2014年3月4日 星期二

書摘 Lean Analytics: Use Data to Build a Better Startup Faster - How to Keep Score(1)




這本書是精實創業 (The Lean startup) 系列的後續作品,在The Lean startup 裡有提到精實創業之虛榮指數(Vanity metric) 的概念,因為很多創業家都會被錯誤的數據矇騙(其實很多時候是自己欺騙自己),而這本書 - Lean Analytics: Use Data to Build a Better Startup Faster
,就是更進一步的介紹該如何用正確的資料驗證你的假設是對的。


Instincts are experiments. Data is Proof.

Choose Right Metric 選擇對的數據分析


Qualitative vs Quantitative metrics

如果Quantitative 是在問What and How much,那Qualitative 則是在問why?Qualitative 是透過詢問使用者得來的,不過要注意的是問題的設計很重要,不能造成引導性問題,這樣一來只會引導使用者給出你預想的答案,而不是你需要的得答案。


Vanity vs. actionable metrics


Data Driven 重點不是Data 而是在Driven,面對Data 永遠要問自己"基於這些資料我可以做怎樣的改變?",如果這些Data 不能幫助你改變,那他可能就只是虛榮指數,本書舉了幾個例子:

總註冊人數就完全是一個虛榮指數,而Active User 可能好一點,但是最有用的應該是Active User 佔總體註冊人數的百分比,這才代表使用者的真正參與程度。

另一個有意義的指標就是 - 在特定一段時間區間內有多少使用者購買,舉例來說以這個為指標橫軸是各家廣告商,你就可以很容易知道,在這一段期間內,到底有多少使用者透過各個廣告平台(Google Yahooo Facebook)來消費 ( 這不就是以前我們做的eMarketing平台....)

書中列出八個要避免使用的虛榮指數:
  1. Number of hits
  2. Number of page views (除非你的Business Model 依靠Page view)
  3. Number of visits
  4. Number of unique visitor
  5. Number of followers/friends/likes
  6. Time on site/number of pages.
  7. Emails collected.
  8. Number of downloads
(OS: 中箭~~這也都是google analytic 提供的基本版功能...Orz....好看歸好看,但對於改進是沒太大幫助的...)

Exploratory vs. reporting metrics

在這個章節提到事情有被分成很多種,對我們來說想要知道的是 unknow (Don't know)的事物,而Reporting Metric 是屬於"Known unknows",舉例來說我們不知道我們網站流量有多少,但是我們知道要收集流量。而Exploratory 則是屬於"unknown unknowns",也是所有Startup所要面對的。

為了要能了解Unknown unknows,任何的分析和實驗結果都必須符合以下四點精神:
  • 可以用來確認我們的真實狀況和假設
  • 可以用來驗證我們的直覺,把假設變成證據
  • 可以為我們的試算表、Waterfall chart、董事會上提供數據
  • 可以讓我們找到機會,決定應該把事業建立在什麼上面。
書中舉了一個從Circle of Friends 轉換成  Circle of Moms的例子 (不過只有粗略帶過~)


Leading vs. Lagging metrics

領先指標和落後指標兩個都是非常有用的,只是用途不一樣。

領先指標是用來預測未來(如:current number of prospects in your sales funnel),而落後指標(如:the number of  customers  who  leave  in  a  given  time  period) 是用來檢討與發現問題的,不過通常這時也已經有點晚了。

所以在Startup初期,你也沒有多少資料可以用,通常事先從收集落後指標/數據開始,在收集一段時間的數據後才有辦法開始分析產生出領先指標。

有時候落後指標和領先指標也是一體兩面,比如說Sales的簽約數(落後指標),但是對於財務部門要預估營收卻是屬於領先指標。

所以如何有效利用領先指標和落後指標也將會是此書的重點。

Correlated vs. Causal metrics


你可以很容易找到很多關連性(Correlated)的現象(但是跟造成的真正原因(Causal)不一定相關),並且可以利用關連性來作預測。

hmm...這裡也有提到類似Big Data的概念,只要資料資料夠大,就可以由關連性找出有用的資訊,不一定需要正確的原因。

correlation  is  good.  Causality  is  great.  Sometimes, you may have to settle for the former—but you should always be trying to  discover the latter

最後要注意的,其實Startup 是一直在追逐著移動的目標(Moving Targets),因為一開始你無法定義怎樣才算成功。要適時的調整你的目標並且建立可接受的指標。


看的好慢啊....Orz...待續...

下一章: 書摘 Lean Analytics: Use Data to Build a Better Startup Faster - Data driven vs Data Informed

張貼留言