《產品數據分析與關鍵指標設計》筆記分享——從了解數據營運、設計指標、解讀分析並到轉化成行動


  • 文章發表於 2020-09-21

文/Yin,原文出自《產品數據分析與關鍵指標設計》筆記分享,感謝授權轉載。

最近工作上想導入數據已有一段時日,一方面很期待數據的導入能解決掉現有的許多問題,另一方面又害怕會不會反而扼殺了直覺?或忽略了難以量化其價值的工作?

為了避免未來導入數據的雷區,聽了悠識的「產品數據分析與關鍵指標設計」課程與其他網路資料,消化成自己能實際應用的知識寫下這篇文章。

註:這篇文章包含我主觀詮釋課程內容 + 整合其他相關資料 + 個人想法,內容已大不相同,不代表課程實際內容!

數據如何幫助企業營運

▍老闆要 Data Driven:哪種 Data?怎麼 Driven?

Data 原意包含量化資料質化資料維基百科),中文翻譯「數據」僅包含前者,許多公司也誤以為所謂的 Data Driven 只看量化資料,忽視的質化資料就變成了決策盲區。Netflix 消費者洞察副總裁 Adrien Lanusse 也曾表示數據只能透露用戶做了什麼,但不能告訴我們為什麼。

那有了量化和質化資料,就能倚賴 Data 下決策了嗎?僅看數據依舊會有許多問題:

  • Data 經過就可能會有錯。
  • Data 只能告訴你全貌的一部分,收集永遠不足。
  • 沒辦法收集 Data:成本太高或時間不夠。
  • 往往事前不知道該收集什麼 Data。

Image for post

🔺只靠一部分資訊做決策,會落入區域最佳解的陷阱,大數據亦然(重製講師範例圖,來源 https://www.helpscout.com/blog/local-maximum/

如果公司一天要做這麼多決策:誰是目標族群、產品設計、市場行銷、用戶營運、功能改版……,這些 Data 要從哪來?又能相信只看 Data 的結果嗎?因此衍伸出了 Data Informed 營運風格。

▍Data Informed, Not Data Driven.

Adam Mosseri(前 Facebook 產品副總裁、現 Instagram 負責人)2010 年在這場演說定義 Data Driven 是僅憑數據下決策,而 Data Informed 除了收集量化與質化資料,也會綜合如競品動態、策略與目標、直覺與經驗等資訊做決策參考。

一期 UX Coffee 的 Podcast 節目中訪問 Apple 設計師也提到對數據的顧慮與不信任,Apple 會在開發前期做高 level 的用戶需求研究,但開發後期傾向相信設計師的直覺,而非做易用性測試等來讓用戶告訴他們產品好不好。

Image for post

釐清自己或組織如何使用數據,能夠不那麼容易迷失在數據汪洋中,甚至間接了解公司在企業文化、團隊招聘、組織架構、行事風格的部分面貌。

當數據在手,下一步就是該判斷看哪些數據,也就是為你的產品定義成功的關鍵指標為何,接下來會討論:

  • 🌟了解數據指標:產品的北極星
  • 📊 認識數據框架:認識常用數據指標

數據指標

▍指標的來源

來源依據獲取的困難度從簡單到困難依序為:

  • 數據收集或分析工具,如 Google Analytics、Mixpanel 和 Amplitude。
  • 數據框架,如電商常見的 AARRR。
  • 與公司目標或績效最相關的活動,如 Facebook 之前定義的月活用戶除了 30 天內有開啟 Facebook 或 Messenger App 外,還包含分享第三方內容給 Facebook 好友,可見 Facebook 認為此行為與當時公司成長相關。
  • 量化研究方法,如市場調查。
  • 質化研究方法,如田野調查與用戶訪談。

▍指標的類型

☞ 虛榮指標(Vanity Metric):帶有虛榮成分的數據,盲目追求會陷入自我膨脹。

☞ 行動指標:能夠指導最佳行動方案,指導商業行動。

例如:廣告投放 A 渠道評估 CTA(點擊率)高達 0.5%,B 廣告渠道只有 0.1%,但 B 的 CVR(廣告帶來的下單轉換率)高達 2%,A 只有 0.4%;這裡的 CTA 相較下是虛榮指標,只看這個指標就決定投放 A 渠道很危險,而 CVR 就是較具意義的行動指標。

☞ 領先指標:領先於事情發生之前即會顯露的數據。

☞ 落後指標:落後於事情發生後才會反應的數據。

例如:客速率(領先指標)通常會直接影響流失率(落後指標),如果能預先發現領先指標的變化,就可以提早地做出對策因應落後指標的發生。

當看到一個數據時,先思考它是虛榮或行動指標?領先或落後指標?檢查這個數據提升的同時是不是其實導致了其他指標的減少?指標往往要兩個一起看才有意義。

▍找出北極星指標

僅僅使用一種工具就能提供非常多種數據指標,但關注的指標過多就容易使戰力分散,讓公司變成多頭馬車。

Image for post

🔺(一小部分的)常見產品數據指標(重製講師範例圖)

Google 聯合創始人 Avinash Kaushik 提過不論產品或 KPI 應尋找唯一重要指標,用途包括:

  • 反映現階段最重要的問題
  • 幫助釐清最重要的目標
  • 反應公司的健康
  • 讓所有人聚焦在提升同一指標

Acorns 市場總監稱這個唯一重要指標為「北極星指標 North Star Metric 」(或稱 OTOM),好的北極星指標有 6 個衡量標準:

  • 這個指標能讓用戶直接體驗產品的核心價值。
  • 這個指標能直接反應用戶的活躍程度。
  • 這個指標若提升,能說明公司正在往好的方向發展。
    例如 Uber 若將「註冊司機數」當作北極星指標,顯然忽略了乘客,「總乘車數」則能反應到司機與乘客的供需平衡。
  • 這個指標容易被團隊理解與交流。
  • 這個指標是領先指標。
  • 你能操作這個指標的好壞。

Image for post

🔺北極星指標範例(參考 GrowingIO)

找出北極星指標後,能從廣度、深度、頻度、效度 4 大維度去訂定每個產品團隊的數據指標,也是把大指標拆解到可行動的過程,讓每個人都知道自己的 KPI 是什麼,也能衡量自己為北極星指標貢獻了多少力量。

Image for post

🔺 Amplitude 「雜貨訂貨送貨店 App」北極星指標樹圖範例

📊 認識數據框架(Framework)

對初學者而言,從框架尋找數據指標是一個很好的學習方向,可以先熟悉各種常用模型:

營運類

Image for post

🔺 用戶營運分析框架(重製講師範例圖)

行銷類

用戶體驗類

🧠 解讀數據之前要有的觀念

  • 數據不用苛求精準,但一定不能有錯,因為數據要指導行動。
  • 你只能收集到一部分的數據,不能代表全貌。
  • 好好紀錄會影響數據的事件(如行銷活動)及分析數據的步驟(設了什麼篩選標準)。
  • 了解數據背後的脈絡,先問數據從哪兒來。
  • 盡量將數據細分比較,不同群體的數據解讀往往大不相同。例如:年齡、角色、行為、心態、同比(與去年同期比較)、環比(與上月比較)、渠道、地區等。
  • 了解統計基礎知識(推薦《聰明學統計的 13 又 1/2 堂課》)。
  • 最後也是最重要的:抱持懷疑,數據是中性的,經過人或工具的解讀就會有差錯。

以精實創業(Lean startup)的開發流程為例,主要是從數據中學習,進一步產生想法來優化現有產品,並盡量將取得數據與開發的週期縮短。

Image for post

🔺 精實創業開發流程

其中三大關鍵動作 Learn、Build 及 Measure 都牽涉到數據的應用,當拿到數據時必須要重新檢視其中數據是怎麼被採樣、收集、清洗與加工,以及解讀的脈絡、量測的標準等等,才能避免使用錯誤的數據。

Image for post

🔺 需要了解「人」或「工具」是怎麼處理數據的

👩🏻‍💻 瞭解商業與用戶角度

數據解讀的關鍵在於從商業及用戶的角度出發,而不是從自己的角度做解讀,從「我什麼都不懂」的師徒心態好好了解產品的商業背景與用戶面貌。

商業面的解讀

  • TA 是誰
  • 公司的使命願景
  • 公司如何盈利
  • 公司的經營策略與目標
  • 公司的組織架構
  • 產品的價值主張
  • 老闆的觀點、想看什麼指標

以上在 Google 就可以找出大部分的資料,再者可以:

  • 利害關係人訪談(重要)
  • 相似案例 / 競品分析
  • 產品分析
  • 營運分析

用戶面的解讀

用戶研究方法可以參考已十分完整的講者的部落格

▍有了解讀之後,再去從利害關係人的角度去判斷哪個解讀才是重點。

「如果要說有什麼成功的秘密,那就是擁有瞭解他人觀點的能力」 — — 亨利福特

優化建議

✍️ Google GSM 將指標化為行動:

了解指標、懂得解讀,再來就是要與行動做連結。Google 提出一套可以用來設計指標的方法 GSM,能夠成為建議行動的依據:

  • 框架 Framework:可以套用現有的數據框架,也可以依照自己公司的狀況(產業、商業模式、發展階段、目標、面臨問題…)套上關鍵指標。
  • 目標 Goals:商業目標(我們希望用戶做什麼)或用戶目標(用戶自己想做什麼)。
  • 信號 Signals:完成目標後會出現的信號,最好是有直接一對一的因果關係。
  • 指標 Metrics:將信號變成易衡量的指標。
  • 任務 Task從目標找出能提升指標的工作項目。

Image for post

🔺 GSM範例

網路上可以搜尋到更多應用情境,平常嘗試在寫產品規格時就可以用這個框架思考如何衡量功能成效,或搭配 OKR 的 Key results 制定更詳細的衡量方式。

⚠️ 數據洞察不等於優化建議

如果當時亨利福特去做調查,人們會告訴他需要更快的馬,那該去養馬還是去開發車子?

最後也是最容易被忽略的一點,數據分析只能告訴你過去發生的事,能幫助明白現有問題或體驗,但未來的優化建議需要靠想像力與設計能力,將洞察轉化為優化建議請尋求專業的人。

Image for post

🔺 需要這個專業的角色通常就是設計師 Photo by Headway on Unsplash

如果對題目有興趣,或想學會實際應用的讀者,請直接參考課程或詢問講師 Hans Shih 本人!此篇文章比較像是個人補充資料,實體課程有非常多的實際案例與更完整的脈絡,架構也不一樣,適合作為互聯網工作的 UX 設計師或產品經理導入數據的入門磚。


悠識,是您打造好產品和好服務的助力!
📍 最新課程:https://bit.ly/2DV1zgu
📍 電子報: https://bit.ly/320YjtF
📍 LINE@:https://lin.ee/3mBLl1P
📍 悠識提問箱: https://lihi1.com/CpL9R
📍 團報集氣許願池: https://bit.ly/2XhKx2O

分類: 編輯精選學習資源

標籤: 筆記心得Hans數據分析產品經理