文 / 黃昱翔 Yu-Hsiang Huang，原文出自＜【筆記路上】產品數據分析實務探討_悠識學院 ＞，感謝授權分享。
▌前言：本篇為 10/30『2021 產品數據分析實務研討』線上直播之筆記整理
- 講者 — Klarna 資深產品經理 蘇晨豪 Peter Su
- 講者 — AWS GCR Growth Solution Lead 鄭芝郁 Josie Cheng
- 講者 — Hahow 2C Product Owner 邱霈政 Alvin Chiu
▌Hahow：Alvin Chiu
主要分享在訂定「北極星指標」以及「產品次指標」的過程，包含前期規劃、如何拆解、實際案例分析的過程…
北極星指標
幫助我們定義何謂「成功」，為企業/產品成功的關鍵指標，引導團隊前進。
案例分享－飛書
背景：企業協作與管理平台，支持多種作業系統及網頁端
產品屬性：B2B SaaS
主要市場：中國
當時痛點：由於當時無一個壟斷的產品，因此尋找新用戶不是最難的，而是如何「讓客戶留存」
北極星指標的調整
原指標設定：「企業」的次週留存率
實際上：留存率好像跟企業續約沒什麼相關性
原因：企業協作工具重點是「協作」，如果部門間只有少數人在「持續性的」用（可能是少數幾人在聊天用？），就會影響留存率的偏誤，看起來那幾位都有留下，但實際上沒有導入該企業。
調整後決策：「單部門」的次週留存率
從單一部門開始導入，如果該部門整體都能順利且習慣使用該工具協作，進而能影響其他部門甚至全企業。
不過以本案例來說，很多事件都會跟留存率有關，因此怎麼再往下拆解成次指標，當作小步行動、每季策略準則，就是下一步該做的事件（但拆解出來怎麼排序…又是一個大坑啊XD）
產品次指標－線上課程案例分享
背景：設定北極星指標為單月學習時長（要以用戶真的有在網站上學習做判斷）
拆解北極星的首步
→ 找到相對應，希望用戶達到指標的使用者流程
- 上學習網站
- 找到課程
- 持續的在網站學習
從「流程」對應「次指標」就是
- 活躍度
- 課程觀看數
- 課程學習長度
「但問題來了，我們要如何排序次指標呢？哪個要最先看？」
「找到關鍵節點 」
依本案例來說，最難的步驟其實是「讓使用者回站且找到該課程」，就是 1＆2，然後再實際看兩個指標的「可成長空間」去判別該採用何者。
（講者有一個很好的比喻，如同上健身房，最難的不是要繼續做完菜單還是訓練達到本日設定量，而是啟動離開家去健身房運動的第一步）
雖然有訂定指標以及拆解的分享，但實際上多半都會碰到以下情境…因此…
- 數據到用時方恨少，要分析時漏掉很多前面珍貴的資料 → 在前期就要建立埋點架構
- 數據定義不清，每個指標有不同的解釋 → 統一有人將定義釐清、且管理共識
- 以終為始，要知道拿數據回應什麼假設，避免拿了忘記要幹嘛XD
▌AWS：Josie Cheng
分享增長產品經理的實務工作內容以及策略思維
增長產品經理介紹
透過「產品功能」驅動用戶 / 業務增長，工作內容會按「用戶狀態」、「產品功能」有所不同，實際上會碰到…
- 判斷業務狀態、用戶狀態（去盤點現況然後提出策略）
- 挖掘潛在機會點、場景化思考
- 用戶路徑梳理、漏斗分析
- 大量假說驗證
何謂增長思維
全鏈路思維：全局最佳 vs 局部最佳
舉例：如果部門間都獨立，如行銷拉了很多的流量進來，但如果後面其他部門沒有將其流量轉化，此狀況僅有 局部最佳
因此全鏈路意思為，整個商業鏈條會為每個影響用戶體驗之處，設計可解決方案，滿足商業目標也提升用戶體驗及設計質量。
Case1：設計一個廣告落地頁
增長產品經理會這樣想…
→ 場景化思考：投放在什麼渠道、什麼渠道會吸引誰會看見、這些人又想看見什麼？
Case2：Onboarding
增長產品經理會這樣想…
→ 不同渠道進來應有不同的設計
→ 按照拆解下來的次指標去做設計，且用實驗判斷假說是否符合
小結： 因為需要實驗假說驗證，很花時間，因此敏捷開發、快速迭代就顯得極其重要！
如何培養自己數據決策的能力？
- 練習看數據說故事
- 拆解問題
- 知道如何判定是否「成功」
- 記得產品上線前要埋點
▌Klarna：Peter Su
依照產品特性，說明相對應指標的採用及其原因，佐以實務案例
指標的分類
- Goal Metrics：衡量想達成的成果、產品成功
- Driver Metrics：衡量驅動成功的因素
- Counter Metrics：衡量可能的副作用，確保沒有顧此失彼
舉例來説：達成減肥目標的 Counter Metrics 可能就是「營養不良程度」
產品「類型」、「階段」皆會影響指標採用
To 消費者/中小企業/大企業/內部產品，對應新產品、成長型、成熟型，組合起來有九種類型的分類，皆有不同適合的指標。
如果是新產品…
要如何達到 PMF（Product Market Fit）
To C 可以看…
- Sean Ellis Test
- NPS
- Retention Rate
To B 可以看…(簡報的 p.15–16)
知識含量蠻高的，建議大家可以前往平台解鎖XD，就不一一在此贅述了（蠻詳細的）
案例分享：Whoscall
實際狀況：Retention（此案例使用卸載率，因為產品特性為「被動性」），發現此用戶留存的比例不高。分析原因：來電辨識雜訊太多，因此調整為可讓用戶標記此號碼是什麼（如房仲、借貸等標籤），確實有提升留存率。
小結：新產品的北極星指標就直接建議可為「達到PMF」！
如果是「成長型」產品…
除了 Product Market Fit，也要找到產品成長的領先指標、Product Channel Fit、Driver Metrics。
實際狀況：當 Whoscall 往海外擴張時，又出現留存率低落的曲線，因此欲找出 Driver Metrics。分析原因 - 定義好的體驗 > 來電有辦法被辨識（Hit Rate = 有辨識的來電/所有來電） - 假設 Hit Rate 和 Retention rate 高度相關 - 解法：提昇資料庫品質、讓用戶更積極回報來電 - 觀察：在中長期 Retention rate 提升
如果是「成熟型」產品…
思考產品有哪些重要的要素，同時也思考 反向因素。
案例分享：Booking.com
1.區分消費端、民宿端區分消費端、民宿端
2.應用 Ｍetric map 找出北極星、各分類指標
小結：成熟型產品要先抓出上頭的 Metrics, KPI 是什麼，釐清不同產品之間的互動為何，才能知道如何貢獻或是著力在何種指標上。
文末附上本直播講座的 連結，私心覺得講者的表達以及簡報的案例分享都十分豐富，如果你就是相關產業或是產品經理角色的夥伴，在定義目標、指標以及判斷產品的各階狀況蠻困擾，這應該是蠻能給點靈感的講座～
![[研討會紀錄] 2023 AI for better UX 實務研討 下半場講者座談](https://blog.userxper.com/storage/2024/11/seminar3-350x250.png)
![[研討會紀錄] 在AI 時代設計愉悅的使用者體驗- 陳偉仁 Chris、陳儷元 Katherine](https://blog.userxper.com/storage/2024/11/picCollege-1-120x86.png)
![[研討會紀錄] 2023 AI for better UX 實務研討 上半場講者座談](https://blog.userxper.com/storage/2024/11/截圖-2024-11-17-晚上11.18.15-120x86.png)
