2019電商PM應了解的5大數據運營指標|數位時代 BusinessNext

2019電商平台百家爭鳴，以數據出發的運營思維越來越常被提倡，身為電商平台的PM，你是否有完整掌握所有重要的數據指標了呢？這邊和大家分享電商平台都應該要注重的5大數據指標：流量、轉化、用戶、商品、風險控管。

而數據指標的重點一直都不在於數據本身，更重要的是，了解這些數據思維可以延伸出的action plan，因此這篇也著重分享產品經理可以如何從這些角度切入並有所行動。

一、電商PM的基本思維

身為一個電商平台的PM你是否羨慕過其他社群類、工具類產品，一開始不太需要想商業化的問題，只需要先思考如何服務好用戶、優化體驗即可，做電商跟其他網路產品不一樣，打從Day 1便清楚知道我們的產品就是要商業，作為一個產品經理，不只要替用戶考量體驗，同時也時時刻刻在想如何讓用戶付費、並消費更多！因此身為電商PM必須要具備以下基本思維：

電商公司最重要的產品並不是網站，而是商品本身。
因為電商類的公司商業模式很清晰，訴求很明確，必定是由業務驅動產品開發的，因此比起其他產品PM，我們格外會被老闆／業務單位的需求清單推著跑，如何與跨部門同事透過「數據」溝通是非常重要的 。
作為一個產品經理，你的任務是在「商業的變現需求」與「用戶需求」內取得平衡，了解以下的商業數據指標可以幫助你取捨。

二、核心公式：GMV=流量×轉化率×客單價

首先，介紹五大指標前，電商PM必須要把這個公式刻在心上：

GMV =流量 x 轉化率 x 客單價

※名詞解釋：GMV與Revenue有何差異？

GMV（Gross Merchandise Value）指的是網站成交金額，實際指的是總交易訂單金額，包含付款和未付款的部分，也就是涵蓋了退貨與取消訂單的金額；Revenue則是指實際成交金額，會小於GMV。之所以看GMV的公式而不是Revenue的原因是要純化下面1～3的數據指標，而另外把退貨與取消的數據放在風險控管的指標中。

前三大指標「流量」、「轉化」、「用戶」將從這個公式的脈絡去說明：

1. 流量指標：如何獲取用户？

關鍵數據：Session, Unique Visitor, Page Views

除了行銷同事日常的業務外，產品team可以切入的角度是，打磨與保障用戶體驗的順暢與完整，進而達到「口碑傳播」自流量的效果；同時保持與行銷部門的溝通與同步是很重要的，瞭解他們操作的流量渠道與策略，能夠幫助你在思考與瞭解完整的User Journey，並將不同產品分開思考，PC、Mobile、App的流量渠道不同，體驗優化應有相對應不同策略與設計。

有些產品團隊會有Growth Hack PM的設置，讓獲取流量透過技術的方式可以更有效率，例如開發小程序或是特殊活動頁面（Landing Page）等。

Session = 使用者進出商場的次數，也就是網站本身的吸引力程度，「工作階段」更能代表網站的吸引使用者到訪的能力、訪客與網站的互動量，也比較不會短時間內瀏覽多頁的極端使用者影響。
UV(Unique visitor) = 逛商場的不重複客人數，真正造訪的用戶數，網站要能一直吸引到新用戶才能持續成長。
Page views = 客人逛的櫃位數量，被瀏覽過的商品，商品本身的吸引力程度，通常被用來看電商平台上商品的熱門程度。
＊註解1：推薦閱讀【正確理解Google Analytics「工作階段」定義、計算、重要性】
＊註解2：以上思維比較屬於「網頁思維」，如果是App的維度通常會從下載數看流量拉新。

2. 轉化指標：流量進來後是否有效轉換訂單？

關鍵數據：CVR（各頁面的轉換率漏斗）

應該是PM最熟悉的一個指標，從進站後的User Journey去釐清各步驟頁面漏斗的轉換率，此時分清楚產品功能裡的「信息流」與「任務流」是非常重要的，用戶跳出不外乎是「產品信息內容不充足」或是「信息豐富但用戶無法有效率地完成找到商品的任務」。

「信息流」 是從商品供給角度提供的內容與資訊，例如商品規格、評價、導購文章等；「任務流」 是從用戶需求的角度去搜索並找到他所需要的，例如搜索篩選器、熱銷排行榜、猜你喜歡等。

※CVR（Conversion Rate）

CVR這個指標是有點玄的，很看各功能目標是什麼，產品的功能終極目標都是要促使用戶執行下單的動作，但每個功能跟頁面要追蹤的事件會有差異，以致於分子與分母的定義可能會不同（舉例來說「收藏功能」可能就需要以不重複訪客作為分母、收藏次數作為分子，不能用session或是pageview去當分母）。但整體來說產品經理通常要看的大方向應該是session為分母的、到結帳頁面前的各頁click事件為分子的CVR，運營業務單位應該要看的是各商品pageview為分母、成交訂單量為分子CVR。

3. 用戶指標：轉換後的流量如何持續運營，提高這些流量的價值？

關鍵數據：客單價（AOV）、用戶黏性（DAU, MAU）、用戶留存（Retention）

從PM的角度看提高客單價的方式，除了透過推薦系統&關聯系統進行綑綁銷售外，還有持續經營會員（定義：已在網站產生過交易的用戶）讓其持續產生交易，因此我用了更廣義的「用戶指標」來涵蓋此指標的重點。

以 「用戶黏性」 來說，重點在於「良好的信息推送管道」，把握住用戶的消費節奏，讓他第一次消費完後還會一買再買，譬如相關產品優惠或回購補貼推送等提高消費頻次；而 「用戶留存」 的切入最常見的是會員機制的設計，需注意的是Retention的計算通常會跟本身商品的消費頻次也有關係，建議使用較精細的cohort analysis。推薦閱讀：如何實際計算Retention、LTV ，並產出可執行的商業計畫

運營用戶指標的一大關鍵在於掌握用戶客群分層，與行銷部門同事合作建立用戶畫像（persona）或是常見的RFM價值模型，可以協助你切入去思考設計不同的功能、運營不同價值的用戶。不過用戶分層只是手段，重點是找到不同用戶的gap與機會點滿足他的需求達成業務目標。

※什麼是RFM模型？

在CRM中，經常會用到RFM模型分析去衡量以為會員的價值，和給企業帶來的利潤能力。這個模型是通過會員最近一次消費（Recency）、消費頻率（Frequency）、與消費金額（Monetary）這三個因素來描述會員的價值狀況。推薦閱讀：常貴客？新客？讓RFM模型簡簡單單解釋一切！

除了以上從GMV核心公式中剖析出的三大指標外，還有兩個指標「商品」&「風險控管」也非常重要，highlight一開始所強調的思維：「電商公司最重要的產品並不是網站，而是貨品本身」，因此這兩個指標的核心概念是監控商品的品質。

4. 商品類指標：分析商品本身競爭力

關鍵數據：
商品總數：SKU數、庫存（滿房率）
商品優勢性：個別商品轉化率&收入占比、商品最低價比例

商品本身的競爭力通常不在PM可掌握的能力範圍，而是與業務單位的同事比較相關，但對以上數據有瞭解與掌握，可以幫助PM更全面地掌握網站「轉換率」的影響因子。舉例來說我身在的OTA旅遊平台，有時候CVR下降不一定是網站頁面的轉換哪裡出了問題，可能是房源物件滿房率高&庫存少，或是因為特殊事件以至於貨品優勢下降（Ex：去年日本民泊法影響讓優勢房源關房）。

當你有了這些operational knowledge，更進階地能與業務單位同事合作優化物件的競爭力，像是許多OTA都有協助業務單位實作爬蟲功能，將商品最低價做到自動化補貼與降價等功能。

※SKU（Stock Keeping Unit）

SKU是從貨品分類角度看單獨一種商品。只要貨品屬性有所不同，那麼就是不同的SKU。屬性包括很多，一般的理解貨品屬性包括：品牌、型號、配置、等級、花色、成分、用途等。也就是說同樣的貨品只要在人們對其進行保存、管理、銷售、服務上有不同的方式，那麼就需要被定義為不同的SKU。

5. 風險控管指標：身為平台的服務品質與滿意度

關鍵數據：評價數、評價分數、投訴率、退貨率。

關注以上這些指標可以讓你監控商品問題，主動發現有瑕疵問題的商品以優化平台的服務品質與滿意度，以PM的角度來說，創造與鼓勵用戶評價的機制，並創造平台的正向循環是可以著力的點，同時也應該與業務部門同事合作，優化商品招募與採購的品質控管。

以上是從「數據思維」去切入電商平台的產品開發與運營，如果你的產品／產業，剛好也跟我一樣屬於特別的「雙邊電商平台」，也可以參考我這篇從「供給與需求」的角度切入的平台戰略思維：雙邊電商平台戰略，新創不能不知的三個運營思維！

若是你對數據思維相關的文章有興趣，也十分推薦3PM LAB夥伴Nana這篇「PM夥伴攻略：如何跟資料科學家合作？」讓你更了解如何一起與Data team夥伴玩出數據新境界！

其他參考資料：

本文由產品三眼怪授權轉載自其Medium。

《數位時代》長期徵稿，針對時事科技議題，需要您的獨特觀點，歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw，文長至少800字，請附上個人100字內簡介，文章若採用將經編輯潤飾，如需改標會與您討論。

（觀點文章呈現多元意見，不代表《數位時代》的立場。）

從台灣 PoC 走向北美千店規模，Berry AI 面臨架構升級新挑戰

Berry AI 執行長林逸中表示，團隊成立初期投入近2年半的時間，探索最適合影像辨識技術的應用場景，最終將目光鎖定高度標準化的速食餐飲業（Quick Service Restaurant；QSR），推出得來速計時器、餐廳計數器等解決方案，運用 AI 影像分析技術，辨識顧客進入得來速車道或餐廳後的狀態，例如：排隊、點餐、候餐等。

同時，Berry AI 也進一步將現場蒐集到的數據轉化為可量化的營運指標，例如：不同門市、日期或時段的顧客等候時間，協助管理者從數據中找出流程瓶頸與可以優化的環節，進而提升服務效率及顧客滿意度。

在確立發展方向並於台灣完成 PoC (概念驗證)後，Berry AI 決定前進全球最大、也是 QSR 最核心的北美市場。然而，隨著合作客戶與部署門市持續增加，資料量快速攀升，加上服務範圍橫跨不同區域，既有以地端為主的架構開始面臨規模化挑戰。

林逸中補充指出，尤其 QSR 業者在選擇 AI 解決方案時，格外重視技術效能與穩定性，包括 AI 辨識精準度、能否因應突發狀況、系統能否穩定運作，以及網路發生問題時能否維持服務等。在這樣的要求下，若將所有運算與資料都留在地端，不僅難以因應日益增加的部署門市與資料量體，設備建置與維運成本也會隨之增加。

BerryAI 攜手博弘雲端打造高可用性 AWS 雲地混合架構，突破北美規模化部署挑戰

如何確保系統的即時性、穩定性與成本效益，成為 Berry AI 進軍北美後必須解決的新課題。為此，Berry AI 選擇與博弘雲端合作，取得穩定且高可用的 AWS 運算與資料庫服務架構，將即時運算留在地端，同時在雲端環境整合資料庫處理大量資料與後續分析工作，形成兼顧地端即時運算與雲端彈性擴充的雲地混合架構。

Berry AI研發同仁汪楚剛說明，包括車輛偵測、追蹤與狀態辨識等需要即時反應的工作，會先在地端完成；再將辨識結果傳送至 AWS 雲端，計算各項營運指標，提供後續分析與決策使用。透過這套架構，Berry AI 至今已處理超過 2 億筆車輛狀態資料。

此外，AWS 也是 Berry AI 持續優化 AI 模型的重要基礎。Berry AI 將整套資料蒐集流程建構於 AWS 上，透過完整且多樣化的資料，持續訓練與優化模型，進一步提升地端影像辨識的準確度。

Berry AI 鎖定高度標準化的速食餐飲業（Quick Service Restaurant；QSR），推出得來速計時器、餐廳計數器等解決方案，運用 AI 影像分析技術，辨識顧客進入得來速車道或餐廳後的狀態，例如：排隊、點餐、候餐等，協助管理者從數據中找出流程瓶頸與可以優化的環節，進而提升服務效率及顧客滿意度。

圖／ Berry AI網站圖

成為企業技術團隊的延伸，博弘雲端助 BerryAI 把 AWS 用得更好、更省

隨著北美業務持續成長，Berry AI 也迎來新的課題：如何把雲端資源用得更有效率、更省成本，這也成為 Berry AI 與博弘雲端合作的重要契機。

對此，可能有很多人好奇，像 Berry AI 這類技術能力成熟、具備自行建置架構能力的企業，為什麼還需要與博弘雲端合作？「關鍵在於，博弘雲端長期深耕 AWS，對相關服務與技術架構更加熟悉，可以成為企業內部技術團隊的延伸。」博弘雲端技術長宋青雲說。

當 Berry AI 遇到特定 AWS 服務或技術問題時，可以直接尋求博弘雲端協助；若需要進一步與 AWS 原廠確認，博弘雲端也能協助溝通與處理，減少 Berry AI 自行研究與排除問題所需投入的時間，讓內部研發團隊可以將更多心力和資源集中在核心產品開發。

更重要的是，博弘雲端不只提供技術支援，還能從 Berry AI 實際用量與成長需求出發，客製化設計最適合的節費方案，這對 Berry AI 降低營運成本有很大的幫助。宋青雲說明，博弘雲端根據 Berry AI 既有的 AWS 用量，推估未來 1-3 年內的使用需求，並以此為基礎規劃合適的長期雲端資源用量；同時考量 Berry AI 所屬飛捷集團旗下還有 3 家子公司同樣使用 AWS，進一步整合集團需求進行評估，放大整體採購規模，爭取更大的節費空間。

宋青雲強調，雲端採取隨需即付的計價模式，雖然具備彈性優勢，但若缺乏持續管理，仍可能出現資源配置不符商務規劃，或費用超出預期等情況。而博弘雲端不只能從使用現況出發、建議適合的節費方案，也會從效能、資安與成本等面向進行架構健檢，提出相應的優化建議；同時還會提供相關管理介面，讓企業隨時查看帳戶使用狀況、預估未來用量，在業務規模持續成長的同時，也能兼顧雲端架構的效能、安全與成本效益。

而架構健檢與成本優化，只是博弘雲端服務的一環。從企業準備上雲開始，博弘雲端便能協助將應用程式與資料從地端搬遷至雲端，或直接在雲端完成部署；進一步還能協助建置數據平台、數據中台，進行資料分析及導入 AI 應用，讓企業資料發揮更大價值。當服務正式上線後，博弘雲端也能接續提供維運服務。換言之，從前期 PoC、雲端建置到後續維運，博弘雲端都能依據企業需求，提供相應的服務與支援。

對 Berry AI 來說，藉由與博弘雲端合作，深化 AWS 雲端資源使用，不只是突破規模化挑戰，更重要的是能把有限的資源集中在核心業務，持續優化解決方案、開發更多貼近餐飲營運需求的應用，進一步爭取更多品牌合作，擴大北美市場版圖。目前，Berry AI 正全力拓展北美市場，也持續尋找對 AI 技術與餐飲產業應用充滿好奇心、重視團隊協作的人才加入。徵才方向涵蓋機器學習與電腦視覺、Platform & System（DevOps、Infrastructure），以及 Full Stack 軟體開發。從門市邊緣裝置上運行的 AI 模型、串連雲端與數千家門市的系統平台，到協助餐飲品牌提升營運效率的分析產品，每個環節都還有發揮的空間。期待匯聚更多優秀夥伴，一起用 AI 解決真實的營運問題，讓來自台灣的技術走進更多全球 QSR 門市。

2019電商PM應了解的5大數據運營指標