如何有效定義指標與分析 — 帶你十分鐘弄懂 Lean Analytics
以業界常用的 AARRR 等指標，帶你深入淺出認識好的指標如何定義、設定與追蹤。
數據分析的精髓，在於恰當地比較。
隨著時代，越來越多的數據被作為企業參考的依據，甚至出現數據驅動（Data-Driven）的公司，像是 Google、Amazon 等等知名的企業。既然數據如此重要，那要如何恰當的使用數據，而不是被它牽著走呢？
關鍵就是「指標」。
在數據的茫茫大海中，擁有恰當的指標不僅可以正確理解問題與追蹤企業狀態，甚至能夠根據數據分析的結果，選擇提升企業營收的方案。
那麼，什麼才是好的指標呢？
一、如何選擇好的指標
「你無法衡量的東西，你也無法管理。」 — 管理學大師彼得・杜拉克
在科技行業裡，我們常常聽到有 DAU、MAU、ARPU 等指標，每個都是行業在累積許多經驗後，最終在該特定行業裡採用的參考指標。
但這些既定的指標，也可能存在著危險。為什麼呢？有時剛進入特定行業時，對於該指標僅是矇矇懂懂，存在著理解不清晰的狀況，但竟也就如此繼續使用下去，使得最終並沒有真正了解該指標背後的含義。
另一個部分，則是容易迷失在指標的變化裡，反而看不到指標背後的含義。以 DAU / WAU / MAU 等活躍指標，個別代表單日、一週、每月活躍人數；但單看個別的數值突然下滑，很容易把原因歸咎於日常中某些顯而易見的原因，反而忘記去解剖指標背後的原因。
換言之，指標如果能夠作為一個明確的參考工具，在很明確的目的下使用，就不容易因為數值的波動而影響判斷；相反地，如果只專注在數字變化上，就很容易迷失在數字中。
如果數字的指標如此重要，那要如何挑選好的指標？
I. 好的指標，都擁有下列幾個特點：
- 比率呈現｜因為比率本身代表了三個特性：可操作性強、本身就為比較的形式，與容易了解相關性。
- 能被比較｜指標之所以有意義，是因為我們擁有比較的基準，知道什麼是「好」。沒有基準的指標，就只有象徵意義。
- 簡單易懂｜好的指標，應當能輕易被提出來討論。更重要的是，簡單的指標更容易改變公司的行為。
- 行為改變｜該指標應該要與行動做掛鉤，所有指標好的指標都應該讓企業清楚知道，指標在不同的狀態下，都應該有相對應的行動。
簡而言之，一個好的指標會以簡單且明確的比率呈現，並被用來比較以驅動企業的行為。
舉個例子，我們希望買一個物超所值的耳機，那通常會以 CP 值來評定，該產品是否值得購買，但我們怎麼知道自己物超所值？
如果直接拿價格來比較，比較貴的很有可能也比較好，但是擁有特定功能的耳機通常會值多少錢。如果價格很明確，那我們就知道心目中的耳機，在擁有特定功能的定價是否合理，進而決定是否要購買。
現在，我們有了數據概念的根，就要有完整的枝幹，才能長成一棵完整的數據分析大樹。接下來，這段會個別說明各個指標的用途，與如何使用。
II. 數據的種類
我們常用的指摽，大多不外乎下面五個面向：
- 定性 v.s.量化指標
- 虛榮指標 v.s. 可付諸行動的指標
- 探索 v.s. 報告性指標
- 先見性指標 v.s. 後見性指標
- 相關性指標 v.s. 因果性指標
然而，我們需要更加注意的是，每一次的分析是否能從各種數據的種類中，挖掘出原先未被注意的洞見與可能，才是這幾個面向最重要的目的。
A. 定性與量化指標
定性指標是指模糊、主觀的指標；量化指標則是可衡量、客觀的指標。例如用戶訪談就是標準的定性指標，並沒有固定的答案，可能是模糊的、概念的、具有偏好的指標與族群。
如常見的網站後台數據，就是量化指標，各種活躍人數、滲透率等等指標，會有一個明確、能夠被定義與衡量的指標。
其中要特別強調的是，單純偏好一方容易造成判斷錯誤，用戶不總是會正確回答他們的需求；數據也無法說明兩者之間的因果關係。唯有恰當地搜集數據，才能做出正確的行動。
B. 虛榮指標與可付諸行動的指標
判別是否為虛榮指標（亦即無法被比較的指標），在於該指標是否有可供行動的準則。例如單位時間內的新用戶數量，如果確實做了正確的行動，新增用戶增加得比率應當會提高，反之則否。
其中，A/B Test 就是最常被使用的方式；但這個測試模式有個缺陷，如果用戶數量不夠多，就無法有效的採樣與進行公平的測試。
簡而言之，每一個指標都應當有一個目的，如果該指標發生變化，下一步的商業行動是什麼。
C. 探索與報告性指標
探索性指標是指藉由推測，發現原本不為所知的洞見；報告性指標則是追蹤目前產品的狀況，確保日常的營運沒有任何問題。
其中，兩個指標皆能完美融入下面的框架中：
- 知道我們知道的｜必須透過檢驗確認其真實，確認沒有認知偏誤。
- 知道我們不知道的｜透過調研發現未知的洞見，並依此為基礎流程化。
- 不知道我們知道的｜是直覺，需要透過訓練與評估提升效率。
- 不知道我們不知道的｜是探索，存在未知可能，需透過各種洞見發現。
D. 先見性指標與後見性指標
先見性指標與後見性指標都有意義，只不過目的不同。
先見性指標，是指藉由某些框架或是架構，推測出未來可能會發生的事，例如營收預估或是潛在用戶數量等，甚至透過追蹤特定數值的變化，以預估相關事件是否發生。
後見性指標，則是藉由追蹤數值的變化，發現問題的存在，並據此深入挖掘問題的核心，最重要的指標是用戶流失率。
E. 相關性指標與因果性指標
相關性很好，因果性更佳。
如果能發現相關性，代表結果能幫助我們預測未來；如果我們能發現因果關係，代表我們能夠改變未來。我們通常會發現，某些數據間擁有相關性，這代表我們能據此變化，相對應地做出行為；如果我們發現兩者之間的因果關係，就能據此做出更直接的行為。
但有相關性的同時，也要注意資料之間是否有邏輯關係。例如冰淇淋與雪胎的銷售成反向關係，但這並不代表買了冰淇淋的用戶就不會去買雪胎，其中關鍵的因素應該是天氣，決定用戶是否購買雪胎的意願。
二、如何避免不好的指標
如果數據本身收集時就帶有偏誤。例如以成績、服務品質為指標。如果蒐集數據本身和反應到的內容不相關，那也就無法蒐集到正確的數據。
其中，最惡名昭彰的莫過於關鍵績效指標（KPI）。
我們常聽到公司會以 KPI 作為唯一的依歸，如果沒有辦法達到 KPI，代表公司出了問題需要改善，或是據此作為員工表現的憑據；但這容易產生兩個問題：
- KPI 成為一塊被畫大的大餅，並沒有依據實際狀況評估。
- 員工可能因此竄改或捏造數據。
為了避免這個狀況，這個章節提供了一個簡單檢視指標的方式。
I. 檢視指標的簡單方法：
設定的指標，永遠都要直接和目的相關聯。
聽起來很模糊？沒關係，接下來就舉幾個例子說明。如果我們希望員工能增加對工作的重視，因此設定了打卡制度；但打卡制度只能規範員工幾點進公司，並沒辦法因此讓員工的投入程度提高。
舉另外一個例子，如果希望員工能夠盡可能達到業績，那麼以銷售額作為 KPI 便是很直覺的方式；但此處很有可能造成員工，為了達成短期目標，而損害了和客戶的長期關係。比較洽當的方式應該是——根據員工的能力設定，同時與員工討論自己能達到的 KPI ，與該 KPI 最終會導致的結果，該 KPI 才有採用的價值。
II. 八個需要堤防的虛榮指標：
下述這八個指標，都未能清楚擁有比較的基準，因此也未能提供一個合理的分析結果。
- 點擊量｜不應當關注在點擊量，而應該專注在點擊人數的變化。
- 頁面瀏覽量（PV）｜與上相同，應該關注的應當為瀏覽人數變化，除非如廣告商，商業模式與 PV 綁定。
- 訪問量｜同樣，無法確認究竟是一個人點很多次，還是很多人點一次。
- 獨立訪客數｜更該注意的是用戶訪問了哪些頁面，從哪裡離開。
- 好友、讚的數量｜完全的虛榮指標，更應該注意這群人做了什麼，是否真的有購買行為或與我們互動。
- 網頁停留時間｜應該關注在哪些頁面的停留時間較久。
- 收集到的用戶郵件數量｜例如電子報，應該要做的是了解轉化率，有多少人願意收看，又有多少人因此購買。
總結
當我們選擇要分析一批數據時，必須關注三個面向：
- 數據了來源是否恰當？有無偏誤？
- 該指標是否能夠提供明確的比較標的？有無比較的基準？
- 該指標是否有明確的行動？
數據分析應當是目的導向，數據本身只提供了行為的樣態，真正的意義應當從真實世界中挖掘。且真正重要的是，只要該指標沒辦法影響行為，則所謂的數據分析其實毫無意義。
謝謝你願意閱讀到文末，如果有任何想法，或發現文中有任何錯誤，都歡迎你留言討論喔！
【希望用你的掌聲來投票與支持】
拍 5~10 下：簽個到，表示支持（感謝你的鼓勵啊啊啊）
拍 10~20 下：想要我未來多寫「數據技術相關」內容
拍 20~30 下：想要我未來多寫「數據分析實例」內容
拍 30~50 下：我有你這讀者，寫這篇也心滿意足了！參考資料｜Reference
- The Concierge Minimum Viable Product Maximizes Customer Learning | iBuildMVPs
- Lean Analytics | eBooks
