【Day 40】數據思維升級計畫：從YouTube 平均觀看時長下降 12% 學到的事

經過上次的練習，【Day 39】數據思維升級計畫：面對關鍵指標急墜15%，PM 如何系統性偵錯框架？，我深刻感受到自己對於拆解問題，並不是很擅長，因此決定再次練習，因此請 Genimi 給我另一個練習題型，以下是我的練習脈絡與反思

情境：一次來自YouTube首頁演算法的紅色警報

週五下午，數據警報響起：「YouTube首頁的用戶平均觀看時長，在過去72小時內，無預警下降了12%」，作為負責推薦演算法的PM，這不僅是一個數字，這意味著我們產品與用戶之間最重要的「黏著劑」可能正在失效。

面對這個複雜且緊急的問題，我運用了上一篇文章的「What -> Where -> Why」的偵錯框架，不僅是為了找到答案，更是為了在混亂中，為團隊提供一張清晰的作戰地圖。

在深入數據前，我做的第一件事是「釐清事實」，確保自己與團隊對問題的理解完全一致。我向團隊提出了幾個關鍵的事實型問題：

釐清事實後，我需要一張地圖來引導我找到問題的震央，YouTube是一個複雜的生態，所以我建立了一個 4 維度的分析模型來拆解問題：

數據計畫：拆分新/舊用戶、高/輕度用戶、不同地區/裝置的觀看時長，鎖定受影響最深的用戶群。

數據計畫：分析首頁推薦的內容類型佔比（長/短影音、直播），以及各類型的點擊率(CTR)和平均觀看完成率，判斷是否是內容供給或推薦偏好出了問題。

數據計畫：分析各流量來源（直接進入、Google搜尋、外部連結）的用戶觀看時長，判斷是否是特定渠道的用戶品質下降。

數據計畫：檢查首頁載入速度、近期是否有UI改版、推播或推薦規則是否有調整，排除最基本的產品體驗因素。

這部分雖然我羅列了很多分析維度，但我忽略了這次練習的情境，畢竟在真實的危機中，時間非常寶貴，額外要思考的議題為：會如何為這 4 個維度的分析排定優先級？

Genimi 的建議：通常，會遵循一個「由內而外，由簡入繁」的順序。

這也讓我聯想到，遇到任何產品問題，優先可以快速排查的方向也會是系統、產品體驗，因為檢視產品本身是否有 bug，是最具體的目標，Genimi 給了我很棒的建議！

在一開始要拆解時，會沒有方向和想法，但其實和 gpt 討論之後，漸漸發現 GPT 拆解問題的方式是有脈絡和框架！

這次部分的練習，讓我領悟到，面對複雜系統，PM 需要先建立自己的「心智模型」，我認為可以從「產品構成要素」切入。

舉例：構成 YouTube 的核心要素為何？我認為包含「用戶、內容、技術」，當自己針對產品或是某段流程可以找到關鍵因素，然而下一步就是開始發散(思考更多的是要拆多細)，從關鍵要素發散分析維度，「先發散再收斂」的過程，是讓分析有方向、有重點的關鍵。

在第二層的數據分析之後，將會得到一些清晰的「定位結果」，接下來，就是基於這些結果，提出更精準的假設。

數據顯示，雖然整體觀看時長下降，但短影音(Shorts)的觀看次數和用戶參與度反而顯著提升。

精準假設：這不是一個Bug，而是一次成功的策略轉向。
- 演算法可能依據最新的策略，增加了Shorts在首頁的推薦權重。
- 雖然這拉低了「平均觀看時長」這個傳統指標，但卻可能提升了「用戶活躍度」或「總觀看影片數」等更能代表未來趨勢的指標。
- 需要重新評估北極星指標是否需要調整。

數據顯示，首頁的整體點擊率(CTR)顯著下降，尤其針對超過20分鐘的長影片，CTR下降了30%。

精準假設：用戶的觀看偏好正在快速轉變，對超長影片的耐心正在降低，而我們的推薦演算法未能及時適應。
- 首頁推薦了過多用戶當下沒有意願點擊的長影片，導致用戶選擇快速滑過或離開，從而造成觀看時長和 CTR 雙雙下跌。
- (Genimi 建議，可以多羅列下一步可以採取的行動)下一步行動可以更具體：建議團隊啟動一個A/B測試，實驗組的演算法會降低20分鐘以上長影音的推薦權重，並提升5-15分鐘中長度影片的權重，觀察CTR和總時長是否回升。

這次的練習，對我來說在拆解問題的思維上，還是學習到很多，一開始我一昧套用框架，但後來發現自己在思考脈絡上還是過於混雜，因此過程中我先停下，和 GPT 討論，針對 Youtube 這類的產品，我可以怎麼拆解、分析問題？

因此從對答中，我領悟到在分析的過程中，可以嘗試基於產品的本質、特性，自建一個更具體且可以套用到不同特性產品的分析模型，並嘗試加入關於「策略權衡」的深度假設、分析。

最後，從中我學到最重要的三件事是：

透過不斷地練習和反思，我感覺自己正逐漸建立起一套屬於自己的分析脈絡～

這是我第 40 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💪