產品上線之後的第一堂課：一米市集以用戶旅程為中心的數據分析

產品上線之後的第一堂課：一米市集以用戶旅程為中心的數據分析

文：一米市集，張哲誠，用戶體驗UED小組共同負責人

图：一米市集 (www.yimishiji.com) 网站价值主张

去年年中，我加入了Matilda創立的一米市集，協助打造用戶體驗。前半段的時間，我們特地組了一個六人小組，一起度過了由0到1打造產品的過程 (參考連結: ECX Matilda 演講) 

圖：一米市集產品開發流程

現在，產品上線是上線了，自己的孩子生了就得養，要怎麼養，怎麼讓她長大還真是難事。

研究了一番，發現好的創業公司都在做大數據，從善如流，我決定跟著鑽研更多資料分析和成長駭客(growth hacking)的相關領域，問了些朋友後，得到很多有趣的回答，比如：

• 你的Excel 建模得很強才行
• 去學R，這是搞Big data 的人都在鑽研的語言
• 很多公司在搞事件分析(Event Analysis)，你們應該去搞一下
• 光把Google Analytics 弄好就優化不玩了”
• 你去買個Tableau呀，這是最基本的BI (Business Intelligence) 軟體
• 哇，你這搞大的，我們要找IBM來提案，把TMS，埋點，數據挖掘都搞一搞

這麼多立意良善，但見解不同的答案，一下子把我心搞的有點慌，以前自己擅長這種「由0到1」的設計思維，產品開發理論基礎好像不夠了。那1到10怎麼做？10到100怎麼做？一個月前，我展開了一段自己摸索的旅程，這篇文章試著吧我們摸索與學習的過程記錄下來：

圖：這篇文章的敘事邏輯

一，問對好問題，比做好分析更重要

開始做分析之前，幾個核心小組成員拿出紙筆與便利貼，試著思索想透過數據分析挖掘哪些問題。這是一個相當重要的練習，因為做數據分析跟做統計分析一樣，必須有很明確的研究發問，假設，並且蒐集資訊來驗證。問對好的問題，分析人員才能有效的去搭分析框架，採集資料，整理資料。而非一下子鑽進數據海，試著在浪花中找出脈絡，這樣往往事倍功半，並且會花大量的時間在做資料整理工作，而非產生有意義的洞察。

圖：一米市集團隊列出想透過數據分析發掘的問題

二，區分自爽指標與行動指標

以前自己在搞app 的時候，每次看到下載量又多了一萬，用戶數量不斷增加，心理就覺得踏實，覺得自己的產品決策是正確的。其實，這些都是不對的，真正好的數據能告訴我們如何做決策，而非只是逗自己開心而已。這種數據就叫做行動指標 (actionable metrics)，它與特定任務相關，且能改善商業成效。比如活躍用戶比例，網站互動比率，顧客開發成本，營收與利潤變化比率等都可以算是行動指標。相反的，自爽指標(vanity metrics)就是那些看起來很棒但實際不代表什麼，比如下載量，PV，UV等靜態數字。

圖：自爽指標與行動指標有根本不同

三，打通數據分析的用戶旅程

以一米市集的網站為例，在開始做數據分析時，我們整合了百度統計 (類似Google Analytics)，後台系統產生的訂單報表，以及ERP系統出的商品銷售清單。試著玩了一下這些數據，很快的發現一個問題：這些數據是以工具為中心積累出來的，我用了什麼工具，它就替我產生哪些數據，而非以用戶旅程為中心串接起來。

圖：原本以工具為出發，彼此獨立累計數據

這是什麼意思呢？用戶理解我們的旅程本來就是一連串的場景，而非分散的獨立事件。假使我們今天要了解一個用戶從怎麼認識我們，在社群與公眾號與我們的互動，這些如何影響到上站時的行為，跟結帳購買的金額與商品類別。透過目前工具是做不到的。

圖：希望透過用戶ID打通知道-上站-購買與二次購買的旅程

如果能把數據透過用戶ID串接起來，我們能知道，某個特定用戶是透過哪場推廣活動，或者哪個關鍵字廣告認識一米市集的，平常幾點買菜？是送完小孩之後，還是睡前的凌晨？平常的購買頻次為何，是一週三次，還是兩週一次？透過以上的數據，我們才能真正360%了解用戶，並從中找出適合的分析框架，去得出有用的洞察。

四，了解指標背後的絕對與相對意義

其實，企業在成長的不同階段，要追蹤的數據往往也不同，對於一米市集這樣的新創公司來說，有質量的增長是重中之重。因此，我們特地挑了幾個與增長相關的重點指標來深度追蹤，例如：

指標一，PV與UV，網站流量分析

圖：一般電商均統計的流量資料，包含PV與UV

流量分析 PV (Page View)瀏覽點擊量，跟 UV (unique visitor)獨立IP來訪人數。這兩個指標是所有經營網站的人每天必看數據，就跟開雜貨店的老闆娘每天會數多少客人進來，PV跟UV就是開網店的流水人數，可以把PV理解為不認人的總流水人次，UV等於獨立人數。

圖：Fred Wilson

根據知名VC投資人 Fred Wilson 的經驗談 (曾投資過Twitter, Tumblr, Foursquare, Zynga與Kickstarter等知名創業公司) 要去判斷一個網站或APP是否答標，可以有以下的參考值：

基本指標

• 每天10%的流量会真正与网站互动
• 每个月至少有30%的用户上站1次或使用APP1次
• 每天有10%的用户上站或使用APP
• 每天有1%的用户忠诚持续使用

指標二：顧客留存壽命分析

圖：人客就像水一樣，來來去去的

做生意開店，總會遇到形形色色的人，有的客戶萍水相逢，因了解而分開，有的客戶卻是一試成主顧，生老病死永不分離。做數據分析時，常見的作法是用漏斗分析表示每期到底留下多少客人，並計算到底顧客壽命多長，留存多久。為了解顧客壽命這個概念，在Lean Analytics 一書有一個有趣的習題：

有間公司每年損失1/4的顧客，請問這間公司到底表現好不好？

這個命題看起來很直接：表現一點都不好，4個就走一個，這人不會做生意阿。然而，純看1/4這個值並沒有意義，如果把1/4這個數字詳細算下，我們可以得到以下發現

• 每年损失1/4顾客=顾客寿命4年=每月损失2%客户 (計算說明：假設今年有100個客人，一年流失25個客人，這批客人4年才走光，等於每個月走掉2%的客人)
• salesforce.com CRM (NYSE) 每個月損失約1.8%客戶

這個結果一比，我們就能發現，每個月只丟掉2%的顧客，這表現可是跟上市公司SalesForce差不多，更別說他們還有個上百人的數據分析團隊，整天在想辦法優化用戶體驗，留住用戶。

註解：

• 挑解比較方向時，可透過旁敲側集了解競爭對手或相關行業數據，再將自己網站與他們的指標比較，比較能客觀分出高下

指標三：用戶開發成本與終身價值(年)

經營網站，為了吸引用戶上站，經常採取買關鍵字廣告，發優惠券，E-mail 攬客等手段。值得注意的是：這些都是要成本的。去年中國O2O創業潮正熱的時候，光發給新客的補貼紅包

就接近70元左右，這些還不算灑的廣告費用。另一個案例是：2013年，台灣銀行平均吸引一個新客開信用的成本接近15000元。試想，如果我花了15000才吸引到小花來開戶，他只存了1000元，這不是賠本生意，這就是計算用戶獲取成本的作用，他能針對所有行銷活動做出公正的評判

圖：一米市集經常在各種線下活動推廣品牌，吸引新客(男模:Dennis)

到底要怎麼判斷呢？根據數據分析經典讀物Lean Analytics一書，通常美國網路界使用以下指標：

用戶獲取成本 <= (3/10)*平均用戶終身價值 （年)

舉例來說，假如一米市集在上海迪士尼辦了10場推廣活動，共灑了200,000元的優惠券，其他營銷成本共50000元。其中優惠券使用率為20%，共轉換200名顧客，其中40%有二次購買，60%只買1次。在二次購買的客戶內，有50%持續每個月下單，這些客戶平均一年下單共10,000元。假設一張優惠券都是200元，請問這樣子是否合算成本？

這時侯，我們就能透過簡單的加減乘除算出用戶獲取成本

• 用戶獲取成本= (200,000*0.2+50,000)/200 = 450
• 平均用戶終身價值 = (40*10000+40*400+200*0.6*200)/200 =2200

計算得出，450<660 (CAC<0.3CLV)，也就是說，平均每個用戶獲取成本為450元，小於2200的1/3，也就是660元。

至於為什麼用1/3這個數呢？原因在於運營一個公司有許多固定成本 (如土地房租薪資設備)與變動成本 (營銷，耗才等)，而顧客開發成本比較接近營銷推廣支出，如果光開發顧客就佔掉所有營收，剩下的利潤哪足夠彌補之前投資廠房設備的虧損呢？因此抓1/3是個大概的數字。

結語：創業公司不看財務報表，看的是增長速度

商學院的訓練，以大公司為場景的戰略管理知識。然而，很多創業公司早期還沒有營收，做會計報表也很難衡量企業的真正價值。那該怎麼衡量創業的成效呢？

圖：Y-Combinator 的增長指標與一米市集數據比較

知名矽谷加速器Y-Combinator的創始人Paul Gram 給了一個很好的定義：創業公司=成長。在Y-C內，他們給收留的企業定下每週5%-7%的增長目標，也就是在加速器這三個月內，每個月成長23.5%-34%左右，如果還沒有營收，就看用戶增長。

經過我們的計算，前半年一米市集的數據是達標的！無論是平均支付金額，用戶增長，跟我們最重視的覆購客戶增長指標，均有達到Y-Combinator 孵化的水準。

期待接下來透過數據分析，用戶研究，慢慢精準深抓用戶需求，打造出未來更好的一米市集。也希望能寫更多故事跟業界的數據分析專家們互相研討，學習！

參考資料

精實數據分析 Lean Analytics: http://leananalyticsbook.com/

Paul Gram "Start-up = growth http://www.paulgraham.com/growth.html

特別感謝：侯宗成Jason的數據分析指導