2024-11-17 21:34:31
遇到數據不知道從何下手嗎？這種困境最大的原因，就是來自於你是單點看數據，而不是把數據串起來看。
什麼是把數據串起來看，就是了解不同數字之間的因果關係。譬如說：潛在客戶名單數量和名單合格率相乘，就得到 MQL (Marketing Qualified Lead) 數量。
我們若用圖來表示數據間的因果關係，這就是所謂的數據地圖。
B2B的數據地圖，你可以簡單的拆成新客營收和舊客營收。新客營收則來自業務漏斗的層層轉化 (名單->MQL->SQL…)，下圖是一個每年續約型的 B2B 企業數據地圖範例。
大圖可點此觀看
新客營收，我們可以往下拆
舊客營收，每個公司拆法不同，這個範例我們簡單拆成「大型客戶」和「中小型客戶」，往下拆的話就是
B2B 的產品，很有可能你都收集不到「行為面」的數據，諸如：客戶每個月用幾次、每次用多久、用了什麼功能…等等，所以在看數據的時候，都會偏向交易面的數據居多，如：ARPPU、續約率…等。
在新客的數據地圖拆解，其實就是遵循著業務銷售流程，從收集名單，然後從中篩選出 Marketing Qualified Lead，然後部分會轉成 Sales Qualified Lead，在 Sales 去接觸後，就會變成 Sales Opportunity，最後成交產生營收。
PQL (Product Qualified Lead) 和新客營收的關係是什麼呢？我舉個例子：像是很多企業用的通訊軟體，10 個人用是免費的，但第 11 個人要使用，那就要收費。
你可以這樣理解，當第 11 個人要使用這個企業通訊軟體時，因為他要付費才能使用，所以這家公司從免費用戶，變成了 Product Qualified Lead， Sales 會去拜訪這家客戶，或是系統也會觸發自助升級機制，讓企業自助轉成付費方案，都是很常見的作法。
--2024-11-17 21:26:32
遇到數據不知道從何下手嗎？這種困境最大的原因，就是來自於你是單點看數據，而不是把數據串起來看。
什麼是把數據串起來看，就是了解不同數字之間的因果關係。譬如說：不重複訪客數和每位訪客的 Pageview 相乘，就是總合的 Pageview。
我們若用圖來表示數據間的因果關係，這就是所謂的數據地圖。
媒體數據地圖，若是以廣告為營收主軸的話，PV (pageview) 可以說是最重要的指標了，我們把它放在最上面，然後若是大一點的媒體公司，通常都會有 APP 和 WEB，我們可以把兩者個 PV 拆開來看。下圖是一個很典型的媒體產品數據地圖範例。
WEB PV，現在我們可以一層一層往下拆：
APP PV，我們也是可一層一層往下拆：
在媒體的數據地圖，沒有直接用營收作為最終指標的原因是，因為對媒體來說，直客的廣告營收才是收入大宗，這一塊會因為客戶類型、廣告型態、目標客群契合度…等原因影響收入的高低，所以在媒體的數據地圖上，單獨的將 PV 拉出來看，在「數據分析」、「展開年度規劃」和「找到槓桿解」，會較容易進行。
一般就經驗上來說，APP 的用戶都會比較忠誠，比較常回來造訪，對總的 PV 貢獻較為穩定。而 WEB PV，尤其是非會員的部分，波動通常都很劇烈，有打中的話，流量會爆衝，沒打中的話，流量就會普普通通。
所以在數據地圖的拆解上，我們會習慣把穩定的和不穩定的分拆開來，然後想辦法在穩定的部分逐步優化，然後在不穩定的地方，找機會和破口，因為做法不同，所以數據上也會分開來看。
--2024-11-17 17:16:39
遇到數據不知道從何下手嗎？這種困境最大的原因，就是來自於你是單點看數據，而不是把數據串起來看。
什麼是把數據串起來看，就是了解不同數字之間的因果關係。譬如說：付費客戶數和ARPPU (Average Revenue Per Paying User)可以相乘，這樣就是營收。
我們若用圖來表示數據間的因果關係，這就是所謂的數據地圖。
SaaS，或是以訂閱為營收主軸的數據地圖，大概有幾個最重要的面向，付費會員數、NDR (Net Dollar Retention Rate) 和 ARPPU (Average Revenue Per Paying User)。下圖是一個很典型的 SaaS 數據地圖範例。
首先，付費會員數和 ARPPU (Average Revenue Per Paying User)，這兩個相乘就構成營收，那為何還有 NDR (Net Dollar Retention Rate) 這個項目呢？
NDR 的概念就是「舊用戶付給你的錢，有沒有隨著時間過去，越付越多」，為何舊用戶會越付越多呢？那是因為他的用量越來越多，或者是從銀質會員，升級到金質會員，付更高的費用。
拿一些矽谷知名公司的 NDR 數字給大家參考，Slack 過往有達到 130% 以上，也就是舊客戶每年都會多付 30% 給 Slack；Figma 這個數字高達 150%，也就是舊客戶平均每年會多付 50% 給 Figma。
用戶數越來越多，用戶進來後付的錢也越來越多，這樣的營收增長速度，就會有加乘效果，增長迅猛，這也就是 NDR 我會把他列成是影響營收的重要因子。
NDR，其計算公式是 (升級率 -降級率 +續約率)，所以我們可以往下拆成：升級比率、降級比率、舊會員續約率
付費會員數，現在我們可以一層一層往下拆：
ARPPU，這比較單純，因為每種會員等級金額不同，我們可以按照會員等級切，在這個範例就只有兩種會員等級，那就是「金質會員」和「銀質會員」。
這邊還另外提醒大家，因為訂閱型的產品，我自己經驗是三不五時都會推促銷案，每個促銷案應該要分別追蹤其註冊用戶數、留存率、付費轉化率、ARPPU、NDR…等，依照每個促案用戶的生命週期，觀察每個相關指標的變化，並且盡量把促案和一般沒促案的時候，數據拆開來看。
透過這樣的數據地圖，你就可以更容易的進行做「數據分析」、「展開年度規劃」和「找到成長的槓桿解」。
在這邊也提醒一下，若公司有多個 SaaS 或訂閱產品，應該要有屬於各自的數據地圖，獨立看待。
--2024-11-17 17:06:42
遇到數據不知道從何下手嗎？這種困境最大的原因，就是來自於你是單點看數據，而不是把數據串起來看。
什麼是把數據串起來看，就是了解不同數字之間的因果關係。譬如說：訂單數和客單價可以相乘，這樣就是營收。付費流量 + 搜尋流量再加上其他流量，就是整體流量。若客戶購買的商品數增加了，客單價也有機會上升。
我們若用圖來表示數據間的因果關係，這就是所謂的數據地圖。
電商數據地圖，大概有幾個最重要的面向，商品、官網和其他通路。下圖是一個很典型的電商數據地圖範例。
首先，先把公司營收拆解為官網營收和其他通路營收，假設現在公司只有蝦皮，所以我們拆解成三塊：官網新客營收、官網會員營收、蝦皮營收。
官網新客營收，現在我們可以一層一層往下拆：
官網會員營收，我們也可以一層一層往下拆：
蝦皮營收，因為每個通路有每個不同通路的數據，所以這邊就不細部拆解。
最後來看最特別的黃色區塊，也就是零售的命脈之一：「商品數」。
不會所有的商品都是有意義的，所以我這邊放了一個「有效商品數」的數據，所謂的有效商品，你可以想成有人買、賣了會賺到合理利潤，我們也有充足庫存的商品，其領先指標就是「有庫存的商品瀏覽數」，意思就是有訪客看，我們也有庫存的商品數量。
不同階段的電商，重點可能不同，剛起步的電商，新客營收比較重要，甚至還會看蝦皮來的買家，後來會不會在官網變成新客。而已經是成熟的電商，會員營收也許就是重點。
有效商品數，對電商來說一直都是最重要的，有競爭力的、獨特的且有需求的商品，對電商來說才是最根本的啟動點，你也可以透過數據地圖看到，有效商品數會直接影響蝦皮營收、官網新客營收和官網會員營收。
透過這樣的電商數據地圖，你就可以更容易的進行做「數據分析」、「展開年度規劃」和「找到增長的槓桿解」。
--2024-11-15 17:19:47
達到 PMF 的公司，外部投資人對成長速度的期待是什麼？我一直都很有興趣，剛好找到一些有趣的數字和經驗法則。
第一年：三倍成長
第二年：三倍成長
第三年：兩倍成長
第四年：兩倍成長
第五年：兩倍成長
3X, 3X, 2X, 2X, 2X，這樣五年是 72 倍的成長，通常來說這是獨角獸的成長速度。
雖然 T2D3 常常都只應用在 SaaS，但我個人認為對於需要搶市佔的產品，你就去衡量 GMV、用戶數的 T2D3 成長，「我自認為」應該是可考慮的。
在達到 T2D3 之後，成長速度的期待偏向 Rule of 40
雖然 Rule of 40 大部分都被用在 SaaS 產品上，但其核心概念「自認為」可以應用的廣一些，任何需要平衡「成長率」與「盈利能力」的商業模式或行業，應該可以參考這一框架，但是依照產業調整一下「40」這個數字。
--
