前情提要
【Day 35】數據思維升級計畫：透過漏斗分析，以 Spotify Podcast 為例，挖掘成長機會點
背景
接續 Day 3 的故事，你是 Spotify Podcast 的 PM。團隊採納了你的建議，針對「瓶頸 A：探索困難」這個問題，執行了你設計的 A/B Test：
- A 組 (控制組)：維持現有的節目推薦頁面。
- B 組 (實驗組)：在節目卡片上，增加「💬 9k+ 人推薦」的社會認同標籤。
實驗運行了兩週後，數據分析師把第一份報告交給你，結果如下：
整體實驗結果
身為 PM，你沒有就此罷休。你請分析師提供更深入的數據，也就是**按「用戶類型」**拆分的數據，得到了下面這張表：
依「用戶類型」細分的實驗結果
任務
現在，請根據上面這兩張數據表，回答以下問題：
- 解讀數據
- 為什麼「整體」的實驗結果看起來不明顯，甚至可以說是失敗的？
- 「細分」後的數據告訴了你什麼不一樣的故事？請描述你從「新用戶」與「舊用戶」的數據中看到的現象與洞察。
- 更新假設
- 根據這個洞察，你最初的假設「社會認同資訊能降低用戶決策門檻」應該如何修正，讓它變得更精準？
- 做出產品決策
- 現在，你會向主管提出什麼樣的「產品決策」？（不是只有「上線」或「不上線」兩種答案）
- 請提出 2 個可能的後續步驟，並說明你這麼建議的理由
關於數據解讀
數據揭示了兩個截然不同的故事
- 對新用戶，這是一次巨大的成功：對於還在探索平台、尚未建立收聽偏好的新用戶，「社會認同」資訊如同迷霧中的燈塔，有效幫助他們做出第一次選擇，CTR 提升了驚人的 25%。
- 對舊用戶，這是一次微小的干擾：對於早已熟悉平台、擁有固定偏好的舊用戶，這個新資訊反而成了無關的雜訊。他們更依賴個人化的推薦演算法，導致 CTR 反而微幅下降。
整體數據之所以持平，正是因為佔比高達 80% 的舊用戶的微幅下降，掩蓋了新用戶群體的巨大成功
關於新用戶的假設更新
我認為，可以為新用戶「個人化」上線，由於舊有用戶的成效幾乎持平，因此我決定立即只向「新用戶」群體推送「社會認同」功能。這個決策讓我們在不干擾主要用戶群體的前提下，將收穫了新用戶激活的顯著增長。
決策與行動
未來藍圖：分群優化，雙軌並行
這次實驗的核心啟示是：新舊用戶需要不同的解決方案。
- 新用戶策略：既然「社會認同」有效，我們下一步將測試將高評價節目直接整合進新用戶的 Onboarding 流程中推薦 3 個高評價的熱門節目。我預期這能讓新用戶更快完成首次收聽，提升首月留存率，旨在最大化激活效果。
- 舊用戶策略：舊用戶需要的是「精準」，而非「熱門」
- 我們下一個針對舊用戶的實驗將是開發「30 秒精華試聽」功能，旨在解決因「內容不符預期」導致的收聽中斷問題
- 假設這能有效解決『內容不如預期』的問題，提升舊用戶的收聽完成率。我們會先針對商業類 Podcast 進行 MVP 測試。
- 並且針對舊有用戶持續優化相關的推薦演算法
我的學習
總結：別被平均值欺騙
這次的案例提醒：產品決策最大的敵人，有時是未經審視的「平均值」。
當數據不如預期時，向下鑽取、進行用戶分群，往往能找到隱藏在表面之下的真正機會點。一個看似失敗的實驗，最終卻為我們帶來了針對新用戶的方案，以及針對舊用戶的清晰優化藍圖。
一直以來的練習，都在強調分群的重要性，以及我很喜歡 Genimi 引導我深入思考的流程，讓我可以連結過往的練習，讓自己可以往更多方面向思考！
這是我第 36 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💪
