任務一：數據異常診斷（多維度觀察題）
最近數據顯示：
- 訂單總量增加 12%
- 平均客單價下降 18%
- 新客數量增加 20%
請回答：
- 這樣的數據組合，可能代表什麼現象？
- 你會先拆解哪 2 個分群來驗證？為什麼？
- 你會關注哪 2–3 個次要指標來交叉驗證？
會先拆解哪 2 個分群來驗證？為什麼？
- 新客 vs 舊客
- 新客
- 觀察新客數量增加是否直接帶動訂單量成長
- 如果訂單增長主要來自新客，代表推廣有效
- 舊客：觀察舊客的消費週期，若訂單成長主要來自舊客，需進一步檢查是否仰賴優惠券，或產品差異化不足導致舊客必須靠補貼才下單
- 使用優惠券 vs 未使用優惠券
- 如果訂單增長高度集中在使用優惠券的群體，說明成長是「補貼驅動」，而非產品價值驅動，對長期發展不利
小結：若成長來自新客，即使短期犧牲利潤，仍是正向；若成長主要靠舊客 + 優惠券，則需留意是否為「虛假成長」
會關注哪 2–3 個次要指標來交叉驗證？
- 訂單成長來源比例（新客 / 舊客）
- 訂單使用優惠券的比例
- 訂單數增加的集中時間段與地區分佈
- (GPT 補充) 可以再關注 LTV/CAC（新客終身價值 ÷ 獲客成本），來確認新客成長是否真的划算
我的學習
其實在做這一題時，我認為自己在分群分析時，維度仍較小、單一，因為是外送平台，不應該只有分群、優惠券維度，應該也要思考到時間、地區維度，因此也希望自己下次在分析時，別太快帶入其次是 GPT 的補充， LTV/CAC（新客終身價值 ÷ 獲客成本），我認為自己對這種較為專業的指標還是會很容易忽略，GPT 給我很好的提醒
任務二：心理動機 + 行為推理題
產品團隊發現一個現象：
- 用餐高峰（晚餐時段）新客下單率高
- 非高峰時段（下午 2–5 點）老客下單率卻在下降
請回答：
- 可能的 3 個心理或行為原因是什麼？
- 每個原因你會對應觀察哪個數據指標來驗證？
- 如果要設計一個功能改善老客非高峰下單，你會怎麼做？
可能的 3 個心理或行為原因是什麼？
- 新客
- 同儕推薦，一起點餐
- 廣告推播集中在用餐時段，強化下載與首單行為
- 高峰時段餐廳選擇更多，用戶更容易下單
- 老客
- 推播缺乏個人化，導致點擊率下降
- 已經關閉推播通知 or 推播有問題，降低喚回
- 非高峰時段餐廳與外送員數量少，導致選擇少、等待久
每個原因對應的驗證數據指標
- 新客：推薦碼綁定率、廣告投放轉化率、高峰時段餐廳點擊率 / 停留時間
- 老客：推播開啟率、推播 CTR 趨勢、平台停留時長 & 點擊深度、訂單取消率
針對廣告投放率以及推播 CTR 趨勢，是我沒想到的關注指標，敘述與指標之間的轉譯，自己在這段還未到達通透
改善老客非高峰下單的功能設計
個人化推播：根據老客過往偏好 + 非高峰熱門餐廳，設計差異化推播，避免「同質化通知」。必要時加上小額優惠券，製造額外誘因
GPT 補充
可以設計「非高峰專屬優惠」入口，例如「下午茶時段 $99 精選套餐」，讓老客覺得平台在「懂他」，而不是單純硬推廣告
這確實是另一種客製化，且不一定只對於老客有效，因為是精選套餐，所以可能可以一次打到很多人，但我認為這也要看商家協商，需要有商家願意參與此活動，這活動才可以成立
任務三：產品策略決策題（營收 vs 供應）
公司想要提升營收，有兩個提案：
- 提高配送費：每單多收 10%，但可能影響下單量
- 導入會員制：每月 199 元，免運 + 特殊優惠
請回答：
- 你會優先選哪個？為什麼？
- 短期 vs 長期，會影響哪些指標？
- 如果高層質疑「會員制需要時間養成，不如直接漲價快」，你會怎麼用數據說服？
會優先選哪個？為什麼？
我會選 導入會員制
- 會員制能針對高頻用戶創造長期價值，並透過精準推播提升轉化
- 提高配送費雖然能短期拉高客單價，但若流失用戶，長期損失更大，尤其在目前「訂單數成長但客單價下降」的情境下，漲價風險極高
短期 vs 長期指標影響
- 提高配送費
- 短期：客單價 ↑，但訂單數與 DAU ↓。
- 長期：可能增加外送員供給與商家收入，但若用戶流失，平台營收最終仍下降
- 導入會員制
- 短期：收入增幅不確定，視優惠力度而定，但下單數可能提升
- 長期：提升用戶黏著度、付費率、留存率，營收結構更穩定
如果高層質疑「會員制需要時間養成，不如直接漲價快」
- 用戶體驗面
- 漲價是被動接受，容易導致用戶流失
- 會員制是自主選擇，用戶有控制權，體驗更佳
- 數據面
- 可根據高頻用戶的下單數與客單價，模擬如果 10% 高頻用戶轉為會員，總營收的提升幅度
- 會員制帶來的 留存率提升，會讓 LTV（用戶終身價值）持續拉高，而不是短期一次性收入
- 提出 MVP 測試會員制
- 如只針對台北地區 or 前 10% 高頻用戶，收集數據證明成效後，再擴展
我的心得
這次整體來看，GPT 補充或是給予的建議較少，我認為可能是因為大方向我已經有抓到，且在回答中也有提出，只是針對較專業數據指標，自己沒有反射性思考到，這部分還需要多多練習
GPT 認為我可以可再加強的部分
- 在數據指標上，多加 量化模擬（像 ROI、LTV/CAC、轉化率假設）會更有說服力
- 👉 這部分也是我自己有感的，所有假設提案應該仍需要 echo 回到營收、財務視角，讓整體說服力更強
- 在功能設計上，除了「推播」也可以思考 新入口設計（例如：下午茶專區），讓產品改動更立體
- 👉 確實在做個人化，不一定只能想到推播，也可以將用戶數據轉化爲與商家協商的籌碼，除了可以藉此擴展商家之外，也可以和商家一起共贏
這是我第 29 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💪
