前一篇文章中，我們提到 Growth Accounting 的利與弊：它能清楚顯示用戶或營收在某段時間內的增長與流失情況，但在判斷用戶終身價值（LTV）以及流失時間點時，仍有一些盲區。為了更全面了解產品與市場間的真實契合度（Product-Market Fit, PMF），接下來將介紹兩個進階分析方法：Cohorts（用戶群組分析）與 Distribution of Product-Market Fit（用戶活躍度分佈）。
Cohorts：用戶生命週期的價值探索
無論你的產品是訂閱制還是一次性交易，企業最關心的應該是用戶的 長期貢獻價值，而非單次交易金額。換句話說，與其關注當下的收入，我們更該關心：「這位用戶未來還會繼續消費嗎？」
知名文章《Five ways to build a $100 million business》提出五種達成年營收 1 億美元的方法：假如我們要打造一家年收入一億美元的互聯網公司，有五種方法可以達到這個目標（其中《的圖表，Y軸顯示了每個用戶每年貢獻的平均收入【ARPA】，X軸則是需要多少用戶）：》
- 1,000 名企業客戶，每年支付 $100,000+（Salesforce 模式）
- 10,000 家中型公司，每年支付 $10,000+（Mixpanel 模式）
- 100,000 家小企業，每年支付 $1,000+（SurveyMonkey、Amazon 模式）
- 100 萬消費者，每年支付 $100+（Evernote、MailChimp 模式）
- 1,000 萬活躍用戶，透過廣告變現，每人帶來 $10（Instagram、Yelp 模式）
簡單來說，企業需要多少用戶，取決於 單一用戶的年均貢獻營收（ARPA），這也影響了商業策略與產品模式。
後來，作者還補充了三種新的比喻來形容不同類型的用戶：雷龍、鯨魚、微生物。這些象徵代表不同規模與貢獻類型的用戶群，有興趣的讀者可以參考後續文章 《Three more ways to build a $100 million business》。不過，作者的核心觀點始終圍繞著一點：
企業每年需要維繫多少用戶，取決於單一用戶的年均貢獻營收（ARPA），這將直接影響公司產品與商業策略的選擇。
但僅僅知道 ARPA 還不夠，我們還需要考量獲取與維護這些用戶所需的成本（詳見下方公式）。
在這個公式中，分子部分代表 客戶生命週期價值（LTV, Lifetime Customer Value）。LTV 的計算向來是數據分析界的一大挑戰，因為它涉及的變數極多，數據採集困難，甚至需要建立數學模型來導出準確的估算。《The Science and Art of Defining Lifetime Customer Value》
如果你對 LTV 計算有興趣，推薦閱讀《如何實際計算 Retention、LTV ，並產出可執行的商業計畫》，這篇文章提供了一套易於操作的方法，幫助你進行 LTV 預測與實作。
LTV/CAC：衡量商業模式是否可持續
回到LTV/CAC的公式，LTV/CAC 公式的本質意義如下：
- LTV/CAC > 1：用戶的終身價值高於獲取成本，企業才有成長潛力。
- LTV/CAC < 1：每獲取一名新客戶的成本高於他能帶來的收益，這樣的生意模式難以長久。
一般而言，國外投資機構通常以 LTV/CAC ≥ 3 作為企業健康度標準，也就是說，若企業每投入 1 元獲取新客戶，能在其生命週期內產生 3 元以上的收益，則這門生意具備可擴展性。
接下來，我們將深入探討如何透過 Cohort 分析 來直觀呈現 LTV 的變化趨勢，使數據更具可解釋性。
如何解讀 LTV 曲線圖？
在 LTV 曲線圖中，括號裡的數字代表該時段 Cohort（用戶群）的規模，而圖表上的每條彩色線則對應該 Cohort 在不同時間點的累積貢獻價值。隨著 Age（用戶在產品中的生命週期長度）增加，Y 軸上的累積金額應呈上升趨勢（即正斜率）。整體而言，我們可以觀察到四種典型的 LTV 行為模式：
- Flat LTV：這類用戶僅在首次交易時帶來收入，之後幾乎沒有持續貢獻。
- Sub-linear LTV：隨著 Age 增長，該群組用戶的貢獻金額逐漸減少，這是大多數企業的典型模式。
- Linear LTV：該群組用戶的消費行為相對穩定，花費金額與 Age 無明顯變化，例如 Spotify、Netflix 這類訂閱服務。
- Super-linear LTV：隨著 Age 增長，該群組用戶的營收貢獻逐步上升，例如 Slack、Google One 等，隨著應用範圍擴大，客戶願意支付更多費用。
透過分析不同 Cohort 的 LTV 曲線，我們能夠洞察用戶在產品中的價值變化，進一步優化市場策略與產品設計。
然而，透過 LTV 曲線圖，雖然能夠呈現 LTV 的變化，但若要觀察 LTV 的趨勢走向，則可能較不直觀。因此，透過調整數據維度，我們可以得到另一種視覺化方式—LTV 趨勢圖。
如何解讀 LTV 趨勢圖？
LTV 趨勢圖與我們習慣的圖表解讀方式有較大不同，因此需要仔細說明。X 軸代表 Cohort（用戶群組），藍色長條的面積則表示該時段 Cohort 的用戶數量（與 LTV 曲線圖中的數值相對應），而圖表中的顏色線則代表各個用戶年齡（Age）群組。例如，2014-11-03 的 Cohort（箭頭 1）包含約 350 名用戶，在第 0 週時，他們的平均消費為 44 美元。一個月後，LTV 增長至約 55 美元（綠色線），六個月後（24 週 Age），LTV 達到 125 美元（橘色線）。但由於 Cohort 年齡尚未達 36 週，因此目前仍無法得知該時段的 LTV 數值。
LTV 趨勢圖的隱藏資訊
這種視覺化方式還具備一個額外的優勢——可以幫助比較 LTV 的趨勢。例如，從圖中可以觀察到 12 週時的 LTV 呈現下降趨勢，這可能是由於 2014 年底開始，每個 Cohort 的數量規模逐步擴大（箭頭 2）。此外，最早期的 Cohort（X 軸最左側）往往具有較高的 LTV（箭頭 3），這種現象十分常見，因為早期採用者通常對產品有較高的黏著度。
值得注意的是，2014-03-24 的 Cohort 在第 52 週出現了一個明顯的高峰值（箭頭 4），而根據回推分析，其 Age 約在 36 週 時達到高峰（箭頭 5）。這顯示在 24～36 週之間，該 Cohort 經歷了較高的消費成長，這一點也能與 LTV 曲線圖相互對照，因為該 Cohort 在 28 週時開始強勁增長。
理想與現實的 LTV 發展
理想情況下，我們希望在圖表中看到 隨著時間推移，LTV 數值與 Cohort 規模同步成長。但現實是，當吸引更多用戶時，LTV 通常會呈下降趨勢，因為用戶基數擴大後，會包含更多對產品興趣較低的用戶。這類現象就像俗話說的：「樹大必有枯枝，人多必有低活躍用戶」🤣。
因此，除非你的產品擁有極為出色的 Product-Market Fit（PMF），否則很難同時達成「規模增長」與「LTV 持續上升」的雙贏局面。
Cohort 熱力圖：用視覺化分析用戶留存與行為模式
最後一個要介紹的圖表，是我們在數據分析中最常使用的工具之一——Cohort 熱力圖，Google Analytics 也內建這類視覺化工具。
如果你對這張圖表的基本概念還不太熟悉，可以參考 Google Analytics 官方的 同類群組分析報表（連結），但在這裡，我們將更深入探討這張圖的應用方式，並透過 三種不同的分析角度 來解讀 Cohort 熱力圖的價值：
- 水平分析法：專注於 同一 Cohort 群組的表現變化。目標是觀察特定批次的用戶，隨著時間推移是否能夠保持穩定成長，或者是否有特定時段出現較大流失。
- 垂直分析法：比較 不同 Cohort 在相同 Age（用戶週期）內的表現。這種分析方式的重點在於衡量 產品或服務的改進 是否帶來更好的留存表現。例如，如果後期 Cohort 的數據優於早期 Cohort，表示優化策略可能發揮了效果。
- 斜對角分析法：關注 相同時間點不同 Cohort 的累積表現，常用於衡量 行銷活動的成效。如果特定時段的 Cohort 具有較高的增長或留存率，可能意味著當時的市場推廣活動取得了良好效果。
透過這三種不同的分析方式，我們可以更全面地理解用戶行為，並依據數據做出更具戰略性的產品與行銷決策。
Distribution of Product-Market Fit
用戶活躍度的分佈與 Product-Market Fit 的關聯
先前介紹的 Growth Accounting 分析框架，能夠幫助我們計算產品的 留存率與流失率，但它無法解答另一個關鍵問題——這些月活躍使用者（MAU）到底有多活躍？他們是高度參與，還是只是偶爾點開一下，瀕臨流失？
L28 指標：衡量用戶的真實活躍度
為了解決這個問題，業界普遍使用 L28 = XX 這個指標。簡單來說，L28=10 的用戶指的是 在過去 28 天內，有 10 天是活躍的。透過這種方式，我們可以更精準地評估用戶參與度。
讓我們來看一張活躍用戶分布圖：
假設產品的 MAU 為 10 萬人，從圖表中可以清楚看到：
- 34,000 名用戶 在 28 天內 僅活躍 1 天，顯示這些用戶可能處於流失邊緣。
- 3,000 名用戶 在 L28=28（每天都使用產品），顯示這些是忠實高價值用戶。
如此一來，這樣的數據分布可以幫助我們輕鬆區分出三類核心用戶：
- 低活躍用戶（L28 值極低，可能快流失）
- 中活躍用戶（偶爾使用，可能有提升空間）
- 高活躍用戶（天天使用，最具價值）
更進一步的分析：累積分佈函數（CDF）
如果我們想進一步挖掘有價值的洞察，則可以使用 累積分佈函數（CDF, Cumulative Distribution Function）。
上圖的 藍色線條 代表「用戶數」的 CDF，它顯示：
- 50% 的 MAU 的 L28 ≤ 2（也就是說，一半的活躍用戶幾乎不太活躍）。
- 最活躍的前 10% 用戶的 L28 ≥ 15（顯示高活躍用戶的參與度遠高於一般用戶）。
而 綠色線條 則表示 活躍天數的累積佔比，即每個用戶群體對 總活躍天數 的貢獻。
這個概念一開始可能有些難理解，但如果我們把 「用戶活躍度」換成「營收貢獻」，就會變得直觀許多。讓我們用一張新的 CDF 圖來輔助說明：
營收貢獻與 80/20 法則
- 紅色線條 顯示 前 20% 的用戶貢獻了 66% 的總營收，這與經典的 80/20 法則（少數用戶貢獻大部分營收）相似，只是這裡的數據稍微均衡一些，約為 66/20。
- 極端情況下，像 Spotify 這類公司，每位用戶的營收貢獻幾乎相等，因此紅線在 訂閱價格點前 幾乎為 0%，一旦達到訂閱價格點，紅線瞬間跳升至 100%。這種情況可稱為 20/20（即 20% 用戶貢獻 20% 營收）。
- 相反地，若公司依賴極少數 VIP 客戶貢獻大部分營收（俗稱 「鯨魚用戶」或「大象用戶」），那麼紅線就會遠高於藍線，甚至可能呈現極端的 99/20（極少數用戶貢獻幾乎全部營收）。
透過這些數據分析，我們能夠更清楚地理解 用戶活躍度、營收貢獻，以及 Product-Market Fit 的關聯性，並據此制定更精準的用戶留存與變現策略。
結論：用數據驅動產品成長，打造真正的 Product-Market Fit
在這篇文章中，我們整理了來自國內外多位數據專家的洞察，彙整出 三大關鍵分析框架，用來評估產品是否真正達到了 Product-Market Fit。這不僅幫助我們提升產品數據分析能力，還讓我們在研究的過程中獲得了許多新的商業啟發，拓展了對市場與產品策略的理解。
在結束之前，讓我們再一次回顧這三個重要框架：
- Growth Accounting：將用戶/營收的增長與下降拆解，幫助理解各組成部分，識別增長驅動力與流失因素。
- Cohort Analysis：透過時間群組（age-based segmentation）來追蹤用戶生命週期價值（LTV），找出真正帶來長期價值的用戶群體。
- Distribution of Product-Market Fit：透過活躍度分佈，分析不同活躍程度的用戶對產品的貢獻，判斷市場契合度與未來成長潛力。
這三個分析框架各有其優勢，應根據企業面臨的問題與目標靈活應用。然而，根據我多年的實務經驗，許多企業仍缺乏對這些數據工具的深度應用，導致產品決策往往缺乏足夠的數據支撐，錯失最佳成長機會。
這也是我認為台灣企業管理階層需要更積極強化的觀念——數據驅動的決策，應該成為企業產品成長的核心策略。在未來，我也會持續透過國內外的案例與文章分享更多關於產品數據分析的觀點與應用，希望與大家一起精進，共同推動產品與市場的成長。讓我們一起向前衝！🚀
參考資料：
- 如何實際計算 Retention、LTV ，並產出可執行的商業計畫
- Diligence at Social Capital Part 3: Cohorts and (revenue) LTV
- Diligence at Social Capital Part 5: Depth of Engagement and Quality of Revenue
- Five ways to build a $100 million business
- Three more ways to build a $100 million business
- The One Ratio Every Subscription Business Needs to Know
- A Quantitative Approach to Product Market Fit
- 產品數據分析 - 打造網路產品的決策引擎
