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
懂保險的 AI 才有用!國泰人壽數據暨人工智慧發展部如何解開壽險業的 AI 實戰難題
懂保險的 AI 才有用!國泰人壽數據暨人工智慧發展部如何解開壽險業的 AI 實戰難題

金管會調查顯示,國內金融機構與周邊單位已有 33% 導入 AI,其中壽險業導入比例達 67%,僅次於銀行業的 87%。事實上,保險業應用 AI 的難題不在技術,真正的挑戰是要在高度監理、複雜流程與專業領域中,找到可落地的應用場景。國泰人壽數據暨人工智慧發展部走過八年、歷經三次組織定位演進,如何摸索出自己一套的 AI 轉型路徑?

國泰人壽養兵練 AI

國泰人壽數據團隊的起點,可以追溯到 2016 年成立的「客群經營部」。2018 年,隨著公司希望讓 AI 發展更具基礎架構、更具規模地展開,團隊轉型為「數據經營部」;到了 2024 年,正式成立「數據暨人工智慧發展部」,角色也從推廣,轉向更專注的技術發展。

國泰人壽-2.jpg
國泰人壽數據暨人工智慧發展部目前為一約 65 人的團隊,平均年齡 33 歲。
圖/ 數位時代

八年間,團隊的任務始終圍繞同一件事:深入業務現場,釐清痛點,再與 IT、業務、客服等單位協作,推動 AI 從研究走向實踐。國泰人壽數據暨人工智慧發展部協理莊淑儀形容,這個過程更像是傳教士的工作:「很多數據產品是由我們發想,從核保到理賠,有哪些導入機會?我們要去和各部門溝通,AI 可以協助什麼。」

國泰人壽-3.jpg
國泰人壽數據暨人工智慧發展部協理莊淑儀。
圖/ 數位時代

這樣的溝通並不容易,因為壽險業的專業門檻極高。國泰人壽數據暨人工智慧發展部首席數據分析師黃喬敬博士指出,一張保單牽涉的關係人本來就複雜:「在保險業,一張保單的銷售,涉及要保人、被保人、受益人,是多方關係,尤其在金管會的要求下,還必須兼顧模型的公平性與可解釋性。」核保邏輯、理賠判斷、業務員培訓,每個環節都有各自的專業門檻與監理要求,通用技術難以直接套用。這也是國泰人壽選擇自己養兵練 AI 的原因,唯有深度理解壽險場景,AI 才有落地的條件。

從真實需求長出來的 AI 實戰力

要讓技術模型真正為前線人員所用,數據暨人工智慧發展部團隊長期觀察業務現場,確保 AI 產出都能有效銜接既有作業流程。去年,團隊面對的挑戰,是在十三個部門提案中,篩選出值得投入的場景。莊淑儀說明,評估標準有三項:「是否能複製到多元場景?對公司有什麼效益?技術可行性?」最終六個案子出線,其中包括「AI Coach」。

AI Coach 以 AI 陪練業務員磨練銷售技巧,同步縮短培訓週期,讓業務員能更快提供專業、貼近保戶需求的服務。看見 AI Coach 的成效後,國泰人壽也將同一套模式延伸至客服中心及直效團隊,評估面向包括禮貌、問題回應、服務要點...等面向,給於評分及建議。黃喬敬博士解釋背後的難度:「以往這些評估指標是由人來判斷,現在則是要做到標準化,讓 AI 系統可以自己判斷。」今年一月上線後,客服新人有超過九成以此作為教育訓練工具,業務端使用率也過半,不僅省下資深人員帶新人的時間,也讓保戶獲得更一致、更高品質的服務體驗。

國泰人壽-4.jpg
國泰人壽數據暨人工智慧發展部協理莊淑儀(左)與首席數據分析師黃喬敬博士(右)帶領團隊在國泰人壽保險領域驗證 AI 應用。
圖/ 數位時代

另一項落地應用則是「Cathay Eye」,是國泰人壽自行開發的智能風險控管模型。莊淑儀說明:「這最主要是幫案件的複雜度做分級,讓新進同仁處理複雜度低、資深同仁處理複雜度高的案件,一來反映人力價值,二來加速案件處理流程,讓客戶更快獲得所需服務。」

黃喬敬博士也補充背後的機制:「Cathay Eye 是把公司過去數千萬筆資料整合起來,藉此建立一個平均的判斷基準,用來做複雜度分級與派工。」目前,Cathay Eye 的識別能力相較原流程提升一倍精準度,也讓流程的判斷效率明顯加快。

壽險業 AI 應用的新標竿

對國泰人壽而言,讓 AI 發揮作用的關鍵,在於將產業領域知識與技術能力結合,而這仰賴的是兩條並行的人才路徑。對內,是強化已熟悉保險核心業務人才的 AI 素養;對外,則是網羅生成式 AI 工程與系統設計、AI 治理、雲端數據工程...等專業人才,補齊技術深度。莊淑儀強調:「在人才 AI 素養上,以往我們著重精兵制。去年開始,我們要做到全員素養提升,在人人都會用 AI 的時代,如何善用、如何合規,這都是需要教育訓練的。」

黃喬敬博士則從技術端點出下一步的方向,如 Agentic AI 是明確的發展趨勢,但在企業級的應用上,不可能讓它完全自由運作,如何兼顧安全與效益,是關鍵任務。「檢視整個 Workflow,如何建立更好的決策流程,人員的角色和流程都會慢慢轉換。」他也指出,把端到端的自動化流程建置起來,是團隊接下來的重點工程。

國泰人壽-5.jpg
國泰人壽數據暨人工智慧發展部首席數據分析師黃喬敬博士。
圖/ 數位時代

導入 AI,或許已是壽險業的產業常態;但能不能真正走進核心業務的第一線,關鍵仍是有沒有先搞懂保險本身。從需求出發、從場景驗證,國泰人壽正以這套方法,定義壽險業 AI 應用的新標竿。

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
台達電全解讀
© 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