[研討會紀錄] 2024 Operation & Product Analysis 營運與產品數據分析實務研討 講者座談２

1 座談概要

本文紀錄研討會中講者座談內容，歡迎觀看講者演講記錄後再回來閱讀：
[研討會紀錄] 善用數據：拉亞漢堡在數位轉型中的 3 大難題與解方－徐沛源 Pei-Yuan
[研討會紀錄] 台灣外送產業大解密！從數據角度剖析外送平台的營運策略：以餐廳經營與熊貓超市為例－林彥礦 Kevin

與談：徐沛源（沛源）、林彥礦（Kevin）
座談嘉賓：施漢松 （Hans）

2 主題討論

Q1：執行數據分析時，與利害關係人溝通或協作過程的心法/心得。

Hans：看你有多了解同事的工作內容、目標是什麼，有所了解的話，你可以更好的去溝通。如果大家對目標理解不同，容易導致同事們雞同鴨講。

沛源：自己先從內部溝通，到外部溝通，發現最有效的方式，是把數據當故事來說。有時候，講很多，不如直接給對方一則訂單源源不絕吐出，長達一分鐘半的影片。運用同理心，透過對方的視角，解決對方的問題，很多時候就可以迎刃而解 。

Kevin：

1. 1. 建議了解對方的 KPI 、執掌。
      如果想推動一些事，需要知道對面的人在乎什麼，比如他在意餐廳體驗，若這些對 KPI 沒有利益的話，就不會動，在大公司尤其明顯，因此會特別去看大公司的其他人在意什麼，嘗試去找出他和我方的專案 KPI、期待的產出，是否可以綁在一起，把餅做大，創造更大的利益。
   2. 需要做商業上的拆解，比如說錢（營收、場）客單價、下單頻率等，要對商業世界運行有足夠的認識。
   3. 利害關係人矩陣（腦袋中要有利害關係人矩陣 — 橫軸：對自己是否有幫助｜縱軸：對自己是否友善）
      識別這些人和利害關係人在矩陣圖中的哪邊，我要如何去做？不理對方或是維持不錯的關係，要用一些手段，比如：非正式的溝通（並非一定要坐在位子上溝通，舉例：每天都進辦去溝通，茶水間遇到誰聊天，對工作會有幫助，做顧問時為了見客戶一面，飛到他的國家去吃一頓飯）；表達（熟知技術名詞、分析等術語，盡量用直白直接的方式，讓對方理解想表達什麼，弭平溝通上的落差）。

Q2：數據受到內外部各種因素干擾，如何確保數據分析或數據預測的準確性，並反映市場變化？

Hans：做數據分析要當心幾個的地雷：

• • 數據的來源、數據清洗、算法、模型
  • 數據清洗、選擇數據
  • 選擇模型需要適合數據
  • 數據類型是連續型數據還是非連續型？球型還是線型？

利用統計分析、分群、分析等，很常得出的是數據結構的分群，並不是用戶分群，這些也是數據資料科學家知道的事情，因此須認知到這是專業知識的問題，是否有相關的專業，如沒有就需要找數據工程師、科學家，同時要確保：模型的準確性、可使用多久。如假設沒效了，就不該繼續使用該模型。若不懂數據相關的 domain knowhow，可找懂業務邏輯的數據分析的產品經理。

數據只是參考，需配合質化資料，參考用戶的行為和進行解讀，有些無法預測，比如市場改變了，你想要抓市場趨勢，但剛開始改變時，數據是很小的，不能只看數據，還要看非數據的東西，比如第一線客戶的反應。

要記住，Garbage in garbage out。

沛源：要確認數據的準確性，數據的準度很重要，通常數據會看他的相對值，若變壞了才需要調整。

有時候會陷在準確率的問題，但准不准或有沒有代表群體，有時候沒有那麼重要，準確度的問題，是可以慢慢解決的。

當客人自己去點的時候，我們就跳過了準確度，而是從客人本身的需求出發。或許可以先看看，根據該數據所做的決策，是否為單向？如不能回頭，就需要確定他是精準的；如可回頭，那可以怎麼調整等等，例如：出了產品需要從國外採購⋯⋯等後面一堆流程，如做錯會讓成本很高，因此確定數據的準確性，來確保產品有效，退一步來看，即便是有干擾，也要根據手上的牌打到最好。

Kevin：我補充戰術行動上的做法：

• • 怎麼確保分析的一致性？

當在說客訴時，是指其中有多少訂單被客訴，接的訂單分母是所有訂單？⋯⋯或是所有付款成功的訂單？如消費者持續抱怨同一件事要算進去？或只在乎過去有上限的餐廳數？
一個數據如果不同部門在看一定不同，連部門每個人看得也都可能不同，那就需要去界定清楚。

• • 準確性重不重要？

引用混淆矩陣，以餐廳流失舉例：統計上來說常見就是型一錯誤、型二錯誤，如預測流失，但實際上沒有流失，但成因數據是沒被抓到，抑或是寧願錯殺，還是沒有這麼肯定證據確認就放掉，哪個原因更能接受？哪一件事會認為比較嚴重？
回到餐廳流失率來說，預測餐廳流失，但實際上沒流失，只損失簡訊而已，但如果商家有流失但沒抓到，那就嚴重了，所以寧願去抓到，而回到大家各自工作的情境，你是要承受哪一個方面的錯誤，才能讓你的策略繼續推行。要承認錯誤一定會存在，因機器學習不是 100% 準確，所以要思考的反而是你寧願承擔哪部分的錯誤？

• • 憑什麼確定數值是正確的？

在機器模型的欄位上增加一個欄位是人為判斷，讓 stakeholder 可以微調，給予調整的空間，與機器模型、數據協作，才能發揮正確價值，讓專案和數據能落地。

了解這個錯誤是不是重要的，再去拆解細節。

對 UX 學習活動感興趣，歡迎繼續關注悠識學院，追蹤 IG 捕捉最新動態。