【PM 總動員】讓數據幫你決策：產品經理也懂的數據分析📈 手把手帶你實戰演練 (內含範例)
目前軟體產品、資訊科技公司普遍都有 Data-informed/Data-driven 運用的認知概念，講求實事求是、讓客觀數據說話，雖然不一定每件日常工作都會落實數據驅動，公司也不一定規模到都有專職的數據分析師，但這樣的 mindset 與基本分析能力已經漸漸成為產品經理的必備要求，面對重大問題與產品更新時，如果對數據有充份的理解、並能發揮它的效用，那將是溝通上強而有力的論述證據，幫助對焦問題與決策的同時、也讓團隊少走一些冤枉路。
即便公司內已經有數據分析師/數據科學家的協助，懂得他們的語言與工作流程也能幫助產品經理更好與他們協作與對焦數據需求，讓整體分析流程更快速到位。
▍目錄概要
📍 讓數據成為你的武器
📍 有 GA 就好了，還需要看其他數據嗎?
📍 數據決策分析四大步驟
Step 1. 問題與指標拆解、訂定假設
Step 2. 維度觀察與指標計算
Step 3. 發現梳理與解讀
Step 4. 資料呈現與視覺化▍ 讓數據成為你的武器
數據分析對產品經理來說常見的應用面向有
- 提案與溝通說服
- 需求重要度排序
- 產品功能成效追蹤
- OKR 指標制定
- 其他靈感發想
其實現在越來越多中小型/新創公司會串接第三方數據分析工具，或願意讓產品經理直接用 SQL 撈取自家資料庫，第一手接觸數據不僅讓過程更加快速、隨時彈性微調觀察方法，也能更精準貼合到真實遇到的商業問題上。
當產品經理數據碰久了，面對公司重要指標波動時會更有感覺，即便只是基本的數據分析概念，面對內外需求討論時，融會貫通已知的數據概況，就能成為溝通上的底氣，也可用來提升大家的開發信心度。所以有機會的話還是鼓勵大家多多接觸數據分析，有概念是必須的，但可以的話進一步嘗試基本的數據撈取像是 SQL 等、或直接取得數據的權限，讓過程更快成形。
▍ 有 GA 就好了，還需要看其他數據嗎?
有人會說只要在網站/App裡埋好觸發的事件，Google 所提供的免費數據觀察工具 GA4 (Google Analytics 4) 就很夠了，還需要撈其他數據來看嗎? 我的建議是這就要取決於你想看的數據是為了什麼用途，簡單把資料來源分成兩種類型：
存放資料類型如果是「軌跡 (Logs)」 代表主要儲存的是一次性的事件，紀錄當下的觸發事件名稱與補充資訊像是額外參數等，通常會用來紀錄用戶端的各種操作行為。而如果是 「 狀態 (Status)」則代表是不斷被覆蓋更新的資料，也因為儲存的會是最新的唯一數值，只能看當下的數據，無法回溯過往的紀錄。
第三方工具的發展也都發展得很有聲有色了，但時代變換與適合的工具不斷迭代，加上用戶量體增加後造成的成本考量，我目前待過的中小型企業都用免費的 GA4 觀測基本用戶行為數據、而複雜問題則是改查自家資料庫為首要數據分析的手段。
▍ 數據決策分析四大步驟
Step 1. 問題與指標拆解、訂定假設
開始前最重要的三個問題：
- 問題與目標 (Question & Goal)：我想知道的問題是什麼? 目標是什麼?
- 假設 (Hypothesis)：我到底想看什麼樣的數據?是基於什麼觀察與假設？
- 行動 (Next Steps)：如果數據撈出來了，會怎麼影響我的下一步?分析完的決策可能是什麼?
如果只是出於好奇心撈的，這三個問題可能都會很難回答。不是說突發奇想的求知慾是不好，而是如果團隊耗費心力紀錄數據後產出結果大多都不了了之，有時候會逐漸讓團隊內部產生懷疑、對於數據的應用效果失去信心，感受不到數據所帶來的影響，甚至是會失去 Data-informed/Data-driven 的價值信念。每次數據分析都是珍貴的經驗，務必要把上面這些問題想清楚，才能好好把數據的優勢發揮到極致。
以下綜合性電商產品為例，老闆希望做點什麼，來提升下一季總銷售額：
問題與目標 (Question & Goal)：
如何藉由提高 人均累積消費金額，來增加總銷售額？
發現了嗎，其實我已經把題目鎖定在「人均累積消費金額」，因為我知道「總銷售額 = 人均累積消費金額 * 消費人數」。當然要直接攻總銷售額也沒問題，只是我覺得這樣的範圍太大，當往下回答到第 2、3 問題時，即便知道總銷售額數據，也無法幫助我該怎麼決定下一步，所以這次我先縮小研究範圍，先把關注重點放在每人貢獻的累積交易金額上。
接下來再往下拆解可操作的指標：
人均累積消費金額 = 人均客單價 * 消費次數
為了避免後面的假設僅從公司與商業觀點出發卻忽略真實需求、太一廂情願，這時候就要同時考量對用戶的了解與觀察，才能有機會對用戶造成影響。可能很多人有聽過決定使用者行為動機的模型「Fogg’s Behavior Model」： B=M*A*P
Behavior(行為) ＝ Motivation(動機) * Ability(能力) * Prompt(提示)
但這邊重點不是行為模型怎麼運用，而是有個很重要的前提原則「Fogg’s principle」要先留意：
- 幫助人們做他們早就想做的事
- 幫助人們感覺成功
數據現況就是幫我們從「部分用戶已經在做的行為」中發現機會與推論假設，然後再藉由產品機制去更順利達成「他們早就想做的事」，並且「感受到成功」。
我再進一步選擇「消費次數」這個指標進行著墨，我曾經發現身邊某些養貓的朋友，很常固定線上購買像是罐頭、貓砂等寵物用品，而這些購買週期也似乎是有規律性的，例如一到兩個月一次，我曾問說為什麼不買好整年份就好，得到的考量一部分是因為貓咪的口味很常變、一部分是因為家裡沒有那麼大的儲藏空間。這讓我反思到我家很習慣早餐一杯牛奶、也會每週定期補充牛奶，這樣的規律性購買型態很仰賴每個用戶的生活型態，而有不同購買品項與頻率，於是我的假設與行動可能會是：
假設與行動 (Hypothesis & Next Steps)：
如果數據證實「消費次數高的用戶，大多會定期買特定同類型的消耗品」，那我可以做點什麼把這個行為輻射到其他用戶上，促使相似用戶也產生同樣的行為模式。
這邊可以把更具體的解法寫進去，像是「利用適時的回購提醒來增加購買同品項的重複訂單數」，但先不用思考太遠，畢竟數據分析過程中的發現可能會給你更多解法上的靈感，只要有初步的行動構想即可。(也有可能會被數據打臉🙃，所以建議先不用花太多時間在詳細解法上)
但指標選擇上如果我選的是「人均客單價」，並從用戶行為漏斗 (Funnel) 觀察到一部分用戶會「習慣從收藏商品中，把多個商品一起加入購物車並購買」，這時候我的衍伸假設可能就會是：
假設與行動 (Hypothesis & Next Steps)：
如果數據證實「用戶收藏的商品越多，有可能一次買越多」，那我可以做點什麼把這個行為輻射到其他用戶上，促使相似用戶也產生同樣的行為模式。
💡 拆解的顆粒度與指標的選擇，會大大影響後續的假設與可能行動Step 2. 維度觀察與指標計算
接下來就要看你所需要的數據支撐要切成什麼維度來看，延續上面的舉例：
假設與行動 (Hypothesis & Next Steps)：
如果數據證實「消費次數高的用戶，大多會定期買特定同類型的消耗品」，那我可以做點什麼把這個行為輻射到其他用戶上，促使相似用戶也產生同樣的行為模式。
⚠️ 以下開始的範例是基於現狀分析推論出的假設結果，無法得知因果。
如要證明相關性、因果性、甚至預測性還需要更嚴謹的統計學基礎或數據分析方法。在思考要撈哪些資料時，就要開始設想觀察維度與切角，把抽象的敘述轉譯成實際的數字，例如：
我想知道最近三個月中，每月成交次數都 ≥ 5 次的用戶 (=消費次數高的高頻用戶)，分別是買了哪些商品類型，不同性別的用戶人數有多少，而平均購買商品數又是多少?
- 時間範圍：最近三個月，2023.12月~2024.01月
- 篩選條件：每月成交次數都 ≥ 5 次的用戶，撈出他們這三個月的訂單明細
- 切分維度：by 月份 * by 商品類型 * by 用戶性別
- 對應指標：計算「用戶人數」、「人均購買商品數」的總合數值
用簡單的表格來呈現的話，想像大致是這樣子
(維度是橘底的欄位、指標是灰底的欄位)：
這裡的轉譯的重點有兩個：
1. 是否要觀察 時序的變化 (time-to-time)，也就是看不同時間的差異，是的話記得要把時間單位當成是維度的其中一項。
2. 維度可能有多個，取決於你的觀察要細分到什麼程度，選擇的維度要彼此獨立以避免重複加總，且最好在撈資料前就要定義清楚。
如果是有數據分析師幫忙的話，通常到這邊就足夠了，但如果是產品經理自己撈，記得要去詢問後端/資料庫工程師幾個問題：
- 我所需要的數據是 軌跡 (Logs) 還是 狀態 (Status)?
- 這些資料都存放在哪邊? 用 GA 就可以查到嗎? 還是要到自有資料庫下 SQL?
- 這些數據最長可儲存多久? 如果要回溯 N 個月前的資料是否抓得到?
- 是否要事先請工程師清洗資料? 也就是資料的擷取、轉換和載入 (Extract, Transform, Load =ETL)，整理後存到特定地方才方便我存取
上述範例的資料就是 軌跡 (Logs) 和 狀態 (Status) 的結合，訂單紀錄是軌跡 (Logs)，但是用戶的性別則是狀態 (Status)，通常這種情況資料來源統一取自家資料庫會比較方便、資料也更精確，但要記得先確認資料庫的 Logs 的保存時間，如果你要的 Logs 類型資料量過大，很有可能工程師每半年到一年就會封存或刪除一波舊資料，所以記得要先問清楚喔。
Step 3. 發現梳理與解讀
無論撈資料的工作是落在數據分析師還是產品 PM 身上，產出後要記得快速看過資料結果與格式是否如當初設想的一致：
- 先簡單試撈，用表格來預覽結果
- 注意維度是否有需要調整或抽換，若指標數值過低或不理想，就要回到 Step 2. 重新切分
(以下是假想數據，不代表真實情況~)
如果數據都沒問題了，先梳理你的發現與解讀是什麼，這一段是非常重要但又最常被忽略的過程，如何解讀將會大幅左右你的表達與數據影響力。我們可以從數據中找到一些有趣的新發現，然後在每個發現上註解出屬於你的解讀。這很仰賴產品經理對用戶的理解、以及對產品與市場的敏銳度，其中也包含一部分的行動方針，但不管如何儘管大膽假設，之後再小心求證即可。
為了讓資料更好解讀，我們先把男性女性分成兩張表格來看：
如果這樣還是不好挖 insights，也可以在 Google Sheet / Looker Studio 等用各種圖表輔助思考與觀察，讓思路更清晰，例如這樣應該就清楚多了：
如果有時序，我橫軸通常會放時間的變化、縱軸為指標數值，用簡易的長條圖區分不同商品類別的數值差異，再用不同的顏色加以區分。如果有多個值，盡量可以分表呈現，避免混在一起時阻礙分析。
🔍 在往下看之前，也先停下來一分鐘思考一下是否有發現什麼蛛絲馬跡? 你的看法是什麼？接著從中梳理出你的發現與對應解讀，以下是我的舉例：
發現 (1)： 雖然女性購買商品數最多的是「日常民生用品」，但購買人數最多的卻是「美妝保養」
→ 解讀：不論時間如何變化，高頻女性消費者似乎真的有常購買的品類！這兩種好像都是滿好下手的，但是我認為美妝保養普遍的規律性比較好抓、單價也較高，可以用各種方法提醒有化妝品、保養品購買習慣的女性用戶定期回補。
發現 (2)： 11 月男性最常購買的是 「3C 科技與家電」，12 月卻則變成「服飾與配件」，三個月間常購買的商品類型沒有固定規律
→ 解讀：高頻男性在這三個月似乎沒有固定常購買的品項，可能分別受 11 月購物節折扣與 12 月冬天換季與聖誕節送禮的影響。11 月給男性的推薦商品頁可以主打互補性強、多樣高單價 3C 用品 ，而 12 月則推薦聖誕節可贈送的禮物，增加回購率。
回頭來看我們的假設：
假設與行動 (Hypothesis & Next Steps)：
如果數據證實「消費次數高的用戶，大多會定期買特定同類型的消耗品」，那我可以做點什麼把這個行為輻射到其他用戶上，促使相似用戶也產生同樣的行為模式
有趣的是，「發現 (1)」證實我們的假設可能正確，女性無論月份，都有常態購買的固定商品類型。但是「發現 (2)」卻與假設相違背，男性用戶沒有定期購買同類商品的長期習慣，且容易因時期與大型促銷活動改變。不過幸好我們當初就有切分出男性與女性兩個維度，才有辦法看到這兩者的差距，也知道如果要擴散這個複購行為到其他低頻用戶上，先以女性消費者出發會比較合適。
⚠️ 數據解讀的誤區：
1. 過大的群體容易看不到其中的關鍵差異。例 WAU 10萬 = 新用戶 80 萬 - 流失用戶 70 萬。
不同維度的切法會有不同的發現，多試試看用不同角度來分析。
2. 再次提醒，目前範例只是現狀分析，不代表因果。
如要證明相關性、因果性、甚至預測性還需要更嚴謹的統計學或數據分析方法。Step 4. 資料呈現與視覺化
如果你得到了很棒的數據發現，千萬不要藏起來當大招，這樣的結果與解讀是非常好的火力展示，定期聽聽看其他人的想法是什麼、也潛移默化傳教數據分析的思維，相信對後續的提案會有很好的幫助。
多數人都是圖像學習派，可視化與圖像化就是把「數據」變成「資訊」、成為輕鬆說服他人的有利工具，但不是把圖拉出來就好，而是思考怎麼樣的呈現能讓看的人不帶腦、一眼就看出重點，甚至是默默認同你想強調的論點：
- 資訊是否好讀? 例如剛進公司的新人是否都能一眼看懂，作為易讀性判斷
- 強化關鍵重點、淡化次要資訊
- 讓大家從圖表中自然發現蛛絲馬跡、呼應到你的行動
- 時間區間、名詞定義等是否有註釋、有提到轉換率的地方是否有清楚交代分子與分母
- 是一次性數據、還是需要持續追蹤觀察? 是什麼時候撈的資料?
- 附上詳細數據的連結，讓有興趣深入分析的人可以自行觀看
目前單純把資料用多長條圖呈現，一般人可能還是有點難懂：
搭配 Step 3. 的發現與解讀後，可以把圖表呈現改成這樣：
- 男性圖表專注 3C電子產品 和 服飾與配件 在「月份間的時序變化」，因此我多加上了折線圖做為連續關係的輔助，淡化長條圖的資訊
- 女性圖表專注在 美妝保養 和 日常民生用品 在「用戶人數與人均消費商品數的不同」，因此淡化了其他兩個品項，同時加上參考線方便比較差異
💡 資訊呈現方式因人與解讀方式而異，同時要考量聽眾與你的關係、和對方習慣的吸收方式。
建議多嘗試幾次後找合適的同事/親友在不額外口述補充的情況下觀察對方的理解，才容易更快進步。以上就是簡單帶過如何用現狀數據分析，來輔助產品經理所遇到的課題，期待大家都能把數據收為己用，發展出屬於自己的分析與解讀方式、提升產品經理的日常工作效率。如果對於這個主題有興趣，或是認為以上內容太淺了不夠看，都歡迎加入我們公司一同深入研究與學習喔!
上述的內容若有誤，歡迎糾正與討論，一起持續成長 🙌🏻
