【Day 18】數據思維升級計畫：客訴激增＋配送時間變長，數據分析怎麼做？(下)

🧩 產品背景

你在一家 同城即時配送平台（類似 Uber Eats、Lalamove、GoShare）擔任 PM。

最近客服部門回報 「客訴量上升，集中在延遲配送」，而營運數據也顯示 「配送平均時長比上月增加了 18%」。

背景資訊

• 平台有 即時配送（30 分鐘內到達）與 預約配送（用戶可選時間段）。
• 配送員為 自由接單制，沒有固定排班。
• 平台有 配送員端 App 與 用戶端 App。
• 最近兩週剛在兩個新城市開通服務。

🧪 進階題

在高峰時段限制用戶下單數量，確保既有訂單的配送時長穩定。

請回答：

1. 你贊不贊成？
2. 這樣的改動可能有什麼風險？
3. 你會用什麼數據來驗證它是否有效？

我不贊成這個策略

我不贊成直接限制下單數量，因為這會在需求端製造人為瓶頸，損害商家營收與用戶體驗。相比之下，更合理的做法是透過 透明等待時間提示 與 供給端擴容（動態加價、提前派單） 來平衡高峰時段的供需落差

• 需求端管理替代方案：高峰時段一定會影響配送時長，不論是商家準備還是配送人員的供給，我認為與其限制使用者下單，不如告訴使用者現在下單需要等多少時間，給用戶知情選擇權
• 供給端擴容策略：用技術與激勵機制，在高峰提前增加配送員數量，盡可能最大化各配送員的配送效率，而不是減少訂單
• 接單與否應是商家決定：商家因為忙碌不想要接單，也是提供商家可以提早關閉接單，而非平台介入限制下單數

風險

我認為如果真的執行此策略，將會影響三方：商家、使用者以及平台

• 商家會減少接單量，可能就會不考慮和平台合作，少了商家將會影響到消費者體驗
• • 營收下降 → 可能轉投競爭平台
• 使用者莫名被平台限制訂單，在不解的情況下且非商家決定的狀況下，將會造成反效果
• • 無法下單且缺乏解釋 → 滿意度下降、轉換到其他服務
• 平台因為介入過多，如果評估標準有誤，將會造成商家和使用等不必要的損失
• 限制下單會讓用戶認為「平台不可靠」，而這種信任損失比一次延遲更嚴重
• • 被認為「不穩定」、「資源不足」，影響長期留存

數據驗證

這部分我一開始只想到很粗略的數據驗證指標，「媒合訂單量」與「客訴量」，因此這部分的做法，我直接詢問 GPT 如果是他，他會怎的撰寫這段，GPT 演示如下

核心 KPI

• 準時配送率（On-time Delivery Rate）：高峰限制前後的變化
• 平均配送時長（Mean Delivery Time）：是否下降且穩定

需求端影響

• 高峰時段下單數量變化（是否流失訂單）
• 訂單轉化率（瀏覽餐廳頁 → 下單）

供給端影響

• 高峰時段配送員活躍數（是否被釋放出更多資源）
• 接單率（接到單 → 接受率）

體驗指標

• 高峰時段客訴率（延遲、取消）
• 平台 NPS（淨推薦值）在高峰用戶樣本的變化

我的學習

1. GPT 從核心指標往下 break down 到不同面向的影響與對應指標
2. 會提出此方案就是為了解決核心問題，因此回答架構需要先提出 核心 KPI
3. GPT 的演示讓我學到不只是憑直覺定義數據，而是先思考核心再根據不同面向定義數據指標，最後是補充體驗相關的指標

🎯 額外挑戰（策略題）

公司給你以下 4 個功能項目，但只能選兩個優先做，請排序並簡述原因：

1. AI 配送員路線優化
2. 高峰時段動態加價（提升配送員接單意願）
3. 預約訂單與即時訂單的分流系統
4. 用戶端「延遲補償」自動化處理

我會優先 2（動態加價）和 3（分流系統）

• 2 能在高峰即時提升配送員接單意願，直接增加供給
• 3 能讓即時單與預約單互不干擾，避免資源錯配
• 結合後的效果是「增加高峰活躍供給 + 提高調度效率」，能最快拉高高峰準時率

排在後面的 1（AI 路線優化）需要長時間數據積累與算法優化才能顯著見效；4（延遲補償自動化）雖然提升體驗，但不解決延遲根因，應在延遲率下降後再做

我的心得

這次的題目叫陌生，但也從這次的練習感受到，自己在思考數據時，會有以下兩個問題

1. 缺少拆解層次：例如「媒合訂單量」只是結果指標，沒拆成需求端、供給端、體驗端三層
2. 驗證指標與假設沒有直接對應：例如你想檢驗「限制下單是否改善配送效率」，但你的數據中沒有明確追蹤「準時配送率」
3. 1. 這部分像是，答案就在問題中，應該有明確需要驗證的指標，但沒有提到，略顯可惜

GPT 建議解法

• 每次定義數據前，先寫 假設 → 驗證問題 → 指標 三步：
• 1. 假設：限制下單會改善高峰配送時長。
  2. 驗證問題：配送時長是否下降？是否影響訂單量？
  3. 指標：
  4. • 效率：平均配送時長、準時率
     • 商業：高峰下單數、轉化率
     • 體驗：客訴率、NPS

我應該要將問題重新梳理，找到關鍵假設，以及假設 break down 的問題，然後再出拆解指標，可以透過用戶旅程、對應的商業價值去思考有哪些指標有關聯，這樣才會對於數據越來越敏感和有架構的去建構數據脈絡

這是我第 18 天的練習紀錄，將持續練習這個「數據思維升級計畫」，持續優化觀察力與邏輯💪