數據分析入門：了解分析的本質與基本思維能力
數據分析是行銷重要的工具，能避免我們落入主觀的框架，察覺客觀環境成果。現今市場也正提倡著：數據驅動（Data Driven）的經營方式，可見數據分析的流行程度。
但作為過來人，我得提醒大家，數據本身其實沒有用處，經由數據做出的決策才有價值！如果一昧的導入新穎的數據分析方法與工具，卻不懂其目的與原理，就只是浪費時間。這篇文章將著重分享與行銷相關的數據分析思維、基礎分析方法與策略、常用工具介紹、以及如何避免走進數據分析的盲區！
#1 行銷數據分析常見問題
#2 分析做的不對，還不如不做！
市場分析、目標受眾分析、對手競爭分析、流量結構分析⋯⋯，這個年頭好像不做點分析就落伍了，但大家有沒有想過：那些導入數據分析的公司都成功了嗎？
答案當然是不可能，實際上數據本身是沒有用處的，只有利用數據做出的決策與行動才有價值。如果公司只是每周每月開例會，讀一下報表當作過場，例如：「這個月流量稍微成長 / 下跌」、「這週要觀察活動的流量」、「最近的轉換率還不錯」⋯⋯，這些話如果讓你似曾相似，恭喜你，你們完全做錯了⋯⋯
好的數據分析必須要做到兩件事之一：「改變既有認知」或「確認既有認知的正確性」。否則就只是場面話而已，對公司沒有任何幫助。
講明白一點，看報表根本就不是分析，只是拿數據自我安慰罷了，對公司沒有實質的進展與幫助，真正的分析需要帶來行動與改進方案，而不是浪費時間定期察看報表，如果不懂其中的道理，往往會營造出不正確的錯覺與認知，典型的「以為做了很多事，但仔細一看什麼都沒做好」，並且反而會傷害企業的信心與敏銳性。
合理的數據分析必須是以下這樣的情境：「這個月流量有下滑，進一步檢查發現是社群流量下跌，其他管道表現正常，建議這個月增加社群貼文數量，或者舉辦活動來炒熱氣氛。」
從「看數據」走向「分析數據」的關鍵是你是否清楚知道「數據」的含意：數據是服務我們接近目標的工具，而不是目標本身，簡單點說，不要拿著數據找結論，請想好假設才用數據驗證是否合適！上面的例子也是一樣的思維，當目標是保持網站流量的穩定時，拆解不同流量管道就能揭露流量問題，而不是只會拿著數據說「流量下滑了」，卻沒有任何行動與改變。
從看數據走向分析數據，關鍵在「明訂目標」
先有預設的想法，才能用數據進行檢測與驗證，這也正是分析數據的核心，請大家務必了解，任何數據分析必須做到以下兩者之一，才算發揮效果：
- 改變既有的預設認知：所有的分析都應該從假設開始，例如：客戶應該更喜歡用 FB 而不是 IG？流量上漲會不會是因為整個環境問題？有了假設才能用數據佐證，從數據確認想法的真實性，如果不符合一開始的假設，那就發揮了數據分析最重要的功能，修改預設立場。
- 確認預設認知的正確性：當然不是每一次分析都會駁斥假設，很多分析結果會進一步證實我們的猜想，這樣的結果代表主觀認知與客觀事實相符合，有助於後續推動與強化做法。
若是一個分析無法得出上述兩種之一的效果，這個分析就沒有給出應有價值，再次強調，數據本身不是重點，由數據產生的結論才是！
#3 從 「經驗法則」走向「數據分析」
不是看到數據就叫分析，分析領域的各種方法、策略、指標、維度、工具⋯⋯，都有很深的學問可以探究，但從基本開始，至少要先了解數據分析解決了哪些問題，以及常用的兩種分析原理。
「經驗法則」是從過去經歷歸納而成的方法；「質性研究」是蒐集行為的歷程與動機；「量性分析」是用統計方式了解客觀事實，三種方法的優勢不同，應該要互相搭配使用。
在缺少數據分析的情境中，「經驗法則」是決策的唯一依據，「我認為」變成會議中的主角，最終往往只能由最有經驗的人定奪，這樣的方法並非有誤，但著實缺少敏捷性，當過往經驗不在有效時，反而會因此限制創新發展。
數據分析就是讓決策脫離經驗法則的工具，利用數據取代經驗，能夠有效地發現環境變動，調整過往認知，同時也幫助企業中缺乏經驗的人員，有依據的做事，不在完全依賴元老。而從數據的根本性質，要進一步區分成「量化分析」、「質性研究」兩種：
#3-1 質性研究
質性研究探討的是行為歷程與動機，例如：問卷調查、訪談紀錄、專家經驗⋯⋯，質性研究需要分析者的主觀判讀，因此解釋可能會出現差異，換句話說，分析人員需要擁有足夠的領域知識，否則可能會得出錯誤結論
除此之外，質性研究的數據取得不易，需要耗費大量時間與人力，也非常容易出現樣本偏差的問題。
但質性研究卻能夠直接觀察使用者意圖，並且深入探討事件發生的過程與行為方式，這類觀點是其他分析方式難以取得的，例如：使用者輪廓研究（Persona）、使用者歷程分析、產品接受度調查⋯⋯，運用這方面的研究，能夠讓我們直接接觸使用者，而不是冷冰冰的數字，往往能察覺數據分析時出現的盲點。
#3-2 量化分析
量性分析則是以統計來表明結果，例如：有多少人來網站、有多少人訂閱、本月流量變動比例⋯⋯，藉由記錄數據與觀察變動來做判讀，好處是能夠快速的尋找商業問題，並將使用者的行為數據化，用以觀察常態行為
同時量性數據容易蒐集，分析時也個人判讀問題也較少（當然，還是有很多盲點需要克服）。
但量化分析的缺點也很明顯，首先數據無法分析的死角很多，因為數據大多是為了單一問題而蒐集，很難做到靈活應用，並且量化無法解釋行為動機，這對於商業策略的侷限很大，除此之外，量化數據需要有一定的數量才有品質，如果是很小型的網站，很可能達不到分析的基礎門檻。
其實，數據分析始終在回答五個問題：What（發生什麼事？）、When（何時發生？）、Where（發生在哪？）、How（如何發生？）、Why（為什麼發生？）
受限於數據方式的不同，量性分析擅長解決其中的：What、When、Where；質性研究則更容易回答：How、Why。因此這兩種分析方式並沒有孰優孰劣，一切需要依據商業情境來做搭配與選擇。
#4 如何開始分析數據？
數據分析很吃重經驗，不同的企業與商業模式，需要的分析指標、KPI、分析工具都不相同，但基本分析邏輯是雷同的，打好分析基礎，才能制定出適合自身企業的分析策略與目標。
掌握商業目標 > 選擇KPI > 追蹤轉換指標，這樣的流程雖不見得適用所有企業，確保有一定的通用性，對於剛接觸分析領域的人來說，是進入障礙比較低的方法。
#4-1 掌握商業目標
數據分析只是達成目的採用的工具，如果連目標都不清楚，做再多分析也是徒勞，所謂的商業目標是指：「網站存在的原因？」、「企業希望用網站達成什麼？」並且這些目標必須滿足DUMB 原則: Doable（做得到）、Understandable（容易理解）、Manageable（可控制）、Beneficial（對公司有益的）。
如果用一般小型電商為例，其商業目標應該要設定為：「提升淨利」；如果以媒體型的網站為例，其商業目標可以設定成：「增加廣告收入」；如果是訂閱型網站，其商業目標則可以是：「增加訂閱收入」，依據商業模式的差異，企業最重要的便是掌握自己做網站的原因，只有深刻理解商業目標，數據分析乃至後續決策才有所依據。
大家必須要注意，商業目標一定是你最終想要達成的目的，如果選成中間過度產物，很可能會出現極大的商業問題，最常見的狀況就是選擇「提高營業額」做商業目標，乍看之下沒錯，卻十分容易導致企業忽略成本問題，很可能出現亂下廣告、打沒意義的價格戰⋯⋯，對公司經營不利的狀況。所以與其定在「營業額」還不如用更完整的指標「利潤」才是好的商業目標。
#4-2 選擇 KPI（key performance indicator）
「KPI」是幫助你了解商業目標是否實現的關鍵指標，它必須要是具體且能夠衡量的，並且需要具有時效性，同時滿足 DUMP 原則。一個商業目標可以輔以多個 KPI 來追蹤表現，並且根據目標的差異，KPI 也會完全不同。
- 一般電商以「提升淨利」為目標時：「訂單成交成本」、「平均訂單利潤」就是非常好的KPI指標。
- 媒體網站以「增加廣告收入」為目標時：「優質使用者數量」、「平均廣告點擊率」就會是很好的KPI指標。
- 訂閱型網站以「增加訂閱收入」為目標時：「付費會員總數」就是最直接的KPI。
#4-3 追蹤轉換指標（Conversion）
「轉換」是指使用者完成你希望的行為，這個行為可以很細微，例如：完成訂單、加入購物車、訂閱電子報、甚至是瀏覽超過 30 分鐘⋯⋯，都是可以這設定成轉換的項目，關鍵在於，分析各種與商業目標相關的轉換指標，來幫助我們調整網站策略方向。這個環節會很大的顯示數據分析的經驗差距，具有經驗的分析人員，往往只需要追蹤幾個關聯性高的簡單指標，就能夠察覺商業上的缺點用以改進，而缺乏經驗的人往往設定一堆新穎的指標，卻搞不清楚對商業的幫助為何。
轉換追蹤的指標，應該是基於 KPI 而建立的，並且能夠隨時檢視，以做到敏捷性的策略調整。例如：「優質使用者數量」的轉換指標可以追蹤「電子報訂閱」、「討論區留言」這樣的行為，更細緻還能夠再追蹤「文章分享」、「停留 XX 時間以上」⋯⋯，利用轉換來切割 KPI的細節，是商業分析的重要環節。
至此，我們建立了數據分析的基礎，掌握這樣的原則，至少能做到明訂目標，而不是被數據牽著鼻子走！對後續更深入的分析，能夠起到相當好的作用。
決定商業目標 > 選擇KPI > 追蹤轉換指標
#5 改善分析的思維與盲區
這個段落是我多年來的經驗總結，每一點都是切身遇過的問題，了解這裡的內容，不僅能增強對數據分析的意識，也避免再次犯下這些過錯。
#5-1 專注在重要的數據上，別什麼都想做
剛踏入數據分析的領域人，往往會被龐大的資訊量淹沒，一下子看到某篇文章討論 XX 指標就躍躍欲試，一下子又看到某網站推薦的新型工具⋯⋯，這些資訊本身並沒有問題，真正的問題出在新手根本掌握不了這麼多資訊，請記住我的話：「甚麼都想做，代表甚麼都做不好！」。上一個段落特地說明如何著手數據分析，為的就是讓新手了解，對企業有幫助的是有用的數據，而不是很多數據！在沒有足夠心力與時間之前，請專注在對企業有明顯幫助的核心數據就好（通常就是你的 KPI 與轉換指標）。
#5-2 學習改善數據品質
數據品質是分析是否準確的依據，最基本的維護起碼要做到排除自家企業的 IP、去除不具有參考價值的地區、年齡層用戶⋯⋯，除此之外，對每個活動與推廣網址設定正確的 UTM tag 也是改善數據很好的方法（這個設定能夠解決未知來源/媒介的問題，最常用在現下活動、Email 電子報、LINE 分享等等無法自動判定的管道上）。
另外，如果心有餘力的話，增加不同的工具形成對比也是保證數據品質很好的方式，這個作法能夠有效避免單一工具出現的採樣誤差、蒐集 bug 等問題。最後，請大家一定要知道，有些數據是不可能準確的，例如：排名（因為它會根據使用者的位置改變）、瀏覽時間（你沒辦法保證使用者開啟網頁後是掛網還是瀏覽）⋯⋯，對於這類數據追求精準值並沒有意義，要考量的是變動值，也就是「趨勢」的走向，知道是往好的方向還是壞的方向，就已經能解決很多問題了。
#5-3 數據分析當然要有數據，剛起步時根本不用想太多
這是很多新手遇到的問題，在我的經驗中，當月流量不破萬的時候，卻在糾結跳出率、瀏覽時間、排名狀況⋯⋯，未免有點未雨綢繆過了頭。其實多數小型店商與企業根本沒有深入分析的必要，原因很簡單，因為你根本不用數據告訴你現在該做什麼，剛起步時有太多事情能做了，數據分析是在你已經面臨不知道該怎麼優化時，才能幫助你決策的依據。
換句話說，請問你的網站內容文字量破十萬了嗎？請問你商品的文案修飾完整了嗎？請問你試著經營過其他管道，例如：FB、IG、Youtube 了嗎？如果都沒有，那你要分析什麼？對於很多剛起步的企業，什麼都不要管，認真寫文案的效果才是最直接的，請大家不要陷入「為了分析而分析」這樣的窘境。
但我要強調一點，不做多餘的數據分析並非不追蹤網站數據，草創時期重要的是各項內容的建置，數據的變化可以反應我們是否走在正確的優化方向，但並不用深究其中的細節，這個時間還有太多更重要的事情了。
#5-4 別被誇張的名詞吸引，「大數據」離你很遙遠
行銷領域最喜歡的就是用誇張的名詞來吸眼球，「大數據」、「AI 分析」就是做數據時最容易看到的宣傳詞，我可以斬金截鐵的說：「百分之九十九的企業都不需要！」。所謂的大數據是連如何存取都需要考量的數據量，請問你的企業做到了嗎？在台灣除非你經營著與 PChome、MOMO 同等級的大型電商，否則做大數據分析根本就是在說笑，不要以為灌上厲害的名詞，公司就會變厲害了⋯⋯
#5-5 練習保持客觀，過度解讀是人之本性
過度解讀其實是人之本性，所以才需要時時刻刻提醒自己保持客觀，太多人都是先入為主的做分析，甚至為此會選擇忽略對自己結論不利的數據，此時分析並不是在幫助我們釐清真相，而是強化我們的固執而已。另一方面也有些人太過疑神疑鬼，一看到數據的變動就像驚弓之鳥一樣，完全忽略了「背景值」的問題（背景值是指不受你影響的數據原始樣貌，例如：當社會剛好流行到你的領域時，你的網站流量會大漲，但並不代表你做的好，反之亦然）。
#5-6 了解存活者偏誤的問題
存活者偏誤這個名詞來源於二戰時期，當時美國空軍為了減少飛行員的傷亡，針對如何強化飛機做出了討論，最開始的研究者統計了轟炸機的數據後發現「機翼是彈孔分布最多的地方」，就想要加強機翼的防護。這時亞伯拉罕·沃德教授給出了完全相反的結論「強化發動機的防護」。原因很簡單，因為這次的統計只有那些活著回來的飛機成為樣本，反而證明了機翼重彈還能存活的可能性很高，換句話說，發動機中彈的飛機根本連被統計的條件都沒有。
這個現象廣泛存在分析領域，有太多人忽略了存活者偏誤的問題，只會針對存活者進行大幅度的宣傳與報導，例如：成功學、投資學都是犯下這類問題的佼佼者。用個最簡單的例子，很多媒體都針對成功人士總結了秘訣：敢於行動、努力⋯⋯，但他們卻忽略了最基本的問題，根據主計處的統計，台灣的新創公司只有 2.5% 能夠存活超過 3 年。而這些 97.5% 失敗的創業者，也都有上述的特質！
換句話說，媒體只用了存活下來的人，完全忽略了真實的狀況，而成功學也為了自身的生存對此睜一隻眼閉一隻眼，導致的結果就是，年輕的創業者前仆後繼，最後只有極少數人存活下來，卻仍以為自己與眾不同，實際上他們大多只是運氣不錯而已。小心你看到的任何成功案例，這是我給大家的忠告。
#6 補充：常見行銷工具的選擇與建議
工欲善其事必先利其器，分析領域可選擇的工具無數，很多人往往在這個階段就頭昏腦脹，不知從何著手。但其實大家不用慌張，我們需要牢記的是「工具只是帶來觀點的過度物，只要能夠得到有效的觀點，用哪個工具其實差異性不大」，以下我將會介紹幾個我正在使用且十分常見的分析工具，不一定要用這些組合，就像我一直強調的：只要對企業有幫助就好，不用太刻意追求使用哪種分析工具。
#6-1 Google analytics（又稱GA）
這是最常見的分析工具，由 google 免費提供，是入門最適合使用的工具，GA 利用網站部屬 JavaScript 代碼，當使用者讀取到這串代碼時就將資料送交給 GA 伺服器紀錄處理。一般來說，GA 多用於分析與流量相關的資料，這也是其擅長的部份，除此之外也包含基本的事件追蹤、行為追蹤……等等進階功能。
2023 年補充：目前 GA 已經準備要被淘汰，新版的 GA4 將會成為未來的主要分析工具，相關的教學與知識內容我正在整理當中。
#6-2 Search Console（又稱 SC）
這也是 google 提供的免費工具，大多是用在網站與 google 之間的溝通橋樑，它能夠顯示 google 如何看待你的網站，例如：速度問題、行動裝置可用性、提交 Sitemap⋯⋯，除此之外，這個工具有排名數據，雖然它的排名計算方式由於納入過多因素，不能過直接代表網站排名，但做為免費工具，用來觀察整體排名的變化，仍然是非常有用的分析工具。很多時候，利用其關鍵字排名的報表，也能發現網站內容盲點，幫助我們建立更完善的內容。
以上兩個工具我建議所有人都要使用，尤其它們是免費工具，只需要簡單申請就能使用，對很多公司來說，用好 GA 與 SC 就可以應付多數分析問題，與其盲目亂用工具，不如先把基本常見的分析工具利用好，才考慮更進一步。如果想要得到更多資訊，可以進一步使用以下介紹的工具。
#6-3 排名追蹤工具
顧名思義是利用爬蟲模擬人工查詢關鍵字排名，不同於 SC 當中得到的平均排名，這類工具提供的數據更簡單直覺，就是「使用者搜尋時的真實排名」。追蹤對企業重要的核心關鍵字，能夠給我們另一個評估 SEO 表現的依據，舉個簡單的例子：如果網站整體流量下滑，排名卻沒有明顯變動，往往不是網站出問題，而是領域的整體現象，如果不知道網站整體排名，就很容易陷入恐慌情緒。除此之外，追蹤重點關鍵字，也能夠提供我們優化特定主題時的數據依據，對於深度的 SEO 優化，是不可或缺的數據。
排名追蹤工具選擇眾多，並且時常有新的工具推出，選擇方向有幾個建議：價格低、功能直接、支援台灣區域搜尋引擎，目前我使用的是 SPYSERP 這款工具，大家也可以參考看看，就算不用這個工具，我也強烈建議大家要找國外資源，台灣自己開發的各種追蹤工具，價格實在是高得太離譜了⋯⋯
#6-4 質性量化工具
質性研究往往需要利用問卷、人工調查的方式進行，但在網站上還是有將質性概念進行量化統計的工具，這些工具主要是記錄下使用者在網站的完整行為，常會以網頁熱點圖、動態錄影、行為路徑圖的方式呈現報表，能夠幫助公司了解網頁的各元素與使用者互動的狀況，例如：Hotjar 就是常見的工具。不過這類工具價格偏高，我會更建議以免費版追蹤代表頁面或者主打頁面就可以，除非有明確的改版需求，才考慮付費版。
#6-5 對手分析工具
了解自己的品牌在市場中的競爭地位，對於行銷策略的制定非常重要，同時觀察與對手間的各項數據變化（最常見的是：對手流量狀況、整體排名狀況、外部連結狀況），也能夠多一個維度來了解企業狀況，對經營發展很有幫助。但分析對手並不像自己的網站這般容易，因為我們沒辦法在對手的網站安裝程式碼取得數據，只能通過軟體推估的方式來逼近，因此對手分析工具的選擇關鍵是數據準度。
我用過的工具中，Ahref 是最準確的工具，但他的缺點十分明顯，很貴！而其他的分析工具，在數據精準度上誤差大很多，我的建議是：如果企業不缺錢並且需要掌握對手狀況，那就直接選用 Ahref 來分析，否則不如先專注在自身網站數據上，先把企業能做好的部分發展完善在考慮這邊。
其實，每種工具都有各自的好處與限制，關鍵在於，先知道想解決什麼問題，才能挑出合適的工具，盲目蒐集數據不如花心思改善已有問題：文案品質如何？文章數量如何？商品說明是否簡潔且詳盡？網站速度狀況？……等等，這些問題根本不用蒐集數據就能知道，都做好了才考慮更複雜的做法才是合理的。
#7 結論
這篇文章的核心概念是：數據本身沒有任何意義，只有經由數據做出的決策才有！請大家務必理解這句話的涵義。
數據分析是一個學無止境的領域，在行銷界就有數據分析師這樣的職位，但說實話，對於多數中小型企業來說，這樣的服務其實意義不大，因為當網站並非做到面面俱到時，過度重視分析，只會消耗人力心力，還不如回頭解決已經知道的各項問題。
而在導入分析的過程中，請讓我不厭其煩的再說一次：數據本身沒有任何意義，只有經由數據做出的決策才有，我們需要的是藉由數據來肯定或推翻假設，只有帶有目標的分析，才有可能展現數據價值！
