【第八屆曼陀號-Data】從接到需求到影響決策

身為產品設計師，我做過不少分析：找轉換率下滑的原因、看功能使用數據、解讀 A/B 測試結果。但要讓這些分析真正說服跨團隊、影響產品決策，一直都不是件容易的事。

我們是不是都在回答錯誤的問題？

分析沒有影響力，原因通常不是數據不夠，而是從一開始就問錯了問題。

有三種常見的反向操作陷阱，是在分析時特別容易踩到的：

• 先找資料再想問題：先看有什麼資料，再決定要做什麼分析 ，這會導致結論和真正的業務需求脫節
• KPI 先行：追蹤既有指標，卻未思考這些指標是否能影響「當下」的決策
• Solution First：在心中已有決策方向，再決定用資料「證明」它 → 這不是研究，是確認偏誤

有影響力的分析

1. 商業問題：先問「為什麼要做這件事」

好的商業問題具備三個特質：具體、可行動、與公司目標直接相關。

接到需求時，先釐清：

• 這個問題是怎麼產生的？在什麼情境下發生？
• 做完這個分析，可能的下一步決策是什麼？
• 範例：老闆說：「Q3 的交易轉換率下降了 20%」，這僅是一個數據事實，不是一個商業問題。真正該先收斂的是：「這個交易轉換率下降，是在哪個環節、什麼時間點發生的？我們需要做出哪些決策？」

2. 決策：確認「知道答案之後，我們會做什麼不同的事」

分析的價值不在於「有洞察」，而在於幫助做出更好的決策

「如果我知道答案，我們會做什麼不同的事？」 如果回答不出來，可能是兩種狀況：

• 這個分析確實沒有對應的決策，根本不需要做
• 決策早就決定好了，分析只是拿來事後合理化（也就是 Solution First 的陷阱）
• 範例：分析顯示「某功能使用率偏低」，但「使用過的人滿意度很高」。團隊拿到這份報告後，沒有人知道該砍掉這個功能還是優化推廣機制， 因為分析開始前沒有先定義清楚這次要驗證的是哪一個決策，導致兩筆數據各自被拿來支持不同的結論，最後誰也無法拍板。

3. 指標：精準、可影響決策、附帶護欄

幾個關鍵原則：

• 一個專案不超過 3 個指標：越多交叉變因越複雜，先搞清楚指標之間的共性
• 選 leading 指標，少看結果指標： 結果指標是落後的，leading 指標讓你有機會提前行動
• 每個主要指標，需要至少一個護欄指標： 當你的轉換率提升了，可能需要觀察同時帶來退訂率和客訴率是否提升
• 好的指標自我檢查：這個指標能反映決策成功與否？我們可以透過行動影響它嗎？能在合理時間內觀察到變化嗎？

4. 資料：最後才盤點需要什麼數據

• 如果一開始就先看有什麼資料，會被現有資料的形狀綁住，反而看不到真正需要的數據
• 一個好方法：把問題轉換成用戶旅程，沿著行為路徑系統性地找出每個節點所需的數據
• 遇到拿不到的高敏感資料（例：用戶每月交易金額），要去思考：有沒有替代的代理指標可以推論？ 例如用「訂閱方案」或「交易頻率」做近似推論

Case Study：訂閱率下降 20%

月會的最後，老師讓我們練習了一道題：「訂閱率下降 20%」。把前面分析流程放進真實情境裡實戰演練，並它拆成更具體的思維框架：

• Need to know：在開始分析之前，我想要知道哪些事？ 先釐清要驗證的是什麼？
• Who：我需要找哪些團隊討論？ 不同團隊握有不同的事實與情境，能補足單一視角看不到的盲點
• Data：我需要哪些資料？ 盤點能驗證假設的數據
• Action：採取哪些行動？ 知道答案後會做什麼不同的事

透過這道題的練習，我學到了幾件事：

1. 開始之前，先問問題：在沒有釐清產品週期、市場、用戶群之前我根本沒有足夠的 context 去解題。甚至沒有停下來思考，問題真的是「訂閱率」嗎？是否有可能出現在別的地方？（例：金流系統出現問題，導致訂閱失敗率升高）
2. 分析要建立在數據事實：我習慣用產品經驗直接切入，但跳過了「先盤點事實」這一步
3. 換位思考：從大家的分享可以觀察不同角色拆解問題的角度和方式不同，解釋數據的維度和邏輯也不一樣

老師最後的提醒讓我印象深刻：

「在開始回答之前，先盤點所有事實。規劃的下一步行動時才能往回推到 data 和 need to know。」

我的反思

• 下次在規劃數據埋點或衡量分析成效之前，我會先確認這個假設是否對應到明確的決策。這樣得到答案後，才知道該採取什麼行動，而不是分析完才發現答案沒有實質幫助。
• 拆解問題時，我會先從行銷、用戶、產品、市場四個維度去定義可能的假設，再收斂出這次真正要解決的核心問題。例如：訂閱率下降，可能發生在 Acquisition（獲取）或 Activation（激活）環節，並往下挖掘可能影響這兩個階段的因素。