一句話總結：數據分析沒有你想的那麼可怕。指標是「過去發生的結果」，維度是「把結果拆開來看」，Benchmark 是「拿來比較的基準」。這三個搞懂，再會算幾個基本比率，你就能看懂九成的產品數據了。
數據分析和指標，這個產品經理應該天天聽到爛掉了，但是對於即將擔任產品經理或是想要轉職產品經理的人來說，你得要有些基本的知識。所謂的指標，就是用來評估一件事情，就好比，醫生常叫你一天要喝 2000cc 的水，2000cc 這就是一個指標，所以，簡單來講，指標就是用來幫助我們去理解目前事情的狀態為何。
數學不好也不用怕，先搞懂這三個數
標題說數學不好也能碰數據分析，我是認真的。你不用會統計，先把這三個最常用的數字搞懂，就夠應付日常：
- 比率（％）：兩個數相除。轉換率就是「買的人 ÷ 來的人」，它把「多」和「少」變成可以比較的東西。
- 成長率（YoY／MoM）：跟去年同期比叫 YoY，跟上個月比叫 MoM，回答的是「到底變好還變壞」。
- 分子與分母：看到一個比率在變，先問是分子動了還是分母動了。使用率從 10% 變 25%，可能是用的人變多（分子），也可能是總人數掉了（分母），意義天差地遠。
就這三個。會了它們，下面的東西你都吃得下。
你看到的數據，都是過去式了
通常，當你看到你設好的指標，且現在指標上呈現的數據，這都代表「已經」是過去的結果。
但通過「維度」的分析，我們可以理解這些指標數據的結構，就好像你去用 Inbody 身體組成分析儀測量體重時，會看到你的體重之外，還會看到脂肪、肌肉、骨骼等等結構的重量，而這些就是透過不同的維度去看你的體重組成。
而我們在觀察指標數據波動時，首要的問題是：這些數據和什麼比較？
老闆常常就講出：我感覺這個數據不好、成效很差。
但我通常都會詢問，這個的 Benchmark（基準）是什麼？讓你「覺得」數據不好、成效很差？
所以，有了數據分析，我們能夠開始：
- 理解當前產品、服務的營運狀況與目標。
- 評估團隊的現況與能力。
- 明確定義需要監控的指標。
- 每日觀察和維護報表。
- 分析指標的變化，以便及時調整策略。
淺談數據分析的步驟和方法
真的是淺談，因為正常的公司應該是有位數據分析師在處理數據的，產品經理的角色是取得已經有洞見的數據進行下一步的判斷。
不好抱怨了，簡單來說，要有效進行營運分析，理解數據分析的步驟和方法很重要，而且你未來遇到有人幫你做數據分析，一定要自己先搞清楚自己到底要什麼數據、為什麼，以及數據分析師是怎麼處理數據的。
- 明確分析目的和問題：在開始資料分析之前，必須清楚分析的目的是什麼，並確定需要解決的問題，這有助於精確地進行資料收集和分析。
- 收集和整理資料：根據分析目的，收集相關資料並進行整理，這包含了明確資料需求、選擇適當的資料收集方式（如線上調查、資料庫查詢），以及定義資料整理計劃。
- 資料清洗處理：將收集到的資料進行清洗，去除異常、缺失和重複，以確保分析結果的準確性。
- 資料視覺化和解讀：利用資料視覺化工具將數據圖形化呈現，以便直觀地解讀和分析資料。
- 得出結論和建議：根據分析結果，得出具體結論並提出可行建議，這些建議將為企業或組織的決策提供支持。
營運的詳細解析
數據是為了什麼？就是要看你的產品或是服務的營運狀況，以下，我會簡單舉一個分析案例。
講個具體的。假設一個購物網站，我會從「進站」這個數字往下拆成一條漏斗，每一段算出轉換率：
- 進站 10,000 人
- 加入購物車 2,000 人（進站→加購，轉換率 20%）
- 進入結帳 800 人（加購→結帳，轉換率 40%）
- 完成付款 500 人（結帳→完成，轉換率 62.5%）
這樣一拆，問題馬上跳出來：從「進站」到「加購」只剩 20%，是整條漏斗掉最兇的一段。這時候你就知道力氣要先花在「商品頁為什麼留不住人」，而不是去糾結結帳流程。這就是數據分析的價值，它不是給你一個數字，是告訴你「下一步該查哪裡」。這些數字用 GA4 或資料庫就能拉出來。
要建立每日監控的報表
要有效管理營運，我們得要建立可以每日監控的報表，但這涉及到指標的評估和建立。
但如同我一開始說明的，指標是過去的數字結果，但我們可以用維度來拆解它的結構，然後，我們還需要 Benchmark，不然我們無法判斷現在的指標狀態，因為指標要被比較之後才有意義，而指標可以分為以下幾種：
- 基礎指標：這是底層數據，例如網頁流量、新用戶數等。
- 行為指標：這是通過分析用戶在產品或服務中的具體行為來獲得的數據，例如：點擊率、活躍用戶數、跳出率等。這些指標能反映用戶如何與產品互動，有助於了解用戶的需求和偏好，以及產品的使用情況。
- 計算指標：基於某些基礎指標計算得出的結果，例如，轉化率 = 購買人數 ÷ 訪問人數 × 100%，你要先擁有「購買人數」與「訪問人數」這兩個基礎數據。
- 營運指標：這類指標通常是根據「人類的經驗」或「人類的目標設置」的，例如，你老闆要求年底前要有 500 個全新註冊用戶，儘管這個營運指標沒有具體的依據。
資料視覺化與解讀的技巧
資料視覺化是數據分析的重要步驟之一。通過視覺化工具，我們能更直觀地解讀和分析資料。以下是資料視覺化的幾個關鍵技巧：
一、選對圖表
依資料類型和目的挑圖：比大小用長條圖、看趨勢用折線圖、看佔比用圓餅圖。同一份數據，不同目的可能要用不同工具（熱力圖、散佈圖、氣泡圖），多試幾種，找最能把話講清楚的那一種。
二、別誤導人（也別誤導自己）
比例一定要合理，別用極端縮放，把一個小變化畫得很嚇人。顏色和標籤保持一致、少用太相近的色。而且一定要給上下文，例如加一條基準線或歷史數據，數字才有意義。
三、對齊受眾、保持簡潔
一張圖只講一個重點，資訊不要過載、裝飾越少越好。做完找一個「毫不相干的人」看一眼，他看得懂才算過關。如果是數位儀表板，可以加篩選、放大這類互動；如果讀者年紀比較大，就用大字體、粗線條、深一點的配色。
如果你的讀者年齡比較大，記得要用較大的字體、較粗的線條、較深的配色，這樣他們才能看的清楚。
好的關鍵指標是什麼？
在數據分析中，找到好的關鍵指標對於產品經理來說至關重要，以下是我認為好的關鍵指標應該具備的幾個特徵：
- 合理的 Benchmark：要找到能夠進行有效比較的基準，這樣才能判斷指標的表現是否達到預期，但這裡的前提是你和老闆溝通好了，達成共識，否則你拿數據去對比也沒有意義。
- 有效的拆解：指標應該能夠被有效拆解，符合多維度的分析需求。舉例來說，如果你在追蹤新用戶數，你得知道這些新用戶來自哪些管道，才能更精確地了解每個管道的效果。
- 團隊的理解：指標應該簡單易懂，確保團隊中的每個人都能理解和運用。指標如果太複雜，不但無法聚焦，反而每天都在解釋和通靈。
- 對營運目標的敏感性：好的指標應該能快速反映出營運目標的變化，這樣才能及時調整策略，否則再多數據也只是浪費時間。
- 自動化：指標的收集和分析應盡可能自動化，這樣可以提高效率，減少人力操作的錯誤，也避免讓工程師每天幫你抓數字，畢竟，沒有人喜歡做重複且繁瑣的事情。
指標使用時的注意事項
在使用指標時，我們要注意幾點：
- 資料來源：指標的數據來源可以是內部資料庫、報表下載、外部雲端服務或人工產出的數據。
- 趨勢分析：指標的趨勢應該能夠顯示出變化，並能與過去的數據進行比較，例如過去三十天的數據、能產出 YOY、MOM 等等比較。
- 連動關係：指標之間可能存在連動關係，而這種關係能幫助我們找出問題的根源，假設你發現網站的轉化率下降了，你可能會查看另一個指標，例如，網站頁面加載速度，發現它變慢了，所以轉化率和網站頁面加載速度之間就有一個「連動關係」。
- 分子/分母關係：指標有時會有分子和分母的關係，一個數值作為分子，另一個數值作為分母，例如，投資回報率（ROI），廣告產生的銷售額為分子，廣告費用為分母，而 1000 元的廣告費（分母），並賺了 5000 元的銷售額（分子），那麼 ROI 就是 5000 ÷ 1000 × 100% = 500%。）
以上，通過這些方法和技巧，希望可以幫助產品經理的你，或是即將成為產品經理的你，可以更加有效利用數據分析與指標，進一步最佳化你的產品或服務的運行，達成更好的結果。
數據分析常見問題
數據分析是什麼？
簡單說，就是把「發生過的數字」拆開來看，找出「接下來該做什麼」。指標告訴你結果，維度告訴你結構，Benchmark 告訴你這樣算好還是算壞。
轉換率怎麼算？
轉換率＝完成某個目標的人數 ÷ 有機會完成的人數 × 100%。例如 500 人買、10,000 人來，轉換率就是 5%。
指標和維度差在哪？
指標是「要算什麼數字」（工作階段、轉換），維度是「拿什麼來拆這個數字」（頁面、來源、裝置）。一句話：用某個維度，去看某個指標。
產品經理數學不好，能做數據分析嗎？
可以。你不用會統計，先把比率、成長率、分子分母這三件事搞懂，就能看懂日常九成的產品數據。
數據分析是產品經理的基本功之一，想把整個角色搞清楚，可以看這篇：產品經理是什麼。
數據之外，把用戶體驗視覺化也很重要，推薦搭配顧客旅程地圖。