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
五十年零售老店的 AI 轉型:良興攜手 Data-DI,打造專屬 AI Agent 賦能組織升級與知識傳承
五十年零售老店的 AI 轉型:良興攜手 Data-DI,打造專屬 AI Agent 賦能組織升級與知識傳承

1973 年,良興從台北光華商場一間 50 坪的電子零件行起家,半個世紀後蛻變為年營收破十億、毛利率 18% 的全通路 3C 品牌。不過,伴隨規模擴張帶來的不只是成長,還有日益加劇的管理摩擦。門市遍布全台、品項高達近萬筆,加上跨部門協作頻繁,行政耗損與知識傳承的缺口,成為這家老字號邁向下一階段的隱形天花板。

良興總經理賴志達回顧,從電子零件跨入電商、從線下擴張到 OMO 全通路、再到會員深度經營,作為 3C 零售業者,良興每一波轉型都走在同業前面。「現在輪到 AI 了。如何做到人機協作、AI 賦能,就是良興第五波轉型的核心命題。」

AI 自動化,從行政細節釋放組織戰力

轉型需要夥伴,而賴志達評估合作夥伴的標準很明確:技術能力是基本,產業知識(Domain Know-how)的深度是關鍵,回饋速度更是最終決定因素。2025 年的未來商務展上,良興選擇攜手 Data-DI,看重的正是其「策略諮詢 + AI 產品 + 落地陪跑」三軌並行的實施能力。

很快的,良興與 Data-DI 合作的第一個專案,就落在最耗費人力、卻最常被忽視的環節:會議記錄。「會議如果沒有產值、沒有效果,對企業很傷!」賴志達說,他每天參加許多會議,但跨單位協作的會議記錄長期依賴人工聆聽與逐字整理,常出現人名誤植、決策遺漏、行動項目無人追蹤,讓會議效果大打折扣。

數智聚(良興)_1.JPG
良興總經理賴志達
圖/ 數位時代

為了解決會議記錄的痛點,Data-DI 業務副總包威棣指出,在導入工具以前,團隊須先釐清三件事:場景是否具備落地價值、哪些流程節點適合 AI 介入,以及以終為始地掌握客戶真正想要的輸出樣貌。這些看似基本的提問,都決定 AI 能否精準落地。

確認方向後,良興與 Data-DI 成功導入 AI 會議記錄自動化系統,透過模糊比對技術校正語音辨識誤差,並將生成的雙版本報告直接回存至既有資料庫,不僅將行政人員從重複性作業中釋放,也為後續的 AI 應用奠定扎實的系統整合基礎。

賴志達分享,現在他去外部開會也會用這個工具,運用 AI 把錄音轉文字、再整理成簡報,很快就能完成,更令外部夥伴驚艷。「我認為這是很成功的案子!也提醒想做 AI 的老闆們,與其急著搞大架構,不如先從小工具讓公司嘗試 AI,建立理解和認同。」

AI 把資深員工大腦轉化為資產

補完行政效率的缺口後,良興接著切入更深層的營運核心:知識傳承。過去,頂尖銷售經驗長期鎖在少數資深員工身上,新人培訓耗時三個月,員工離職即帶走知識資本。與此同時,網路資訊發達,消費者進店前早已掌握基本規格,3C 通路門市人員要如何發揮更多價值?「我要門市的人不是死背規格,而是面對客人時,能用客人能理解的方式對話。」賴志達說。

為此,Data-DI 協助良興建置 AI 門市教育訓練系統。系統透過六大自動化關卡,串接教材生成、審核上架、AI 銷售對練與成績回報,主管僅需在核心節點審核;員工透過手機語音對練,系統依口吻、專業度、回應力等維度自動評分。賴志達表示,目標是將新人培訓期縮短至一個月,讓數十年累積的銷售智慧轉化為可複製、可傳承的企業資產。

然而,要讓這套系統真正運作,得先解決兩個根本問題:資料從哪裡來?以及訓練如何更準確?

「以前大數據時代,講的是資料要大、全、細、實;現在 AI 要做到的是準(準確)、合(合乎場景)。」包威棣說。良興不同廠商提供的素材品質參差不齊,Data-DI 除了整合內部資料,也補充加入外部市場評測內容以填補空缺,再透過人員審核機制過濾雜訊,搭配 agent 架構的多層步驟與知識限定,確保系統能精準提煉對應品類的訓練素材。

數智聚(良興)_2.JPG
Data-DI 業務副總包威棣
圖/ 數位時代

賴志達則看得更遠:「這些教育訓練的內容,也將成為公司未來訓練機器人很好的原料。」

Data-DI 陪跑型顧問,帶領企業 AI 轉型

良興與 Data-DI 合作的兩個專案中,雙方共同克服了長提示詞邏輯混亂、AI 幻覺污染知識庫、逐字稿讀取逾時等技術難題。邁向下一步,賴志達表示,公司各部門很早就建置 Power BI 報表,但數據豐富不等於決策清晰。「數據是土壤,如果沒有梳理,就沒有用了。」因此,他的下一個目標是活化數據資本、推動行銷自動流,以精實的人力持續驅動成長。

數智聚(良興)_3.jpg
良興攜手 Data-DI 推動 AI 落地,以小步快跑模式為企業創造變革。
圖/ 數位時代

包威棣則從顧問視角歸納兩個觀察:AI 導入需要高層認同、由上而下推進,像賴志達這樣持續引領良興走在業界前端的決策者,就是不可或缺的推手;而單點工具的價值,終究要累積成組織體質的轉變才算真正落地。「就像會議記錄改變了會議當責的結構,人員訓練改變了知識傳承的方式。從點狀應用走向企業變革,這種決策思路才是 AI 真正深入落地產生價值的關鍵。」

最後,對於仍在觀望AI應用的企業,他則建議:「未來 AI 導致的落差只會愈來愈大,人會變成超級工作者,企業會變成超級企業。開始做就對了,先做一個三個月的小任務,降低落差、再急起追上。」從痛點切入、小步快跑,讓組織在實作中累積對 AI 的理解與信任,這正是 Data-DI 的陪跑哲學。

有關更多 Data-DI 相關資訊,請查詢網站:https://www.data-di.com/

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
代理式商務連動百兆商機
© 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