2019電商PM應了解的5大數據運營指標
2019電商PM應了解的5大數據運營指標

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。

「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:
1. The Elements of User Experience: User-centered Design for the Web《用户体验要素》读后
2. 电商流水的3大策略:流量、转化率、客单价
3. 电商平台应该分析哪些数据?具体怎么去分析?
4. 电子商务里面的 GMV (Gross Merchandise Volume) 的定义是什么?和销售额的区别是什么?

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。)

往下滑看下一篇文章
從智慧助手到自主代理:博弘雲端如何帶領企業走上 AI 實踐之路
從智慧助手到自主代理:博弘雲端如何帶領企業走上 AI 實踐之路

「代理式 AI 」(Agentic AI)的創新服務正在重新塑造企業對AI的想像:成為內部實際運行的數位員工,提升關鍵工作流程的效率。代理式AI的技術應用清楚指向一個核心趨勢:2025 年是 AI 邁向「代理式 AI」的起點,讓 AI 擁有決策自主權的技術轉型關鍵,2026 年這股浪潮將持續擴大並邁向規模化部署。

面對這股 AI Agent 浪潮,企業如何加速落地成為關鍵,博弘雲端以雲端與數據整合實力,結合零售、金融等產業經驗,提出 AI 系統整合商定位,協助企業從規劃、導入到維運,降低試錯風險,成為企業佈局 AI 的關鍵夥伴。

避開 AI 轉型冤枉路,企業該如何走對第一步?

博弘雲端事業中心副總經理陳亭竹指出,AI 已經從過去被動回答問題、生成內容的智慧助手,正式進化為具備自主執行能力、可跨系統協作的數位員工,應用場景也從單一任務延伸至多代理協作(Multi-Agent)模式。

「儘管 AI 前景看好,但這條導入之路並非一帆風順。」博弘雲端技術維運中心副總經理暨技術長宋青雲綜合多份市場調查報告指出,到了 2028 年,高達 70% 的重複性工作將被 AI 取代,但同時也有約 40% 的生成式 AI 專案面臨失敗風險;關鍵原因在於,企業常常低估了導入 GenAI 的整體難度——挑戰不僅來自 AI 相關技術的快速更迭,更涉及流程變革與人員適應。

2-RD096270.jpg
博弘雲端事業中心副總經理陳亭竹指出,AI 已經從過去被動回答問題的智慧助手,正式進化為具備自主執行能力、可跨系統協作的數位員工。面對這樣的轉變,企業唯有採取「小步快跑、持續驗證」的方式,才能在控制風險的同時加速 AI 落地。
圖/ 數位時代

正因如此,企業在導入 AI 時,其實需要外部專業夥伴的協助,而博弘雲端不僅擁有導入 AI 應用所需的完整技術能力,涵蓋數據、雲端、應用開發、資安防禦與維運,可以一站式滿足企業需求,更能使企業在 AI 轉型過程中少走冤枉路。

宋青雲表示,許多企業在導入 AI 時,往往因過度期待、認知落差或流程改造不全,導致專案停留在測試階段,難以真正落地。這正是博弘雲端存在的關鍵價值——協助企業釐清方向,避免踏上產業內早已被證實「不可行」的方法或技術路徑,縮短從概念驗證到正式上線的過程,讓 AI 真正成為可被信賴、可持續運作的企業戰力。

轉換率提升 50% 的關鍵:HAPPY GO 的 AI 落地實戰路徑

博弘雲端這套導入方法論,並非紙上談兵,而是已在多個實際場域中驗證成效;鼎鼎聯合行銷的 HAPPY GO 會員平台的 AI 轉型歷程,正是其最具代表性的案例之一。陳亭竹說明,HAPPY GO 過去曾面臨AI 落地應用的考驗:會員資料散落在不同部門與系統中,無法整合成完整的會員輪廓,亦難以對會員進行精準貼標與分眾行銷。

為此,博弘雲端先協助 HAPPY GO 進行會員資料的邏輯化與規格化,完成建置數據中台後,再依業務情境評估適合的 AI 模型,並且減少人工貼標的時間,逐步發展精準行銷、零售 MLOps(Machine Learning Operations,模型開發與維運管理)平台等 AI 應用。在穩固的數據基礎下,AI 應用成效也開始一一浮現:首先是 AI 市場調查應用,讓資料彙整與分析效率提升約 80%;透過 AI 個性化推薦機制,廣告點擊轉換率提升 50%。

3-RD096215.jpg
左、右為博弘雲端事業中心副總經理陳亭竹及技術維運中心副總經理暨技術長宋青雲。宋青雲分享企業導入案例,許多企業往往因過度期待、認知落差或流程改造不全,導致專案停留在測試階段,難以真正落地。這正是博弘雲端存在的關鍵價值——協助企業釐清方向,避免踏上產業內早已被證實「不可行」的方法或技術路徑,縮短從概念驗證到正式上線的過程,讓 AI 真正成為可被信賴、可持續運作的企業戰力。
圖/ 數位時代

整合 Databricks 與雲端服務,打造彈性高效的數據平台

在協助鼎鼎聯合行銷與其他客戶的實務經驗中,博弘雲端發現,底層數據架構是真正影響 AI 落地速度的關鍵之一,因與 Databricks 合作協助企業打造更具彈性與擴充性的數據平台,作為 AI 長期發展的基礎。

Databricks 以分散式資料處理框架(Apache Spark)為核心,能同時整合結構化與非結構化資料,並支援分散式資料處理、機器學習與進階分析等多元工作負載,讓企業免於在多個平台間反覆搬移資料,省下大量重複開發與系統整合的時間,從而加速 AI 應用從概念驗證、使用者驗收測試(UAT),一路推進到正式上線(Production)的過程,還能確保資料治理策略的一致性,有助於降低資料外洩與合規風險;此對於金融等高度重視資安與法規遵循的產業而言,更顯關鍵。

陳亭竹認為,Databricks 是企業在擴展 AI 應用時「進可攻、退可守」的重要選項。企業可將數據收納在雲端平台,當需要啟動新型 AI 或 Agent 專案時,再切換至 Databricks 進行開發與部署,待服務趨於穩定後,再轉回雲端平台,不僅兼顧開發效率與成本控管,也讓數據平台真正成為 AI 持續放大價值的關鍵基礎。

企業強化 AI 資安防禦的三個維度

隨著 AI 與 Agent 應用逐步深入企業核心流程,資訊安全與治理的重要性也隨之同步提升。對此,宋青雲提出建立完整 AI 資安防禦體系的 3 個維度。第一是資料治理層,企業在導入 AI 應用初期,就應做好資料分級與建立資料治理政策(Policy),明確定義高風險與隱私資料的使用邊界,並規範 AI Agent「能看什麼、說什麼、做什麼」,防止 AI 因執行錯誤而造成的資安風險。

第二是權限管理層,當 AI Agent 角色升級為數位員工時,企業也須比照人員管理方式為其設定明確的職務角色與權限範圍,包括可存取的資料類型與可執行的操作行為,防止因權限過大,讓 AI 成為新的資安破口。

第三為技術應用層,除了導入多重身份驗證、DLP 防制資料外洩、定期修補應用程式漏洞等既有資安防禦措施外,還需導入專為生成式 AI 設計的防禦機制,對 AI 的輸入指令與輸出內容進行雙向管控,降低指令注入攻擊(Prompt Injection)或惡意內容傳遞的風險。

4-RD096303.jpg
博弘雲端技術維運中心副總經理暨技術長宋青雲進一步說明「AI 應用下的資安考驗」,透過完善治理政策與角色權限,並設立專為生成式 AI 設計的防禦機制,降低 AI 安全隱私外洩的風險。
圖/ 數位時代

此外,博弘雲端也透過 MSSP 資安維運託管服務,從底層的 WAF、防火牆與入侵偵測,到針對 AI 模型特有弱點的持續掃描,提供 7×24 不間斷且即時的監控與防護。不僅能在系統出現漏洞時主動識別並修補漏洞,更可以即時監控活動,快速辨識潛在威脅。不僅如此,也能因應法規對 AI 可解釋性與可稽核性的要求,保留完整操作與決策紀錄,協助企業因應法規審查。

「AI Agent 已成為企業未來發展的必然方向,」陳亭竹強調,面對這樣的轉變,企業唯有採取「小步快跑、持續驗證」的方式,才能在控制風險的同時,加速 AI 落地。在這波變革浪潮中,博弘雲端不只是提供雲端服務技術的領航家,更是企業推動 AI 轉型的策略戰友。透過深厚的雲端與數據技術實力、跨產業的AI導入實務經驗,以及完善的資安維運託管服務,博弘雲端將持續協助企業把數據轉化為行動力,在 AI Agent 時代助企業實踐永續穩健的 AI 落地應用。

>>掌握AI 應用的新契機,立即聯繫博弘雲端專業顧問

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
2026 大重啟
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓