這堂課會學到什麼
產品經理的角色不僅在於規劃產品需求與市場定位，更在於如何透過行為數據與市場數據的分析，找到影響產品方向的關鍵洞察。雖然團隊中可能有專職的商業分析師與數據分析師協助，但數位產品經理如果能掌握數據洞察的核心能力，不僅能讓決策更精準，也能引領團隊用真實數據說話。
本堂課將帶你掌握數據分析的核心四步驟：確定問題、收集數據與拆解問題、分析數據、以及傳遞結果與報告論點。每一步驟都配有實用的方法與技巧，幫助你在實際工作中，從數據中挖掘洞察，支持產品決策，驅動團隊的成功。準備好一起學習，讓數據為你的產品背書嗎？
1. 數據分析步驟一 : 確定問題 (Define the Problem)
目標：明確問題範疇，確保所有相關方對分析目標有一致的理解。還記得打造產品思維的三大心法中的第一點——找出冰山下的「真正問題」嗎？這裡的道理完全相同。如果問題定義不清，就開始分析，只會徒勞無功。正如美國統計學家杜奇（Tukey）所言：「對正確的問題給出近似的答案，遠勝於對錯誤的問題給出精確的答案。」
方法一 : 5W1H
使用 5W1H 拆解問題，5W1H是Who (誰) 、 Where (在哪裡) 、 When (何時) 、 Why (為什麼) 、 What (什麼) 、 How (如何) 的縮寫。
範例：我們的問題是「為什麼最近用戶流失率增加？」需要確認流失發生在哪些情境（如退訂服務、停用帳號）。
Step 1 : Who（誰）
- 哪些用戶正在流失？
- 年齡層：是年輕用戶還是年長用戶？
- 註冊時間：是新用戶還是老用戶？
- 使用頻率：高活躍度用戶還是低活躍度用戶？
Step 2 : Where（在哪裡）
- 用戶在哪個功能或情境中流失？
- 特定產品功能：如購物車、個人資料頁、退訂頁面等。
- 使用的裝置或平台：是手機 App 還是網站版本？
- 流失的地區：是否集中在某些國家或城市？
Step 3 : When（何時）
- 用戶在什麼時候流失？
- 註冊後的特定時期：如剛註冊 7 天後，或使用服務 3 個月後。
- 時間週期：流失率是在假期期間、工作日還是週末更高？
- 特定事件後：如產品功能更新或價格變動後。
Step 5 : What（什麼）
- 用戶在流失前進行了什麼操作？
- 停止互動：如未完成購物、長時間未打開 App。
- 退訂服務或取消訂單。
- 查詢退訂或取消的相關說明。
Step 6 : How（如何）
- 用戶是如何流失的？
- 是直接停用帳號還是默默不再使用？
- 是否有主動反饋流失原因（如退訂原因調查表）？
- 使用了哪些路徑或流程退出（如經過退訂頁或客服申請）？
方法二 : 假設推導
假設推導 是基於已有的資料和背景，推導出一個具體的假設並進行檢驗，通常是檢查特定的問題或原因。
範例：假設用戶流失是因為定價過高。分析訂單取消記錄，檢視是否多數用戶來自價格敏感的族群。(注意 : 一次只假設一種問題，不要有多重問題)
Step 1 : 建立假設背景
- 假設：近期用戶流失率上升可能與產品定價過高有關，特別是對價格敏感的用戶群體。
- 理由：定價過高可能降低了用戶的性價比感知，導致購買或續訂意願下降。
Step 2 : 數據範圍與分析方式
- 訂單取消記錄：匯總近三個月的訂單取消數據，關注取消時間點及原因。
- 用戶分群：將用戶劃分為不同的價格敏感程度群體（如低消費力、高消費力），通過以往的消費習慣或產品類型選擇來推測。
- 價格變動分析：比較價格調整前後的流失率變化，是否價格上調後流失率明顯增加。
Step 3 : 具體分析步驟與例子
- 從訂單取消記錄中提取關鍵數據：
- 發生時間（如調價後一週內）。
- 取消原因（用戶填寫的意見或選擇的選項，如「價格過高」）。
- 檢視取消用戶的背景特徵：
- 比對用戶的過去消費記錄，計算他們的平均消費額。
- 確認是否有更多低消費力用戶（如單筆訂單金額較低的用戶）選擇取消。
- 繪製趨勢圖表：
- 分析價格敏感群體與非敏感群體的流失率差異。
- 比較調價後一週與調價前一週的流失率變化，檢查是否在價格敏感群體中有更顯著的上升趨勢。
Step 4 : 進一步驗證假設
- A/B 測試：針對部分用戶進行限時優惠或回到原價測試，觀察流失率是否下降。
- 用戶調查：收集更多用戶對價格感知的直接反饋，補充數據洞察。
Step 5 : 結論與行動建議
- 如果分析結果支持假設，說明高定價對價格敏感用戶群體流失有顯著影響，可以考慮：
- 調整定價策略，如分層定價（高端與低端選擇）。
- 提供促銷活動，吸引價格敏感群體回流。
- 如果數據不支持假設，需要重新審視其他可能的原因（如功能滿足不足或競爭對手壓力）。
分析結果示範 分析顯示，近三個月的流失用戶中，50% 是過去月均消費低於 $30 的低消費群體，而這部分人群的流失率在調價後提高了 20%。相較於高消費力用戶，這部分群體對價格更敏感，調整定價或提供優惠可能有助於緩解流失問題。
方法三 : 反向提問
反向提問 是一種思維挑戰的技術，通過提出與假設相反的觀點來擴展視野，尋找不同的解釋或解決方案。先用假設推導來確定問題的可能原因，再用反向提問來挑戰這些假設，進一步深化對問題的理解。
範例：若我們的價格合理，是否因競爭對手提供更高價值導致流失？提出對立觀點進一步檢驗。
Step 1 : 建立假設背景
- 初步假設：我們的價格設置合理，流失原因與價格本身無關。假設流失的主要原因不是價格過高，而是因為競爭對手提供了更具吸引力的價值或功能，導致我們的用戶流失。
- 目標：驗證如果價格本身合理，是否競爭對手的產品功能、服務或其他附加價值更具吸引力，造成我們的用戶流失。
Step 2 : 反向提問的拆解
- 反向問題 1：如果我們的價格合理，那麼是否競爭對手提供了更高的附加價值，讓用戶選擇轉移？
- 討論：競爭對手是否在相同價格範圍內提供更多的功能或服務，或者在非價格因素（如品牌形象、用戶體驗等）上優於我們？
- 反向問題 2：是否有競爭對手在價格和服務質量方面提供了更好的價值組合？
- 討論：例如，競爭對手是否提供更有吸引力的訂閱套餐、更好的客戶支持、更多增值服務等？
- 反向問題 3：用戶是否會選擇流失，因為他們對我們產品的功能需求未能得到滿足？
- 討論：是否我們的產品功能相對較為簡單，無法滿足用戶的深層需求？或者競爭對手是否在某些核心功能上超越我們？
Step 3 : 數據收集與分析
- 競爭對手分析：
- 獲取競爭對手的產品資料，對比他們的定價、功能、增值服務及用戶評價。
- 分析用戶反饋中的提及競爭對手的原因，了解用戶為何選擇流失並轉向競爭產品。
- 流失用戶分析：
- 查看流失用戶的行為數據，分析他們是否在轉向競爭對手的產品後有更高的活躍度或更滿意的評價。
- 若可能，通過用戶流失調查了解用戶為何選擇轉向競爭對手。
- 功能差距分析：
- 列出我們的產品與競爭對手的主要功能對比，查找是否存在重大的功能差距（例如，競爭對手是否提供了更多高階功能、個性化選項或更精細的設置）。
- 進行用戶調查或 A/B 測試，評估這些功能差距對用戶選擇的影響。
Step 4 : 提出假設的驗證方法
- 假設 1：競爭對手提供了更多價值
- 比對兩者的功能優勢，設立假設並進行對比分析（例如，是否競爭對手提供了更為便捷的界面設計或更好的用戶支持）。
- 若用戶流失更多是因為競爭對手提供了更具吸引力的功能，我們應調整產品功能，增加競爭力。
- 假設 2：價格本身無關，競爭對手的品牌或行銷策略更具吸引力
- 比對行銷活動及品牌形象，查看競爭對手是否在品牌建立、社交媒體營銷等方面有更高的投入。
- 若競爭對手的行銷策略確實更能吸引用戶，則可以調整我們的行銷策略或增加品牌推廣。
Step 5 : 結論與行動建議
- 若證實反向假設成立（即競爭對手提供更高價值或更具吸引力的產品/服務）：
- 優化我們的產品功能，提升服務質量，並探索價格與價值的最佳平衡點。
- 進行市場推廣調整，加強品牌曝光，並積極跟蹤競爭對手的動態。
- 針對流失的價格敏感群體提供定向優惠或個性化推薦，以加強用戶忠誠度。
分析結果示範 經過對比，我們發現流失用戶中有近 40% 轉向了競爭對手，主要因為競爭對手提供了更多的附加功能（如進階分析工具、更多的自定義選項）和更具吸引力的優惠套餐。此外，競爭對手的品牌形象也較為強大，吸引了年輕消費者。因此，我們決定加快產品功能的更新迭代，並調整行銷策略，增強品牌的吸引力。
2. 數據分析步驟二 : 收集數據與拆解問題 (Data Collection & Problem Decomposition)
目標：拆解問題並收集相關數據，建立初步的數據結構。
方法一 : 費米估算
費米估算是一種在缺乏精確數據的情況下，通過將問題拆解成簡單、可計算的小部分來進行大致估算的方法。它通常用於市場規模估算、人口推算或大範圍問題的解決，通過合理的假設和簡單的數據推算，快速獲得粗略的結果，儘管結果不精確，但足夠為決策提供參考。
範例 : 估算美國每天需要多少杯咖啡？
Step 1 : 問題界定與假設 核心問題：美國人每天需要多少杯咖啡？ 這涉及以下變數：美國的總人口數、喝咖啡的比例、每位咖啡消費者每天平均喝幾杯咖啡。
Step 2 : 拆解變數與設定假設 美國總人口：假設約 3.3 億人（2024 年估算）。 喝咖啡的人口比例：假設約有 70% 的成年人喝咖啡（成年人占人口的 75%）。 每人每天平均咖啡消費量：假設 每人每天喝 2 杯咖啡（基於日常習慣推測）。
3.3 億 × 75%(成年人占人口的 75%) × 70%(70% 的成年人喝咖啡)=1.73 億人喝咖啡。
Step 3 : 驗證和結合數據進行估算 根據美國咖啡協會的數據，成年人中每天喝咖啡的比例約為 60%-70%，假設值合理。 每人每天喝 2 杯咖啡符合日常生活的常識。 每天的咖啡消費總量：1.73億× 2 = 3.46億杯咖啡每天。
費米估算結果推測，美國每天消費約 3.46 億杯咖啡，這個結果可以作為快速估算的參考，也可根據更細緻的數據進行進一步調整與驗證。
方法二 : MECE 問題拆解
MECE（Mutually Exclusive, Collectively Exhaustive）是一種結構化的問題拆解方法，將問題分解為互不重疊且完全涵蓋所有情境的部分。每個拆解部分都是獨立的，且能全面覆蓋問題的所有範疇。MECE有助於系統化地拆解複雜問題，避免遺漏或重複，常用於商業策略分析、流程優化等。
範例 : 咖啡店年度營收分析
Step 1 : 互斥性
確保每個子項目獨立，不會有交叉重疊。例如，將咖啡店的營收拆解為兩個部分：
- 顧客數量
- 顧客消費金額
這兩個子項目是互斥的，顧客數量和顧客消費金額不會重疊，因為顧客數量是指到店的顧客數，而消費金額是每位顧客的花費。
Step 2 : 完整性
確保所有影響營收的因素都被涵蓋。營收的總和應該能完全覆蓋整個問題，沒有遺漏。例如，我們可以進一步拆解顧客數量和顧客消費金額：
- 顧客數量可以拆解為：店面流量、回頭客比率
- 顧客消費金額可以拆解為：單品價格、購買頻率
這樣就可以確保我們分解的項目涵蓋了所有營收的組成部分。
有以下拆解方法，加法 / 乘法 / 加法乘法混搭
Step 3-1 : 加法拆解
年度營收 = 一月營收 + 二月營收 + …… + 十二月營收
每月營收又可拆解為：
每月營收 = 每日營收總和
也可進一步拆解每日營收：
每日營收 = 早上營收 + 中午營收 + 晚上營收
Step 3-2 : 乘法拆解
年度營收= 年度顧客數量 × 每位顧客的平均消費金額
- 年度顧客數量 = 店面流量 × 回頭客比率
- 店面流量：每日進店顧客的總數。
- 回頭客比率：訪客中重複購買的比例。
- 每位顧客的平均消費金額 = 單品價格 × 購買頻率
- 單品價格：顧客購買的單品平均價格。
- 購買頻率：顧客每次購物時購買的平均數量。
- 年度營收公式可表示為：年度營收=（店面流量×回頭客比率）×（單品價格×購買頻率)
Step 3-3 : 加法乘法混搭
先用加法拆解 : 年度營收 = 一月營收 + 二月營收 + …… + 十二月營收 也可進一步用乘法拆解每月營收：每日營收 = 當月顧客數量 × 當月平均顧客消費金額
這樣我們就從多個角度進行了營收的拆解，既確保了互斥性，也確保了完整性，並且可以根據加法或乘法進行進一步分析。
方法一 : 費米估算 & 方法二 : MECE 問題拆解比較
看完方法一和方法二，是不是覺得兩者有點相似，但又不完全相同呢？為了更清楚地了解它們的差異，我整理了一張比較表，從定義、目標到應用場景一一對比，幫助大家在需要 收集數據或拆解問題 時，更快判斷應該採用哪種方法。
比較表
| 特性 | MECE 拆解 | 費米估算 |
|---|---|---|
| 定義 | 系統化分析問題，將問題分為不重疊且無遺漏的子問題或子類別。 | 快速估算未知數據，基於假設與數據推算進行量化分析。 |
| 目標 | 提供全面、結構化的問題解決框架。 | 在缺乏數據的情況下，快速得出大致答案。 |
| 方法 | 使用邏輯結構（如問題樹）避免重複與遺漏。 | 將問題分解為易估算的部分，進行數學推導。 |
| 應用場景 | 策略制定、問題診斷、規劃流程、業務分析。 | 市場規模預測、商業可行性分析、數量型問題。 |
| 重點 | 全面性與邏輯性，追求完整結構。 | 快速性與方向性，追求合理的估算值。 |
| 精確性 | 更加精確，適合需要細緻分析的問題。 | 大致準確，適合粗略估算或初步探索。 |
| 結果形式 | 全面的結構化方案，支持進一步深入分析。 | 一個估算值或範圍，提供方向性建議。 |
| 常見工具 | 問題樹、MECE 框架、分類分析。 | 基本數學運算、假設推導、數據分解。 |
範例對比
| 場景 | MECE 拆解範例 | 費米估算範例 |
|---|---|---|
| 估算收入來源 | 拆解為：產品銷售收入、訂閱服務收入、廣告收入。 | 假設平均用戶每月花費 50 美元，估算總用戶收入。 |
| 估算市場規模 | 拆解為：目標客群數量、市場滲透率、平均客單價等。 | 假設城市人口 100 萬，每人每月購買 1 次商品。 |
| 策略分析 | 拆解競爭對手策略：價格策略、產品差異化、行銷策略等。 | 用假設的數據（如廣告花費與回報比）預測效果。 |
方法一 & 二結合
在某些情況下，MECE 和費米估算可以結合使用。例如：
- 先用 MECE 拆解問題，確定全面的變量與結構。
- 再用費米估算對各部分進行初步量化，快速得出結論。
例如估算某地的電動車市場規模：
- MECE 拆解：拆分成車輛總量、滲透率、新購用戶等維度。
- 費米估算：對每個維度假設數據，快速估算市場潛力。
方法三 : 流程圖
系統思考圖是一種視覺化工具，用來分析複雜系統中各個要素之間的關聯，強調整體系統的互動而非單一因素。前面介紹 UX 產出就有帶到 Flow Chart 流程圖的介紹。在這裡，我們將重點介紹流程圖分析。這個工具非常適合用來檢視用戶行為或業務流程，將複雜過程拆解成清晰的步驟，並通過視覺化的方式幫助我們識別問題所在。
範例：用戶流失率變高，想找出各環節問題
例如在進行用戶流程分析時，作為一位數據驅動的產品經理，我們的目標是深入了解用戶的使用過程，從註冊到退訂的每一環節，並標記每個階段的流失率。這樣的分析可以幫助我們找出潛在的問題環節，並針對性地優化體驗。
Step 1 : 繪製用戶流程圖
首先，我們需要繪製出用戶從註冊到退訂的完整流程圖。這不僅僅是呈現一個線性的過程，而是將整個用戶旅程拆解成一個個小的、具體的事件節點，讓每一個階段都能被清晰地標記和追蹤。每一個節點的流失率是我們進行後續優化的重要指標。
流程圖拆解：
- 註冊頁面：用戶提供基本信息並註冊賬戶
- 首次登錄：用戶登錄後進入主頁
- 訂閱選擇：用戶選擇訂閱計劃並完成支付
- 使用過程：用戶開始使用產品或服務
- 退訂：用戶決定終止服務，進行退訂
在每個環節中，我們會標註具體的流失率數據，這些數據可以來自網站分析工具或用戶調查，幫助我們了解在哪些點用戶流失最為嚴重。
Step 2 : 繪製並進一步分析細部流程
利用 UX 工具中的使用者旅程地圖，能幫助我們將一連串的用戶行為，再拆解成更小的流程步驟，並且識別細部步驟中的問題。
例如，從用戶訂閱到退訂的過程中，如果在「退訂頁面」發現流失率異常高，我們需要進一步拆解這一環節。是否因為退訂過程繁瑣，或者界面不夠清晰，讓用戶無法輕鬆完成退訂操作？這樣的問題需要進行優化。
Step 3 : 識別核心問題環節進行分析
在確定了每一環節的流失率後，我們就可以進行問題識別與優化。這些環節可以是：
- 流程複雜度：如退訂過程過於繁瑣，會導致用戶中途放棄
- 用戶體驗：如果某個頁面反應慢或出現錯誤，會增加用戶的流失風險
- 界面設計：不直觀的界面會讓用戶感到困惑，進而放棄
我們可以依據數據找出這些痛點，並根據用戶行為進行優化。這不僅能提升用戶體驗，還能提高轉換率，減少流失。
Step 4 : 結論與優化建議
經過這樣的數據驅動分析後，我們可以提出具體的優化建議，例如：
- 簡化退訂流程：精簡操作步驟，減少用戶的時間成本
- 提升頁面反應速度：優化頁面載入時間，避免因加載慢導致用戶流失
- 改善界面設計：使界面更加直觀，讓用戶可以快速找到所需功能
通過這樣的流程圖分析和精確的數據拆解，我們不僅能確定問題所在，還能為用戶提供更加順暢的體驗，提升整體產品的留存和轉化率。
3. 數據分析步驟三 : 分析數據 (Data Analysis)
目標：使用合適的分析方法，針對問題進行深度挖掘，得出具體見解。
方法一 : 描述性分析
描述性分析 是一種用於總結和呈現數據的方法，透過統計指標（如平均值、中位數、分布）或視覺化工具（如圖表、表格）來描述資料的特徵。這是數據分析的基礎步驟，幫助快速了解數據概況，為後續深入分析提供方向。
範例：分析流失用戶的年齡分布，發現多集中於 25-35 歲族群，說明這群人可能最受影響。
Step 1：收集流失用戶的基本資料，包括年齡、性別、地區等。 Step 2：對年齡進行分組，將用戶劃分為不同的年齡段（如 18-24、25-35、36-45 等）。
Step 3：統計每個年齡段的流失用戶數量，並計算各年齡段所佔的比例。
Step 4：可視化結果，通過柱狀圖或圓餅圖呈現不同年齡段的流失比例。
Step 5：分析年齡段集中度，並根據結果推測為何特定年齡段的流失率較高。
結果：如果發現 25-35 歲族群流失率較高，則需要進一步調查這群用戶的需求或反饋，可能涉及定價策略、產品特性或競爭對手因素。
方法二 : 流程分析
在收集數據與拆解問題的方法三流程圖的範例，Step 2 : 繪製並進一步分析細部流程 + Step 3 : 識別核心問題環節進行分析，其實就已經把分析的方法一起說明了，這邊就不再贅述如何分析。
方法三 : 差異分析
差異分析 是一種比較不同組別之間差異的方法，通常用於識別影響某一結果的關鍵因素。通過分析數據的平均值或分布差異，可以了解不同組別（如用戶群體、操作方式）的特徵和行為差異，為決策提供依據。
範例：對比 流失用戶 與 非流失用戶 的滿意度調查結果，發現前者在產品穩定性方面評分較低。
Step 1：收集流失用戶和非流失用戶的滿意度調查數據，並對兩者進行分類。
Step 2：比較兩組用戶在各項指標上的滿意度，尤其是產品穩定性、功能滿意度等關鍵指標。
Step 3：分析流失用戶的低分區域，並確定哪些問題最具影響力。
Step 4：針對發現的差異，提出改進方案，例如加強產品穩定性，提升用戶體驗。
Step 5：持續監控改善後的滿意度變化，評估改進方案的效果。
方法四 : 柏拉圖分析
「超過八成的柏拉圖數據分析」是指通過使用 柏拉圖分析來辨識出數據中最有影響力的因素。柏拉圖分析的結果得出 80% 的後果是由佔 20% 的主要原因造成的。
例子：
- 銷售數據分析：對於一家公司來說，可能 80% 的收入來自 20% 的產品。這意味著公司應該集中資源來推廣這20%的高銷售產品。
- 客戶支持分析： 80% 的客戶投訴可能來自 20% 的問題，這樣公司就可以針對這些問題進行優化或修復，提升客戶滿意度。
再舉一個範例列出具體步驟 :
範例：使用柏拉圖圖表展示流失原因的前 80%，發現主要問題集中於價格與產品穩定性。
Step 1 收集相關數據 : 這些數據可以是銷售數據、顧客反饋、產品性能等。此處範例則是要收集所有流失用戶的退訂原因，並進行分類（如價格、產品穩定性、競爭者、服務質量等）。
Step 2 排序並繪製柏拉圖圖表：將原因按發生頻率或影響程度進行排序，前 80% 的原因應突出顯示。
Step 3 識別關鍵因素：分析圖表，確定哪些問題最常出現，並集中精力解決這些主要問題。
Step 4 結論與優化建議：根據柏拉圖結果，優先解決影響最大的問題，並制定相應的改進措施。結果：如果柏拉圖顯示價格和產品穩定性是主要的流失原因，則應該將資源集中在這兩方面的優化，以最大限度地減少流失率。
方法五 : 分組與分類分析
分組與分類分析是一種通過將數據按特定標準劃分成不同群體，來針對性地設計策略的方法。在分析流失用戶時，這種方法尤為有效。首先，根據用戶行為數據將用戶進行分類。接著，設計分類標準，針對每個類型進行深入分析，發掘其具體需求和痛點，並設計對應的解決策略。最後，執行策略並根據用戶反應進行調整，以實現更高的轉化率和用戶滿意度。
範例：想分析流失用戶，針對不同族群設計對策。
Step 1：根據用戶的行為數據（如退訂原因、互動頻率、支付能力等）進行分類。
Step 2：設計分類標準，將流失用戶根據 價格敏感度、使用體驗 等因素劃分為不同類型。
Step 3：對每個類型進行深入分析，了解每個族群的具體需求和痛點。
Step 4：針對每個分類設計對應的策略，如對價格敏感型用戶進行促銷活動，對體驗驅動型用戶優化產品功能。
Step 5：執行策略，並監控每個分類的反應，根據結果進行調整。
方法六 : 迴歸分析
迴歸分析 是一種統計方法，旨在研究自變量（獨立變數）和因變量（依賴變數）之間的數學關係。其目的是建立一個模型，通過該模型預測或解釋因變量的變化。迴歸分析可以是線性的，也可以是非線性的，視數據的特性而定。常見的迴歸分析方法包括以下幾種：
線性迴歸：假設自變量與因變量之間是線性關係。
邏輯迴歸：主要用於二元分類問題，如預測某事件是否發生（例如用戶是否流失）。
多項式迴歸：用於處理自變量與因變量之間具有曲線關係的數據。還有其他更多的迴歸分析方法，可根據具體的數據特性進行選擇。
方法七 : 相關係數分析
相關係數是衡量兩個變數之間關聯強度和方向的一種方法。根據資料的特性，有幾種常見的計算方法：
第一種：Pearson 相關係數
- 用途：測量兩個連續變數之間的 線性關係。
- 範圍：從 -1 到 +1，表示：
- +1 代表完全正向線性關係，
- 1 代表完全負向線性關係，
- 0 代表無線性關係。
- 假設：假設資料符合正態分佈，並且變數之間有線性關係。
第二種：Spearman 相關係數
- 用途：測量兩個變數之間的 單調關係（無論是線性還是非線性），基於它們的 排名 來計算，而不是原始數據值。
- 範圍：從 -1 到 +1，與 Pearson 相同，但計算方法基於數據排名而非原始數值。
- 適用情境：適用於 序數資料，或當資料不符合 Pearson 相關係數假設（例如，非線性關係）時使用。
第三種：Kendall’s Tau 相關係數
- 用途：測量兩個變數之間的 趨勢關係，著重於資料點之間的 一致性（即順序一致）與 不一致性（即順序不一致）。
- 範圍：從 -1 到 +1，與 Pearson 和 Spearman 相似。
- 適用情境：當資料量較小，或需要了解整體的 趨勢 而不是準確的配對關係時使用。
總結：
- Pearson 用於連續型資料，且假設兩者之間是線性關係。
- Spearman 用於序數型資料，或當資料呈現非線性但單調的關係時使用。
- Kendall 用於需要了解資料排名趨勢的情境，尤其是小型數據集。
方法八 : 推論式分析
推論式分析 是透過數據樣本來推測整體趨勢的方法，藉由統計推論技術（如假設檢定、信賴區間等）來檢驗數據間的關聯性或差異，從而幫助決策者對未知情況作出預測或假設驗證。這種方法特別適合用於驗證假設和推測未來趨勢。
範例： 假設價格上調會顯著增加用戶流失率，透過推論式分析來驗證此假設。
Step 1 收集樣本數據 : 包括不同價格區間的用戶流失率記錄。
Step 2 設定假設 : 檢驗價格與流失率是否存在顯著關聯（如：零假設 H₀ 為價格對流失率無影響，對立假設 H₁ 為價格對流失率有影響）。
Step 3 選擇合適的推論工具 : 如 t 檢定、卡方檢定或 ANOVA，分析數據間的關係。
Step 4 計算統計顯著性 : 如 P 值，判斷假設是否成立，並建立信賴區間。
Step 5 根據分析結果推導結論 : 若結果顯示價格上調顯著影響流失率，可據此調整定價策略或設計優惠方案。結果：如果推論結果顯示每提高 10% 價格，流失率顯著增加，則表明定價敏感性是影響用戶流失的關鍵因素之一，需要在價格調整時更加謹慎。
方法九 : 漏斗分析
會在下面數位產品埋碼時補充講解漏斗分析。
這邊進行一點小補充：
這邊老實說，我目前對於統計的理解也只是皮毛 (統計理論學最好時應該是大學、研究所的時候了XD)，無法深入到更專業的分析。且這些分析方法，都只是統計分析的冰山一角，這篇文章也沒有通通列出來，甚至也會擔心有哪邊理解不夠透徹有疏漏，如果有的話敬請數據專業讀者寫信給我幫我指正一下，也請讀者們多多包涵。
其實產品開發中若真的需要這麼細緻的數據處理與分析，建議產品經理詢求數據科學家、統計專家或數據工程師合作，利用他們的專業完成精細分析。雖然產品經理通常不需要親自執行這類工作，但憑藉對產品和產業的理解，能協助數據專家能夠更精準地定位問題並協助數據解讀。因此，具備基本的分析概念仍是非常重要的。
當然，現在透過 AI 工具與自學資源，學習這些統計技巧變得更容易。如果時間與精力允許，了解統計分析的基本方法絕對是值得的，這不僅能強化你的數據敏感度，還能為你開啟更多高階職位與全局視野的可能性。
至於產品經理是否真的不需要學到那麼細的統計方法？或學到更多這篇文章沒有講到的部分 ? 答案是因人而異，取決於你的職位需求與職業規劃。
- 如果你的角色更多聚焦於業務與用戶需求，掌握基本的數據解讀能力已足夠，深入的統計分析則可交由專業團隊處理。
- 但如果你的職位偏向數據驅動，或者你對數據分析有興趣，進一步學習統計方法將是非常有價值的，甚至可能成為你職業發展的優勢。
簡單說，理解統計的概念是必要的，但掌握到精通則視需求與興趣而定。
4. 數據分析步驟四 : 傳遞結果與報告論點 (Communicate Insights)
目標：清楚、簡潔地傳達分析結果，確保決策者能快速採取行動。
方法一 : PREP 法
範例：分析判斷價格上調會導致更高的用戶流失率，透過 PREP 方法來呈現。
Step 1 Point：我們的主要流失原因是價格過高。
Step 2 Reason：根據調查，80% 的流失用戶表示產品價格超出他們的心理預期，特別是家庭用戶和學生族群反應尤為強烈。
Step 3 Example：例如，在過去三個月中，價格敏感用戶的流失率比其他用戶群體高出 35%，且熱力圖顯示高風險用戶多集中在月收入低於 $30,000 的群體。
Step 4 Point：因此，我們建議推出分層定價策略，例如針對家庭用戶提供優惠包，針對學生族群推出學生活動，來降低價格敏感性。這裡製作了一張示意圖來說明 PREP 法的應用。目前這張圖採用了最直觀的範例，方便快速理解 PREP 法的基本運用。
若無法清楚看到圖片文字，請點擊下方連結預覽 or 下載查看清晰版本 :
方法二 : SPAN 法
Step 1 Situation：近三個月，月度用戶流失率從 10% 上升到 15%，特別是價格敏感族群的流失率更高，達到了 20%。
Step 2 Problem：調查結果顯示，用戶對價格不滿是主要原因，其中家庭用戶和學生群體表示支付壓力較大。
Step 3 Action：我們將推出兩項行動：第一，針對家庭用戶，提供家庭套組優惠活動；第二，針對學生群體，推行「學生專屬訂閱計畫」，以更符合他們預算的價格吸引他們留下。
Step 4 Next Step：在接下來的一個月內，我們會測試這些策略的影響效果，密切關注流失率的變化，同時對分層定價的接受度進行用戶調查，確保方案具有可行性和吸引力。
若無法清楚看到圖片文字，請點擊下方連結預覽 or 下載查看清晰版本 :
以上兩種方法的論述，透過具體的數據和用戶群體描述，使建議和行動更加具有針對性和說服力，同時便於執行與效果檢測。
然而，一個好的論點還需配合對簡報受眾需求的理解，掌握他們希望看到的細節深度（顆粒度）、呈現的論點表明編排。唯有如此，才能避免做出許多優秀的數據分析，卻因沒有獲得主管或同事的支持，無法產生實際效果，會相當相當可惜 !
當然，說明文件的呈現方式還有許多可以改進的美化與編排。我之後也計劃撰寫有關簡報技巧的文章，深入探討如何提升簡報的效果，幫助大家在職場上多一個利器。
數位產品埋設追蹤碼以及漏斗分析
數位產品埋設追蹤碼
數位產品經理需要掌握埋碼（Tracking Code）的基本概念與應用，因為這是收集使用者數據、分析行為模式、優化產品體驗的重要基礎。埋碼的過程包括設計數據追蹤策略、定義關鍵事件（如點擊、瀏覽、轉換）、與工程師合作在產品中實現追蹤代碼部署，並確保數據的準確性與完整性。透過埋碼，產品經理能夠量化使用者行為，支持數據驅動的決策，例如功能優化、用戶分群和漏斗分析，同時也需注意數據隱私與法規的合規性，如 GDPR 和 CCPA等隱私法規。
此外，熟悉埋碼技術與流程是數位產品經理提升專業能力的核心技能之一。在工具選擇上，推薦使用 GA4（Google Analytics 4）進行埋碼。雖然本文不專注於埋碼教學，但會提及漏斗分析的概念。若對埋設數位產品追蹤碼有興趣，可參考 Google 官方的教學資源，深入了解如何透過數據追蹤全面掌握使用者在產品中的各種行為數據。
什麼是漏斗分析？為何重要？
漏斗分析（Funnel Analysis）是數據分析中的一種方法，專注於觀察和分析用戶從初次接觸到完成特定目標（如購買、註冊）的整個過程。這個方法形象地將整個流程比喻為漏斗，因為在每個步驟中，都可能有一部分用戶流失。透過分析每一層的轉換率與流失率，產品經理可以找出流程中的瓶頸，進一步進行優化。
漏斗分析在數位產品中應用廣泛，常見於行銷、產品、營運和銷售等領域。這是一種直觀且有效的方式，用於理解用戶行為，優化產品體驗，並提高業務指標。
漏斗的核心邏輯
無論是行銷漏斗還是產品漏斗，其底層邏輯相同：將流程分解為多個步驟，逐步分析每一層的用戶流失和轉換情況，並基於數據找出改進空間。例如：
- 行銷漏斗 範例：廣告曝光 → 產生興趣 → 考慮比較 → 有購買意願 → 行動購買 此分析可幫助行銷團隊了解，在哪個環節用戶流失最嚴重，進而優化廣告內容或購買誘因。 示意如下圖，例如能了解一開始就要更大量的廣告曝光，因為每往下一層都可能會流失。
- 產品漏斗 範例：產品觸及 → 點擊操作 → 註冊或下載 → 完成購買 此分析則有助於產品團隊設計更順暢的使用流程，減少用戶在特定步驟的流失。
漏斗分析的 4 個步驟
Step 1 定義漏斗層級步驟
清楚定義流程中的每一步驟，例如「觸及 → 點擊 → 行動 → 完成」，確保分析目標具體且明確。
Step 2 蒐集數據 為每個步驟設置追蹤點（如埋碼 GA4 事件），收集用戶行為數據，並設計實驗來測試不同策略的效果。
Step 3 計算轉換率與流失率 將每層的用戶數據對應到目標轉換率，分析用戶從一層流向下一層的比例，識別表現不佳的環節。
Step 4 優化流程 根據分析結果，調整具體步驟。例如，針對轉換率低的頁面，改善內容設計或提升行動按鈕的吸引力；對流失率高的步驟，簡化操作流程或增加激勵機制。
使用 GA4 進行漏斗分析
GA4 提供強大的自訂報表功能，可以幫助快速建立漏斗分析：
- 定義漏斗步驟（例如 Step 1, Step 2, Step 3…）
- 設置指標（如使用者數量、轉換率）
- 分析關鍵指標（完成率、流失率）
- 根據數據表現，反推問題點並制定改善計劃
書籍推薦
看完以上文章內容，有興趣繼續鑽研下去的可以看看這本書 沒有數字腦，也能輕鬆解析數據。
📊 文科生也能玩轉數據？這本書讓你打破迷思！
如果你曾以為數據分析是理工科的專屬領域，那這本書絕對能顛覆你的想法！當初，我也是被這個書名吸引，才發現它不只是一本談技術的書，而是一本 幫助非理工背景的讀者理解並運用數據思維的指南。
🔍 為什麼推薦這本書？
✅ 5D 框架：從 定義（Define）→ 發現（Discover）→ 設計（Design）→ 執行（Deploy）→ 驅動（Drive），讓你掌握數據驅動決策的完整流程。
✅ 文科生友善：用故事、案例和淺顯易懂的方式，幫助讀者建立數據思維，而不是鑽研複雜的數學公式。
✅ 實戰應用：不只是理論，更有許多 職場實例，讓你知道數據如何真正影響商業決策。
小結
漏斗分析是數據驅動決策中的重要工具，特別是在數位產品領域中，能有效洞察用戶行為並優化產品策略。通過建立清晰的漏斗模型、埋碼收集數據、以及持續實驗與調整，產品經理可以找出用戶流失的原因，提升用戶體驗並實現業務目標。
延伸學習 : 數位產品經理的觀點 : 什麼情況需要做 A/B Testing？
第十堂課補充 : 數位產品經理的觀點，什麼情況需要做 A/B Testing？
結論 Recap
上面提到的分析步驟和方法這麼多，就不再贅述了！重點是，掌握四步驟的精髓，才能靈活應對不同數據需求。
下次遇到數據洞察分析的挑戰，別再抓破頭，來這篇快速複習，看看哪些工具最適合你的情境，讓決策更快、更準、更有底氣！🚀📊
數據分析只是產品決策的一環，真正將產品推向市場、確保品質無虞，還需要嚴謹的測試驗證。因此，在第 第十一堂課 : 產品開發測試，PM 的七大品質守門秘技，我們將進一步探討 產品開發測試，並分享 PM 必須掌握的 七大品質守門秘技，讓你的產品不僅數據決策精準，還能在交付時經得起市場的考驗！
📩 歡迎交流！看完文章後，若有任何想法、建議或想一起討論的話，隨時歡迎來信交流！
Miss 六月奶茶聯絡信箱 : junemilktea6@gmail.com
