲﾝｽﾄｰﾙ
ｲﾝｽﾄｰﾙ
休眠 ユーザー
ｱｸﾃｨﾌﾞ ユーザー
ロイヤル ユーザー
「Funnel分析」「Cohort分析」による最適化 ⇒ Goal数の増大 ※ただし、Goalへの確率を上げるだけでは不十分

18. 17
■ 「集客の最適化」の影響範囲
無関心層
関心層
非ｲﾝｽﾄｰﾙ
ｲﾝｽﾄｰﾙ
休眠 ユーザー
ｱｸﾃｨﾌﾞ
ユーザー
ロイヤル ユーザー
「KGI目標達成」のためには、「非アクティブ層」の活性化も必須！！

19. 18
■ 活性化のための手法
無関心層
関心層
非ｲﾝｽﾄｰﾙ
ｲﾝｽﾄｰﾙ
休眠 ユーザー
ｱｸﾃｨﾌﾞ ユーザー
ロイヤル ユーザー
リエンゲージメント広告 ※ 特に重要なトレンド
リワード広告＋アドネット ワーク広告

20. 19
■ リエンゲージメント広告とは？
アプリを利用しなくなった休眠ユーザー（もしくはDL後、未起動）に対して
広告を介したアプローチを行い、再度利用者となってもらう施策のこと
⇒ 『アプローチするターゲットをどのように特定するのか』が重要となる施策

21. 20
リエンゲージメント 広告に活用可能
分析結果データを
休眠ユーザー
利用中のユーザー
未起動 ユーザー
特定の日数 以上、起動 していない ユーザー
CVに 至っていない
特定ポイント へ未到達

22. 21
■ Apsalar データのリターゲティング活用
休眠ユーザー
継続ユーザー
DL 済ユーザー
iOS : IDFA Android: AdID
Target_01
Target_02
Target_03
リエンゲージメント配信
ユーザー拡張配信
他アプリ向け配信
新規DL促進
Point １ ： DL後非アクティブユーザーに絞って再アプローチが可能 Point 2 ： 次回リリース予定アプリの初動DL促進として活用が可能
新規DL促進

23. 22
■ Apsalar データのリターゲティング活用 （拡張タイプ）
iOS : IDFA Android: AdID
Target_01
Target_02
Target_03
リエンゲージメント配信
ユーザー拡張配信
他アプリ向け配信
新規DL促進
Point １ ： DL後非アクティブユーザーに絞って再アプローチが可能 Point 2 ： 次回リリース予定アプリの初動DL促進として活用が可能 Point 3 ： アクティブユーザーとの類似ユーザーに拡張配信が可能
新規DL促進
休眠ユーザー
継続ユーザー
DL 済ユーザー
未 DL ユーザー

24. 23
■ リエンゲージメント広告によって得られること
1.
2.
ユーザーの活性化
アプリの再評価
一度アプリを遊んでいるため、アプリ内でのステータスがあり、 リエンゲージメントした際のアプリの定着率が高い。
以前の使用感と現在の使用感を比較をする為、
アプリのアップデートによるアプリ自体の評価が明確になる。

25. 24
成果の最大化 （ユーザー体験最適化）
集客の最大化 （キャンペーン分析）
■ まとめ
・最適なイベント/機能の選択 ・ボトルネックの解消
ユーザーフレンドリーな 『アプリに特化した』UIの構築
・最良の広告選定 ・ターゲット別アプローチ
「質・ボリューム」を備えた プロモーションの構築

26. 25
成果の最大化 （ユーザー体験最適化）
集客の最大化 （キャンペーン分析）
■ まとめ
＋ DMP機能（来年早々に実装予定）

27. 26
ご清聴ありがとうございました