✍️ [ 5 個你可以記住的執行數據分析專案的關鍵步驟 ]
這與是不是技術人員無關，只要你做的事情需要透過 #數據驅動成果，那你就需要了解這個流程。
-
如果你剛好是以下的角色，那讀完肯定對你有幫助：
-
🧑🦰數據分析專案經理
➡️ 你可能需要理解所謂的數據分析產品與服務要經過哪些流程，以便於拆解管理專案工作計畫與專案時程，並找到合適職能的工作者一起來完成這個專案。
👩🦰參與數據分析專案的數位行銷人
➡️ 我在猜已經不少數位行銷的人已不知不覺跨界到數據分析領域了，不論你是用 google sheet/Excel ，或是已經開始學習商業智慧報表工具 (Data Studio/Tableau/PowerBI)，那你就更方便可以完成數據分析題目，因為使用商業智慧工具的操作過程也需要有數據分析流程的 mindset 喔。
🧑🦱參與數據分析專案的技術人
➡️ 那就更不用說了，你要開始用大局的角度思考數據分析專案，要知道你演算法跑到天荒地老到底是在解決什麼問題，讓你花的心力可以真正跟老闆或其他 stakeholder 看得懂的成效成正比。
👧你還沒工作，或想要開始轉換到數據分析領域，需要一些經歷來證明自己
➡️ 很多人都會問我，我都沒相關工作經驗那怎麼辦？我要如何走向數據分析領域？
✔️這就是最好的解答 - 「#累積數據作品集」，不要責怪周遭沒有真實的數據，現在已經有太多外部的公開數據可以使用，只要拿到你有興趣的數據，你就可以試著站在這些流程來做成作品集，切記，「定義商業問題」很重要！就算你下載的數據本身沒告訴你他的 #商業痛點 是什麼，你也可以 #試著自己想像商業痛點，並針對商業痛點對症下藥，那即使你沒有任何相關工作經驗，你也有機會讓面試官知道你有很紮實的數據分析思維與技術了。
-
如果還有其他更想知道的內容，歡迎留言或私訊我喔🙌
#資料科學知識 #資料科學 #AI #機器學習 #數據思維 #行銷科技 #預測 #資料科學與我們日常有關 #martech #數據分析流程 #數位足跡 #客戶生命週期 #ltv #成長行銷 #職涯建議
數據分析流程 在 [心得] 如何藉由數據優化服務流程- 看板Soft_Job 的推薦與評價
分享我在數據分析上所建立的思考架構，
而這個思考架構包含了從服務流程的盤點、到數據的建立、再到場景的規劃、反覆的實驗
。
讓產品可以真的因為數據被優化，而不是產品產生的數據造成我們日常做事的困擾。
Medium好讀版 : https://reurl.cc/DAOD7R
--
數據在組織中的現況
企業中大家都知道數據的重要性，但一路走來發現很多的PM，甚至是主管對於如何藉由數
據來策略性的推動產品，都還沒辦法較深入有脈絡去運作。
通常組織都會胡亂地埋了一堆數據，網頁用GA、App用flurry等，有用外部solution的可
能就看後台提供的資訊，現今的科技複雜度與商業複合運作模式下有這些分散的流程是很
正常的，但是如果沒有一個統整的面向來看待整體的用戶旅程的話，很可能就只是在建一
堆數據孤島，然後在某些時候數據出事的時候，再驚慌失措地找原因，但在追蹤這些孤島
時卻只增加了疑惑，卻找不到可能的解答。
一部份是因為大家的分工趨於精細，行銷做獲客或是內容經營，產品可能是注意留存或是
部份的轉換，然後不同的角色升上主管職，就會以過往的習慣來執行，大部份時候服務流
程需要改善的點是行銷、有時候需要改善的點是產品。
舉例:
產品升上來的主管，可能繼續用產品內的視角在看整體服務流程，但問題可能是出在獲客
。
行銷升上來的主管，可能用行銷的視角在看，但問題可能在於用戶留不住，再怎麼寄edm
給用戶，還是止不住往下掉的數據。
捧LP上去的主管，就是用各種巧妙的言論來躲避無能運作的事實，久而久之，上司覺得做
得很好，問題都有控制住，然後榮升產品長(可能無誤?)。
雖然要產品出身的看行銷，或是行銷出身看產品，這些事情有點殘忍。但我認為只是更有
意識的去認知到服務流程中，哪裡出了問題，要去優化時，可以更通盤的去看待整個局面
，然後進到細節處理的時候，再與相關同仁以邏輯來處理相關議題。因為只要沒有整體的
視野，大家很容易各做各的，這對於用戶來說，只是一盤散沙的經營。
我會在底下提出方法供大家參考，它會從最一開始的盤點服務流程、數據建置、定義規劃
方向、規劃執行與反覆實驗，藉由這些步驟，可以去反思在工作流程中，怎麼更有脈絡的
去定義要優化的策略、鑽研的議題、觀察實驗結果是否有用。另一部份也能藉由數據讓團
隊同仁可以有更多的機會互相交流與討論，提升團隊感同時也在專案運作上可以有更多不
同的火花。
盤點服務流程
在現有的業務流程下，主管或是業務同仁通常會用過往習慣的做法來執行，而過往習慣的
做法通常是拍腦袋想出來的，而那時可能有成效，所以就一直沿襲下來了。不是說沿襲傳
統不好，而是當時代與環境在變動時，要有方法可以重新省視與評估是否有更有效益的做
法，或是該換一條路的機制存在。
通常我會使用大家都知道的AARRR來當基底，看待整體服務流程。
補充:AARRR為Acquisition、Aha-moment(Activation)、Retention、Referral、Revenue
這五個單字。
意指我們獲取用戶後，用戶有使用的動機，然後願意持續留下來，願意付錢、好到足以推
薦給其他人的概念。
而根據上述的框架，來看整體的流程結構，就能夠更有概念的去思考如何推進。因為現有
的商業模式或是服務流程，當初在形成的時候不一定是很有條理，也不太可能有條理。但
是想要更完整的去探索，或完善商業模式，沒條理就看運氣，沒運氣就是各種規劃資源與
工程資源砸到水裡。
以訂閱制的選股軟體舉例，藉由這些面向來看待服務流程 :
A(獲客):獲取用戶時可能用SEO、投廣、社群經營、app自然流量
A(Aha-moment):這個產品獨到的選股方式是用戶最買單的內容
R(回訪):用戶買賣股票頻率為1~2天就應該回來
R(利潤):多少用戶續訂、新訂，訂閱中的流程怎麼走
R(推薦):有沒有對應的推薦機制
從這樣的大項目裡面就可以再去拆解細節流程，
A(獲客):(下面建置數據再提)
A(Aha-moment):用戶在旅程或產品流程中，什麼樣的節點會碰到或是認知到這件事?
R(回訪):(下面建置數據再提)
R(利潤):我們現有流程或機制是怎麼讓新用戶做訂閱，
舊流程中用戶最喜歡用的功能是什麼，最買單的是什麼?
R(推薦):用戶要推薦APP，或是分享炫耀自己股票，有沒有哪些點在執行
而在這些流程盤點完後，對於一個用戶怎麼進來，怎麼留下，怎麼離開，團隊的心裡應該
就會有概念的認知了，但具體用戶到底認同我們服務中的什麼機制、不認同什麼，哪一些
和我們預料的有落差，目前還不得而知，而要知道這些資訊，則需要數據來呈現，讓我們
可以往更實際的行動方針邁進。接下來在這些節點上是否有可追蹤的數據，就進數據建置
的部份了。
數據建置
到這個步驟就以上述了解到的流程，進而確認在對應服務流程的節點上，是否有對應的數
據，讓這些數據可以清楚明瞭的把用戶的流程鋪張出來，後續才能夠對用戶做更有根據的
猜想。另一方面也在這個階段去初步盤點目前有的數據，對這些數據的聯想是什麼，是否
有些也可額外記錄的(如果技術允許的話)，有可能會幫助到後面的步驟產生洞見。
A(獲客)
SEO : 現在透過搜尋進來的流量多少?
投廣 : 從廣告來的用戶多少，成本多少?
社群經營 : FB社團上每週新增多少人?大家文章互動的頻率?導流時可以轉換多少?
App自然流量 : 每週下載app多少人?卸載多少人?
App內轉換 : 註冊成會員的有多少人?新訪客在產品內頁面點註冊的怎麼點、多少人?
A(Aha-moment)
團隊覺得最核心的功能，新用戶觸及到的比率高嗎?每週新用戶碰了幾次?每天新用戶碰幾
次?
在提供的服務流程上，有沒有哭哭moment，就是我們設計A->B->C三個流程給用戶走，在A
有100人，走到B剩25人，走到C剩10人。這種流程上的節點都是要去記錄，也包含節點周
遭的一切其他入口，因為常常會有"我們以為的用戶"和真實用戶的差異，這些點在建置階
段可以稍做概括。
R(回訪)
用戶的留存率多少?日週月分別是怎麼樣的情形(這邊沒有絕對的數值，業界都市傳說40%(
日)–20%(週)–10%(日)，但隨著不同產品場景會有巨大差異，有些KOL的選股軟體可能可
以到60~80%的日回訪)
未訂閱用戶的留存?
已訂閱用戶的留存?
R($$$)
新用戶:
用戶會在什麼地方買單?怎麼買?
我們的試用機制是什麼?他一路走的節點，我們有辦法都抓到嗎?
訂戶:
續訂率多少?訂戶主要在用的功能是什麼?那邊流程順嗎?
用戶流失的原因是什麼?有沒有相關記錄的機制，來知道用戶離我們而去是未什麼?(例如:
問卷、用戶怎麼離開頁面、具體怎麼使用)
R(推薦)
用戶有沒有什麼炫耀機制?或是在行銷上有哪些可以拉客的制度?
上述只是暫提幾項提供參考，實際以公司的業務流程來做考量，評估要去記錄用戶的什麼
數據，可以讓團隊更有脈絡的知道用戶在幹嘛。經過流程盤點和數據建置後，我們基本上
可以完整的一窺用戶從哪個渠道來，來多少，為什麼而用，用什麼，用戶為了什麼原因而
買，又為什麼而離去。這些輪廓就可以被更完整的描繪了，而下一步也就可以進到定義規
劃方向。
定義規劃方向
當我們服務流程定義好，數據也建置完之後。我們基本上對於整個用戶旅程會有更完整的
了解，這時候也才有辦法具體的知道該往什麼方向推進。而且在推進的方向上才能知道細
節怎麼環環相扣。
一開始我們會從比較大的數據來觀看，
A(獲客):各渠道來的流量
A(Aha-moment):新用戶的留存率
R(回訪):用戶買賣股票頻率為1~2天就應該回來
R(利潤):多少用戶續訂、新訂，訂閱中的流程怎麼走
R(推薦):有沒有對應的推薦機制，有多少人推薦出去
在全面看過數據之後，有可能你們的產品相對市場好很多，但知道的人還不多，那就可以
聚焦於獲客，在上面提到的SEO、投廣、經營粉絲團等渠道，即使產品人無法更細節知道
行銷該怎麼做，就直接找團隊內的行銷同仁來討論(或是自學…當一個成長駭客)。
也可能投廣投的天荒地老、也一直在耕內容讓用戶流進來，但是產品內的留存率很低，或
是很多人玩了產品不訂閱，那這時就是更細節去思考產品裡面到底是哪裡出了問題，有可
能是UX，也可能是產品定位不對勁，這些都是可能的面向。
但是當你能夠有脈絡的說出各個面向的數據，通常團隊同仁一定也會有相當想法可以和你
討論，這時產品的氛圍和方向就會很棒了。那當我們定義好方向之後，就可以進到更細節
的規劃！
規劃執行與反覆實驗
通常在前一個階段定義好方向後，這階段已經會是比較針對性的問題來求解。在規劃求解
的過程中，一定至少會有一個明確的預測會變好的指標，在實驗後可以去觀察確認的。
例如說: 發現獲客部份能做的不多，然後留存轉換還有很多可以努力的。
數據發現，新訂用戶每週只增加50個，但是非訂閱用戶的活躍人數每週有1萬個，日活躍
還60%，那這就代表這產品大家玩得很開心，但是付費、試用機制可能沒有做好，那我們
可能就在更多用戶常用常點擊的核心功能上，加上更嚴格的使用次數或是使用時間。那我
們的指標就是新訂用戶要能夠大幅增加！
在這個階段要規劃，盡量讓變因相對少，因為這階段即使我們看了數據，所提出來的概念
都還是假說，一個假說在實驗時，如果有很多變因，那麼結果出來會無從驗證，甚至做的
不好也不知道到底是哪裡出錯了。
所以以上面的例子，我可能在A頁面加一個次數限制，sprint的時間還夠，就在B頁面的流
程略改(如果兩方在用戶使用上不太衝突的話)，然後在上線後，給一段時間做觀察，看產
品的用戶使用頻率，使用場景越高頻的用戶，可能幾天到一週，數據就能明顯出來了，數
據出來後證明這個實驗的假設是否正確，不過是正確或是錯誤的都是好事，因為這代表你
已經在探索產品的可能性了，你可能試錯了3個sprints，但只要做對一次，那是未來幾年
都能以有效益的方式去運作，這報酬風險比非常高，很值得做的!
小結
使用數據分析來優化服務流程，其實是一個算是縝密且有結構與步驟的科學實驗，但是這
個思考架構掌握之後，其實對於組織內，不光是產品，很多的商業模式，其實都能夠用這
樣的架構去思考優化。
如果你是一個PO，那在產品上會更清晰的知道往什麼地方走，這同時能幫助到團隊，讓團
隊知道為什麼而忙，同時也能幫助到用戶，藉由用戶下意識的行為，為他們打造更好的服
務體驗。
如果你是一個PM，提出這些脈絡在給管理者時，也能夠有更充足的資訊讓管理者去做出好
的決策。
希望數據在我們的產品路上，可以是解決問題的神兵利器，而不是只在抄抄寫寫的絆腳石
！
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 223.137.139.99 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Soft_Job/M.1688473694.A.CF8.html
... <看更多>