建立 Metric Tree
在 Day 31 的練習中，我已經挑選了 北極星指標（NSM）：有效語音練習次數 (例如練習超過 30 秒，或雙方都有互動)。
這個指標之所以被選為 NSM，是因為它能最直接反映用戶是否真的透過產品「持續進行語音練習」，而這正是語言學習產品的核心價值。
接下來，我將 NSM 往下拆解為 驅動因子 → 低階指標 → 可觀察數據，形成完整的 Metric Tree。新用戶增長
- 驅動因子：新用戶的持續增加，能讓更多人接觸產品，也為後續留存與轉換提供基礎
- 低階指標 ➝ 新用戶數註冊率
- 可觀察數據
- 當日新註冊人數
- 首日完成練習的新用戶數
GPT 建議
- 可以將可觀察的數據定義的更加具體，例如再拆到「平均練習時長」或「每次練習平均句數」，會更貼近真實學習價值
- 完成練習，何謂「練習」？可以定義為「首次練習持續 ≥5 分鐘的新用戶數」
- 有完成練習用戶數，何謂完成練習？可以定義為「完成 ≥1 次練習的新用戶數」
可以讓整體應該要觀察的數據更加具體，但這也考驗 PM 對於數據之間的關係是否具備高度敏感
用戶留存
- 驅動因子：語音學習的價值在於「持續練習」，因此留存是檢驗產品是否真的幫助用戶建立習慣的關鍵。
- 低階指標：用戶次日回訪率、7 日練習完成率
- 次日回訪率：昨天來過的用戶，今天是否再次登入並使用。
- 7 日練習完成率：第一天註冊的用戶中，有多少人在 7 天內至少完成 3 次練習。
- 可觀察數據
- 次日回訪人數 / 前一日活躍人數
- 七日內完成 ≥3 次練習的人數 / 七日內新註冊人數
我發現我的問題都集中在，定義數據「不夠具體」，在定義數據時都非常含糊，只有點到，如 7 日練習完成率，但何謂「練習」以及「持續多久時長」才算練習？這些如果沒有試著定義清楚，對自己在分析或是與資料團隊在溝通時，很容易會有矛盾、衝突
配對成功率
- 驅動因子：語音學習的最大特色在於「真人互動」。若配對體驗不佳，用戶將無法完成核心行為。
- 低階指標：放棄率、配對後練習完成率
- 配對等待超過 30 秒的比例：等待過久可能導致流失。
- 練習中斷率：已配對成功卻中途退出，代表體驗不佳或匹配不精準。
- 可觀察數據
- 配對成功數 / 配對嘗試數
- 等待超過 30 秒的配對數
- 配對後未完成練習或掛斷的次數
我認為培養可觀察數據，不只是透過練習，而是試著去思考，為什麼會發生這個結果，如同配對成功率下降是結果，但有哪些原因導致這個結果，或是哪些數據可以驗證？「why」以及「how」，需要不斷反覆思考才有辦法建構完整的「可觀察數據」
👉 從在建構完整的 Metric Tree，除了 go through 看到 NSM 與各個驅動因子之間的連結，亦可以往更深層的數據探討，確保數據追蹤不只是停留在表面，而是能真正驗證「用戶是否透過產品持續練習語言」
設計 Guardrail 指標
在現實情況中，高層常常會希望「加速短期營收」，例如強推更多廣告、增加升級引導。但這樣的做法容易犧牲用戶體驗，甚至造成長期留存下降。
因此，我需要設計 Guardrail 指標（護欄指標），作為「避免只看收入而損害體驗」的防護機制
何謂 Guardrail 指標（護欄指標)？
- 用來確保產品在追求主要目標（比如成長、營收）時，不會因為副作用而損害到核心體驗或長期健康。
- Guardrail 就是用來「限制副作用」的
- 舉例
- 廣告產品
- 主指標：廣告曝光數提升
- Guardrail 指標：App 留存率、廣告點擊誤觸率（避免因為塞太多廣告，讓用戶流失或體驗變差）
我一開始的回答
以下是我選擇的 Guardrail 指標（護欄指標)
- 配對成功率
- 用戶滿意度
- 用戶留存率
- 思考思路：更多廣告或是更多強制引導升級，會影響體驗，所以產品跳出率可能會提升，產品跳出率提升，可能會影響配對成功率，可能會下降，影響用戶滿意度
GPT 建議與潤飾
GPT 建議
- 選了「配對成功率」，但這其實比較偏基礎功能健康度，不一定直接反映「廣告/升級引導」的干擾。
- 更精準的 Guardrail 可以是
- 課程完成率（避免廣告過多，打斷用戶完成一次練習）
- 次日留存（避免短期轉換犧牲長期回訪）
- 用戶淨推薦值 NPS / 滿意度調查（補數據面不足，直接觀察用戶情緒）
比較好的 Guardrail 指標（護欄指標)
課程完成率- 代表用戶是否能順利完成一次完整的語音練習。
- 若廣告或引導過於頻繁，會中斷學習流程，使完成率下降。
次日留存率
- 確保短期轉換策略沒有讓新用戶嚇跑。
- 如果因過度推銷導致次日回訪下降，說明體驗已經受到負面影響。
次日用戶滿意度（例如 NPS 或應用商店評分）
- 數據層面之外，還需要直接聆聽用戶的聲音。
- 如果升級引導過度激進，滿意度會明顯下降，甚至出現大量差評。
為什麼這些 Guardrail 有效？
因為它們直接反映了「用戶是否仍能從產品中獲得核心價值」。
- 如果練習被打斷，學習成效無法保證。
- 如果用戶回不來，再多的廣告也失去意義。
- 如果滿意度下降，品牌信任度會被侵蝕，影響長期成長。
我的學習
透過這次練習，我更清楚：
- Metric Tree 可以幫助我建立「從核心價值 → 驅動因子 → 具體數據」的完整關聯，避免只看表面數據
- 但我認為這部分，我需要持續練，如同前面提到的，不能只關注結果
- 有哪些原因導致這個結果，或是哪些數據可以驗證？
- 「why」以及「how」，需要不斷反覆思考才有辦法建構完整的「可觀察數據」
- Guardrail 指標 則像是一種平衡機制，確保在追求短期成果的同時，不會犧牲用戶的長期價值
- 之前較多都聽到副作用指標，算是第一次聽到 Guardrail 指標，是自己比較不熟悉的指標，所以在練習的時候，幾乎是全部誤判
- 我認為思考 Guardrail 指標 的關鍵在於，可以從提出的方向去思考影響的層面有哪些，即使題目沒有提到引導方式，也應該要可以透過假設去思考影響範疇，然後定義對應的指標
- 心態面，身為 PM 如同前面不段提到的領悟，要知道結果並且從結果回推「why」以及「how」，才有辦法帶領團隊看到產品全貌以及找到洞察
這也是數據思維真正的力量——不是為了數字本身，而是確保產品能持續為用戶帶來價值。
這是我第 32 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💪
