D ビジネス/PM — メールキャンペーン自動化基盤 × プロダクトロードマップ設計 × MVP定義 × KPI ツリー × MoSCoW バックログ

📋 コピー━━ MVP（Phase 1）— ユーザーストーリー + 受け入れ条件 ━━

【US-01】セグメント作成・保存（Must）
  マーケターとして、
  エンジニアに頼まずセグメント条件（購入回数・最終購入日・会員ランク等）を
  UIから設定・保存したい。
  なぜなら、施策実施スピードが現状の1/6（2日→15分）になるから。

  受け入れ条件:
    ✅ ブラウザからセグメント条件を入力 → 保存できる（エンジニア作業不要）
    ✅ 保存後 15分以内に BigQuery で対象者リストが生成される
    ✅ 対象者数がプレビューとして UI に表示される（± 5%以内の精度）
    ✅ dbt test: stg_customers の NOT NULL / unique 制約がパスしていること
    ✅ セグメント上書き時に旧リストが保全される（Audit log）

【US-02】配信スケジュール設定（Must）
  マーケターとして、
  セグメントに対して配信スケジュール（日時）を UI から設定したい。
  なぜなら、毎回エンジニアにリクエストすると2営業日のロスが発生するから。

  受け入れ条件:
    ✅ スケジュール設定 → 指定日時に自動で MA API へ名簿が送信される
    ✅ 送信成功/失敗がメールで担当者に通知される（5分以内）
    ✅ 送信ログが Cloud Logging に 90日保全される
    ✅ MA API rate limit 超過時はリトライキューに積まれる（DLQ）

【US-03（Should）→ Phase 2】
  マーケターとして、
  カート放棄後1時間でトリガーメールを自動送信したい。
  → Phase 2 の Pub/Sub トリガー配信で対応（今回スコープ外）

━━ MVP 完了の定義（Definition of Done）━━
  1. エンジニアへのセグメント変更依頼がゼロになったことをスラックログで確認
  2. 2週間のトライアル期間中、マーケターが週3回以上自律操作していること
  3. dbt test が CI でパス（Github Actions）していること
  4. 負荷テスト: 1,000セグメント同時保存で 15分以内に完了すること

📋 コピー-- models/mart/mart_email_kpi_daily.sql
-- メールキャンペーン KPI 日次集計
-- Phase 3 で実装。Looker Studio のダッシュボードソースとなる
{{ config(
    materialized='incremental',
    incremental_strategy='insert_overwrite',
    partition_by={
        'field': 'campaign_date',
        'data_type': 'date',
        'granularity': 'day'
    },
    cluster_by=['campaign_id', 'segment_id']
) }}

{% set LOOKBACK_DAYS = 3 %}

WITH email_events AS (
    SELECT *
    FROM {{ ref('int_email_events') }}
    {% if is_incremental() %}
    WHERE campaign_date >= DATE_SUB(CURRENT_DATE(), INTERVAL {{ LOOKBACK_DAYS }} DAY)
    {% endif %}
)

SELECT
    campaign_date,
    campaign_id,
    campaign_name,
    segment_id,

    -- 配信量
    COUNT(*)                                          AS sent_count,
    COUNTIF(is_opted_out)                             AS optout_count,

    -- エンゲージメント
    COUNTIF(is_opened)                                AS opened_count,
    COUNTIF(is_clicked)                               AS clicked_count,
    COUNTIF(is_purchased)                             AS purchased_count,

    -- 売上
    COALESCE(SUM(revenue), 0.0)                       AS total_revenue,

    -- レート指標（NULL安全 SAFE_DIVIDE）
    SAFE_DIVIDE(COUNTIF(is_opened), COUNT(*))         AS open_rate,
    SAFE_DIVIDE(
        COUNTIF(is_clicked), NULLIF(COUNTIF(is_opened), 0)
    )                                                 AS click_to_open_rate,  -- CTOR
    SAFE_DIVIDE(
        COUNTIF(is_purchased), NULLIF(COUNTIF(is_clicked), 0)
    )                                                 AS cvr,
    SAFE_DIVIDE(
        COALESCE(SUM(revenue), 0.0),
        NULLIF(COUNTIF(is_purchased), 0)
    )                                                 AS aov,               -- Average Order Value

    -- オプトアウト率（1.5%超で品質警告）
    SAFE_DIVIDE(COUNTIF(is_opted_out), COUNT(*))      AS optout_rate

FROM email_events
GROUP BY 1, 2, 3, 4


-- ━━ Looker Studio ダッシュボード設計 ━━
-- Page 1: 全体サマリ
--   - 時系列チャート: GMV（メール経由）
--   - スコアカード: 開封率 / CTR / CVR / AOV
-- Page 2: キャンペーン比較
--   - 表: campaign_id 別の KPI 一覧
--   - 散布図: CVR vs open_rate（高CVR・低開封率キャンペーンを特定）
-- Page 3: セグメント別分析
--   - ヒートマップ: segment_id × KPI
--   - フィルタ: campaign_date（四半期選択）

📋 コピー━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━

【Must — MVP に必須（Phase 1）】
  M1: BigQuery 顧客マスタ dbt 整備
      stg_customers, stg_orders → mart_segments
      担当: DE × 3週間
  M2: セグメントビルダー API（Cloud Run / Python FastAPI）
      GET /segments / POST /segments / GET /segments/{id}/preview
      担当: Backend × 4週間
  M3: セグメントビルダー UI（React + Cloud Run）
      担当: Frontend × 4週間（API と並行）
  M4: Argo Workflows スケジュール実行（BQ → MA API）
      担当: Backend × 2週間（Phase 1 終盤）
  M5: 基本 KPI 監視（DataDog: エラー率・配信成功率アラート）
      担当: Backend × 1週間

【Should — Phase 2 で実装】
  S1: Pub/Sub トリガー配信（カート放棄・購入後フォロー）
  S2: DLQ（Dead Letter Queue）でエラー自動リトライ
  S3: mart_email_kpi_daily（開封・クリック・CVR 統合集計）
  S4: Looker Studio ダッシュボード初版

【Could — あれば良い（Phase 3 以降で検討）】
  C1: セグメント A/B テスト配信（配信比率分割）
  C2: 件名 A/B テスト（送信時に条件分岐）
  C3: BigQuery ML で最適送信時間帯予測

【Won't — 今回スコープ外（キックオフ時に全員合意）】
  W1: 多言語対応（英語・中国語）
  W2: SMS / LINE 連携
  W3: AI 件名自動生成（LLM API 利用）
  W4: 国際配信（海外 EC 対応）

━━ 注意: Won't はキックオフ時に全ステークホルダーと合意する ━━
   合意なしで進めると「あの機能は？」が後から来る。
   スコープ外の合意 = PM の最重要タスク。

📋 コピー━━ リスクマトリクス（発生確率 × 影響度 で優先順位付け）━━

【高：即対応】
リスク①: MA ツール API の rate limit で大量配信時に詰まる
  発生確率: 高（MA 側 SLA が不明）/ 影響: 大（配信遅延 → 施策失敗）
  対策:
    - Argo Workflows に rate_limit（1分あたり最大配信数）を設定
    - Pub/Sub + Cloud Tasks でキューを分散
    - 事前に MA ベンダーに「月40万通の API rate limit」を確認し文書化

リスク②: 個人情報（メールアドレス）の BigQuery 保存コンプライアンス
  発生確率: 中（法務確認済みかどうか不明）/ 影響: 極大（法的問題）
  対策:
    - BigQuery の column-level security（POLICY TAG）で PII 列を制限
    - アクセスログを Cloud Audit Log で 90日保全
    - 法務・情報セキュリティ部門との事前確認 → 開発開始前に完了

【中：Phase 2 で対応】
リスク③: セグメントビルダー UI をマーケターが使いこなせない
  発生確率: 中（変化管理が不十分だと操作率が上がらない）
  対策:
    - Phase 1 終了後に 2週間のトライアル期間を設ける
    - 操作ログを Cloud Logging で収集し、UX 改善サイクルを回す
    - マーケターへのオンボーディング動画（5分）を準備

リスク④: dbt モデルの欠損でセグメント精度が下がる（名簿ズレ）
  発生確率: 中（ソースデータの品質に依存）
  対策:
    - dbt test（not_null, unique, relationships）を CI に組み込み
    - 失敗時は Argo ワークフローを中断して DLQ 通知
    - mart_segments の更新を DataDog カスタムメトリクスで監視

━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━