2022-07-13|閱讀時間 ‧ 約 14 分鐘

你的產品Product-Market Fit了嗎？用數據檢視產品的健康狀況_下

在上集文章裡，我在結論中有特別提到，Growth Accounting分析法有一個缺點，就是它無法知道用戶生命週期所奉獻的總體價值，也無法清楚理解，流失的用戶是在哪一個生命週期階段流失的，因此，接著下來介紹的第二種分析框架，就剛好用來解決此問題。

Cohorts

一開始，我們先聊聊為什麼需要對客戶的生命週期價值感到興趣呢？假如你是一間向用戶銷售商品的企業（不論是訂閱還是交易式的商業模式，在這邊都沒有差異），你會比較關注客戶一次性的貢獻價值還是多次的累積性貢獻價值呢？答案應該相當顯而易見吧，我們都希望看到的是用戶所貢獻的價值是逐漸積少成多，積沙成塔吧？！Five ways to build a $100 million business作者在文中舉出了一個有趣的例子，來清楚闡明這個觀點。

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）：

Five ways to build a $100 million business

1,000 名企業客戶每年向您支付 10 萬美元以上（Salesforce）
10,000 家中型公司每年向您支付 10,000 美元以上（mixpanel）
100,000 家小企業每年向您支付 1000 美元以上（SurveyMonkey、amazon）
100 萬消費者每年向您支付 100 美元以上（Evernote、MailChimp）
1000 萬活躍消費者，您通過銷售廣告以每年 10 美元以上的價格獲利（Instagram、Yelp）

後來，作者還另外加上多出的三種動物（雷龍、鯨魚、微生物），概念沒有太大的改變，有興趣的朋友可以參考後續這篇Three more ways to build a $100 million business。但其實作者最主要闡述的重點是，公司一年需維繫多少用戶，取決於一個用戶平均能貢獻的年營收多寡，這最終會影響到公司的產品與商業策略需對應採用何種方式。

但光知道ARPA還不太夠，真正的觀察指標還需要考量付出成本的影響因素（見下面公式）。

LTV/CAC_來源：The One Ratio Every Subscription Business Needs to Know

其中，分子的部份就是客戶生命週期價值（LTV，Lifetime Customer Value），討論到LTV，相信是每一個數據人心中永遠的痛，因為LTV的計算複雜度很高，資料要怎麼採集又很困難，有人形容計算LTV是一門既科學且藝術的學問（The Science and Art of Defining Lifetime Customer Value），有的時候還需要透過建立數學模型才有辦法導出來。

在這邊推薦一篇文章「如何實際計算 Retention、LTV ，並產出可執行的商業計畫」，作者提出了一個簡單的面向去假設預估LTV，我認為是蠻實用的技巧，大家也可以點進去按步驟實際操作。

回到LTV/CAC的公式，目前我們還不需要太探究如何計算，不同的公司所延伸的算式都會不大一樣，我僅單純說明此等式的意義，當計算結果1（用戶貢獻的終身價值是高於獲取成本）時，公司規模才有機會持續成長，反之，若公司拉一個新客付出的費用還高於他所貢獻的金額，那這樣的生意真的不做也罷！

一般來說，國外投資公司通常以LTV/CAC是否大於3，來做為一家企業是否健康的評核標準。

接著下來，進入了本篇文章的重點，當我們在看LTV時，其實大多是以Cohort的方式來進行分析，一樣透過圖表來說明，會比較容易理解。

Sample LTV curves_來源：Diligence at Social Capital Part 3: Cohorts and (revenue) LTV

稍微解釋上面的「LTV曲線圖」，括號裡的數字是該時段Cohort的數量規模，其中每一條顏色的線代表著該時段獲取新客後的累積貢獻價值，所以隨著age（國外文章中多採用Age年齡，來形容用戶在產品上的生命週期時長，我們這邊也沿用此習慣會比較易於理解）的增加，Y軸的累積金額應該也會增長（正斜率），大致上會出現四種行為類型：

Flat LTV：該群組用戶只貢獻了第一次金額，後來幾乎沒有替公司帶來營收。
Sub-linear LTV：隨著age的推移，該群組用戶貢獻的金額越來越少，大多數的企業多屬這一類。
Linear LTV：該群組用戶始終花費相同或略低的金額，不隨age的變化。很多訂閱服務的公司都屬於這種，例如Spotify、Netflix。
Super-linear LTV：隨著age的增長，該群組用戶反而帶來的營收會慢慢增加，就像是Slack、Google one等服務，隨著應用擴展的量體越大，所支付的金額就會越高。

LTV衡量：不同公司會有不同形狀的累計營收曲線_來源：產品數據分析 - 打造網路產品的決策引擎

但以這樣的LTV曲線圖視覺呈現法，似乎比較難觀察LTV的趨勢走向，現在我們將資料維度做一些變化調整，可以得到另一種呈現方式—「LTV趨勢圖」。

Sample LTV Trends_來源：Diligence at Social Capital Part 3: Cohorts and (revenue) LTV

這邊，LTV趨勢圖跟我們習慣的解讀圖表方式有很大不同，必需仔細一點說明。X軸是Cohort的群組隊列，藍色長條的面積則是該時段Cohorts的數量規模（跟LTV曲線圖的顏色線條後方數字，所代表的意義是相對應的），而此圖所代表的群組顏色線則是各用戶age群組隊列。例如，2014-11-03的Cohort群組隊列（箭頭1）有大約350名用戶，在第0週用戶平均花費44美元，第一個月後，LTV增長為約55美元（綠色線），而經過了六個月後（24週 age），LTV則是來到了125美元（橘色線）（但我們尚無法得知該Cohort隊列的36週age數值，因為該隊列的age時間還沒有到這麼長）。

以上的視覺化圖表還能一個神奇的功能，它還可看出LTV的趨勢比較，例如，我們看到12週的LTV是慢慢往下降的，因為從2014年底開始，每一Cohort的數量規模是越來越龐大的（箭頭2）。最初X軸的Cohort隊列具有非常高的LTV（箭頭3），這種情況很常見，因為早期產品的使用者通常更傾向於使用產品。值得注意的是，2014-03-24的Cohort隊列在第52週這裡有呈現出明顯的高峰值（箭頭4），回推來看，age是在36週時，才出現了峰值（箭頭5），代表著24~36週間有出現比較高的花費增長量（對照來看，從前面LTV曲線圖就可知道，該Cohort隊列在28週左右開始強勁增長。）

最理想的狀態是，我們當然希望在圖表中可看到【公司隨著時間的推移，LTV的數值以及Cohort的數量規模都能同步成長增加】，但現實是，隨著吸引更多的用戶群，LTV通常是會下降的，因為更大的隊列數量規模，一定會由更多沒這麼愛產品的用戶共同組成（這就像是說樹多必有枯枝，人多必有白癡~喂🤣），所以，真的真的~除非產品具有非常優秀的Product-Market Fit，才有辦法達成質與量都一同增加的完美情況。

最後一個圖，則介紹我們比較常使用的（Google Analytics中的內建圖表也有），稱做「Cohort熱力圖」。

LTV_來源：A Quantitative Approach to Product Market Fit

關於要如何看懂這張圖，建議可直接到Google Analytics同類群組分析報表的官方說明（連結），而我想聊的是如何透過三個不同面向來進一步分析：

水平分析法，代表的是同一Cohort群組隊列的表現，目標是越來越穩定成長。
垂直分析法，代表的是不同Cohort群組隊列在同一age期間的表現，目標是看有沒有因為產品/服務改善，而越來越好。
斜對角分析法，代表的是不同Cohort群組隊列在同一時間點的累積表現，目標是看出行銷活動的成效。

Distribution of Product-Market Fit

先前介紹的第一個分析框架Growth Accounting，可以清楚展示以月為計算的留存率與流失率，可是卻沒有很好的辦法知道這些月活躍使用者（MAU）是有多麼的活躍？他們的活躍程度是多少？是高度參與還是瀕臨流失的活躍？

要回答上面的問題，業界有一種慣用的方法，叫做L28 = XX。簡單的說，L28=10的用戶就指在過去28天中有10天處於活躍狀態，下面用一個分布圖來做說明。

Sample L28 Distribution_來源：Diligence at Social Capital Part 5: Depth of Engagement and Quality of Revenue

假設總MAU為10萬個用戶，從圖表就可以得知有將近3萬4千個用戶在一個月內只有一天處於活躍狀態，另外，還告訴了我們在L28=28中有約3千個用戶每一天都在使用該產品，很自然地，這樣的分佈圖就能清楚的呈現出至少【低活躍】、【中活躍】、【高活躍】三種用戶類別，如果還想進一步看出其他的洞察資訊，就介紹另一個cumulative distribution function （累積分佈函數，CDF）。

Sample L28 CDF_來源：Diligence at Social Capital Part 5: Depth of Engagement and Quality of Revenue

上圖的藍色線條代表著「用戶數」的CDF，它可以告訴我們50%的MAU是L28=2，參與度最高的前10%用戶是L28=15；而綠色線條則是另一種以「活躍日」的CDF來做表示，它的含意是指每個用戶族群所貢獻的活躍日數累積佔比，我當初看到這裡也是霧煞煞，可是若透過金額的CDF呈現相同概念，就會比較直觀容易理解，輔以下圖進行說明：

來源：Diligence at Social Capital Part 5: Depth of Engagement and Quality of Revenue

同樣地，從紅色線條開始看起，營收價值前20%的用戶，皆為貢獻營收超過60美元，而這群用戶加總的總貢獻額佔公司總營收約66%，因此，這不就很像是業界常愛談論的80/20法則（僅有20%的因素會影響整體80%的結果），只是此間的公司客戶狀況比較平均穩健些，約是【66/20】。

可以想像一下極端的例子，例如，Spotify的每位用戶貢獻營收值幾乎相等，所以在訂閱價格點之前，紅線幾乎為0%，然後在到達該價格點時突然上升到近100%，藍線和紅線幾乎非常相似，這個狀況就可稱做【20/20】；而另一種極端當然就是大多數的用戶貢獻營收一咪咪，但極少數用戶卻替公司帶來超級多營收（前面提到的大象或鯨魚用戶），這時候藍線就遠低於紅線，誇張一點的話就可能呈現出【99/20】。

結論

最後，特別感謝國內外幾個大神將如何評估產品是否達到Product-Market Fit，彙整提出了三大分析框架，不僅是幫助了我增加產品數據的實用技巧，也藉著蒐集資料的過程中，獲得許多新的商業啟發，及擴展了知識的視野。再一次的，讓我們重點回顧：

Growth Accounting：首重將用戶/營收的增長及下降做拆解，了解各組成部分。
Cohorts：用age時間群組隊列的方式來探討用戶的終身價值。
Distribution of Product-Market Fit：以用戶活躍分佈的區隔分析，理解不同活躍程度的總貢獻價值。

上面三個分析框架都有各自的使用優勢，端看我們在企業裡遇到的問題是什麼，以及想要選擇什麼樣的呈現與洞察，做靈活的搭配與使用。但以我在多年的實務經驗裡，幾乎很少看到使用這種分析方式替公司的產品進行全方面的體檢，非常可惜，我覺得這也是台灣企業管理階層比較需要積極強化的觀念。在未來，我也希望大量透過國內外文章的研讀，來替我們帶來更多關於產品數據分析的觀念與應用，一起往前GO！

參考資料：