數據歸因在實務應用上，五個值得我們注意的應用限制。

一、不同屬性的 Channel，數據歸因的結果不要直接比較
閱讀全文 →

數據歸因這個領域，我一直都沒好好花時間徹底了解，剛好趁一次機會，跟同學介紹數據歸因的機會，整理了一些文稿，也整理在這邊和大家分享一下。

～～～

「常常看到一種狀況，部落客帶來的流量是不少，但好像都不會直接帶來訂單，你覺得這樣的話還需要繼續投資在部落客身上嗎？還是有其他考量？」
閱讀全文 →

為何要拆解營收

現在的數據非常多，光是 Google Analytics 上就有上百個維度，超過500種以上的數據，呈現在你眼前，再加上交易數據、廣告投放數據…等等，數據太多很容易讓人埋首數據當中，大多數的行銷人員其實是被數據給淹沒了，不知道該從何處著手，現在是不缺數據的年代，缺的是怎麼解讀數據，還有利用數據讓營收真正有感成長。
閱讀全文 →

關於漏斗，有幾個常見的誤區，在這邊想跟大家提醒一下。

漏斗常見的誤區一：漏斗是越短越好

先前有提到，漏斗的每一個步驟，都不會是100%的轉換率，一開始最多人，每經過一個步驟，就會少一些人。所以呢，就有些人會誤會，那漏斗會不會是越少步驟越好，經過的步驟少，人也會掉得比較少。

這其實是常見的一個誤解，讓我舉個團購網站的例子。
閱讀全文 →

筆者我在 商業思維學院 裡面，負責 數據化營運學程，也在 產品經理學習營裡 面擔任導師。
閱讀全文 →

在 商業思維學院 的 產品經理學習營，有同學問了我一個問題，需求訪談和用戶訪談有何差異？

我個人的經驗是這兩個是有那麼一點像，二個的目標都是想得到出真正的需求是什麼，不過在使用上是有一點不同。

• 需求訪談時，通常需求都比較具體了，用戶一開始可能會直接講他要什麼，所以我們可以透過連續追問 why，來了解真正的需求是什麼，協助用戶解決對的問題，滿足他的需求。
• 用戶訪談時，需求都還很模糊，用戶也不不清楚自己要什麼，所以我們透過了解用戶的場景、所做過的行為，還有當時的想法，來推敲出真正的需求是什麼。

閱讀全文 →

關於疫情，我協助的品牌電商應該也算是疫情重災區，我也協助他們做了一些應變，整理一下給大家參考我們的應變作法。

先分辨，什麼產品不受疫情影響

• 把不受疫情影響的產品找出來，把SEO和廣告往這類集中
• 針對這些不受影響的產品，推出疫情期間限定的活動，並限定期限，提高轉化率
• 培養客戶的預算降低，廣告和SEO都集中離成交比較近、動機比較強的用戶。
• 廣告和SEO，抓著「疫情期間雖然不行OO，但沒關係，還可以XX」的訴求打一波，把原本因疫情不能滿足的需求，替代成不受疫情影響的需求。
• 這些不受疫情影響的產品，以前他們不是主力商品，現在變成了主力商品，所以要多投入心力去優化文案、圖片、影片，甚至是廣告受眾的嘗試，還有預算的加碼，都一併要重新規劃
• 利用競爭對手休息或還在煩惱的時候，每週產出 Content

閱讀全文 →

在往下之前，我們先來看一下常見的 LTV 計算公式是什麼 (以訂閱制服務為例）：

LTV = ARPU / Churn rate

（可看一下這：LTV公式怎麼來的）

問題來了，你的訂閱服務剛上線不久，有用戶付費，也有用戶流失了，但在計算 LTV 上，有幾個點讓你很苦惱：

• 每個月的 Churn Rate 變化很大，第一個月50%，第二個月5%，第三個月變10%，那我在公式中的 churn rate，該抓多少？
• 年約方案還沒有用戶流失，這樣 難道公式中的 Churn rate 用 0 套入嗎？這樣會造成 LTV 無法計算。

閱讀全文 →

在往下之前，我們先來看一下常見的 LTV 計算公式是什麼 (以訂閱制服務為例）：

記一下推導在這邊，因為這個這公式裡面隱含了許多假設，搞不懂亂用會很糟糕。

不想看推導可以按 這邊 跳到文尾，看公式的應用限制。

那我們就先來看 LTV 在概念上，寫成式子會是怎樣。
閱讀全文 →