很多創業者第一次開始做數據，會很自然地想：「既然都要追蹤，那就全部都看。」
網站流量、社群粉絲、Email 名單、下載數、成交數、營收、退款、開信率、點擊率、廣告曝光、每篇文章瀏覽……最後儀表板上有幾十個數字，看起來很完整，卻還是不知道今天最該改善哪一件事。
《Lean Analytics》最重要的提醒，就是數據的用途是幫助你做決定，不是拿來證明自己很忙。
如果一個指標不會改變你的下一步，那它再漂亮，也只是報表。
好指標和虛榮指標，差別在於會不會改變行動
Vanity Metrics（虛榮指標）最常見的特徵，是「只會愈來愈大」。
例如：
- 累積註冊人數。
- 累積網站瀏覽量。
- 累積下載次數。
- 社群總粉絲數。
這些數字可以用來描述規模，但很難直接告訴你「產品是不是變好了」。
假設網站累積流量從 10 萬變成 20 萬，表面上很好看；但如果同一期間轉換率從 3% 掉到 1%，更需要處理的問題其實是轉換效率正在惡化。
好指標通常比較像：
- 訪客 → 名單的轉換率。
- 名單 → 報名的轉換率。
- 付款後 30 天仍持續使用的比例。
- 不同月份加入的使用者留存率。
- 不同來源帶來的成交率。
因為這些數字一旦變化，就會影響你下一步的決策。
一個好指標，至少要通過四個檢查
1. 可以比較
單一數字意義有限。「這個月有 500 個名單」不如「這個月比上個月多 20%，但成交率下降」有用。
2. 容易理解
如果團隊每次開會都要先花十分鐘解釋公式，這個指標就很難成為團隊的共同語言。
3. 最好是比率，而不是總數
比率能比較效率，總數常常只是規模累積。例如「完成報名的人數」很重要，但「看到報名頁的人，有多少完成報名」更容易找問題。
4. 會改變行動
這是最重要的一點。如果數字變好或變差，你都不會改任何做法，那它就不是現在值得放在最前面的數字。
當下最重要指標（One Metric That Matters）：現在最重要，不代表永遠最重要
One Metric That Matters（當下最重要指標，OMTM）是《Lean Analytics》最核心的觀念之一。
它不是叫公司永遠只看一個數字。
比較準確的理解是：在這個階段，哪一個數字最能告訴你「目前最危險的假設有沒有成立」？
例如：
- 產品剛開始，最重要的可能是「有沒有足夠多人真的有這個痛點」。
- 已經有人使用後，可能變成「留下來持續使用的人有多少」。
- 開始做成長後，可能變成「每個客戶取得成本能不能被營收回收」。
所以 OMTM 會輪替。
如果你從第一天到第五年都看同一個 North Star Metric（北極星指標），很可能已經失去「目前階段」這一層判斷。
當下最重要指標（OMTM）的價值，是逼團隊先對焦「現在最危險的是什麼」
如果團隊無法決定 OMTM，通常代表團隊真正沒有共識的是：「我們現在最怕哪一件事不成立？」而不只是數字本身。
例如：
- 怕市場根本沒有需求。
- 怕有人來，但沒人留下。
- 怕有人用，但沒人願意付錢。
- 怕有營收，但每做一單都不賺錢。
這個爭論本身很重要。
因為一旦風險優先順序沒共識，所有部門都會挑自己最熟悉的 KPI，看起來大家都在努力，方向卻不一定一致。
當下最重要指標（OMTM）要搭配反制指標（Counter-Metric）
任何單一指標都有被「玩壞」的可能。
例如如果只要求「新註冊數」，團隊可能把表單縮到只剩一個欄位，註冊暴增，但後面完全不使用。
這時就要搭配 Counter-Metric（反制指標）。
例如：
- 註冊成長 × 30 天留存。
- 成交速度 × 退款率。
- 廣告名單成本 × 最終成交率。
- 課程報名數 × 完課率。
主指標負責聚焦，反制指標負責防止「為了達成數字，把系統弄壞」。
明確門檻（Line in the Sand）：沒有目標的指標，只是觀察
《Lean Analytics》另一個很重要的觀念，是先畫出 Line in the Sand（明確門檻）。
一個可執行的目標，至少要包含：
- 一個數字。
- 一個日期。
- 如果沒達到，要做什麼。
例如：「如果 8 週後，新加入使用者的第 4 週留存還沒有改善到我們預先設定的範圍，就停止擴大投放，把資源改回 Onboarding。」
這比「我們先看看數據再決定」有價值得多。
因為如果沒有先決定門檻，人很容易在結果出來後合理化失敗。
創業公司有五個階段，每個階段該看的數字不同
1. 同理階段（Empathy）
先確認問題值不值得解。這個階段不一定需要大量數字，訪談紀錄、重複出現的痛點與願意投入的證據，反而更重要。
2. 黏著階段（Stickiness）
確認使用者用了之後會不會留下來。這時如果留存還很差，就急著買流量，很像往漏水的桶子一直加水。
3. 病毒成長階段（Virality）
產品本身能不能帶來新使用者。重點不只看「有沒有人分享」，還要看邀請循環速度與實際轉換。
4. 營收階段（Revenue）
開始確認一個客戶帶來的價值，是否足以支持取得與服務成本。
5. 規模化階段（Scale）
前面的模型已經可行後，才擴大通路、市場、合作夥伴與組織。
最大的錯誤之一，就是在還沒通過目前階段之前，先優化下一階段。
先確認 Stickiness，再談 Growth
很多創業者一看到流量不夠，就立刻想買廣告、做 SEO、找合作、經營社群。
但如果已經進來的人都沒有留下，再大的流量只會放大問題。
這和Lean Startup：MVP 不是做一個很陽春的產品，而是最快驗證最危險的假設的精神一致：先找最危險的假設，再用最短路徑驗證。
不是每個階段都該追求成長。
不同商業模式，不能直接抄別人的 KPI
《Lean Analytics》特別強調：Business Model（商業模式）不同，Metrics Tree（指標樹）就不同。
例如：
- SaaS 會關心 MRR、Churn、LTV、CAC、Expansion。
- 電商會關心 Conversion Rate、Average Order Value、Repurchase。
- 媒體會看 Audience、Engaged Time、CTR。
- Marketplace（雙邊市場）會看 Liquidity、Fill Rate、Take Rate。
所以「別人都看這個」不是採用 KPI 的理由。
如果你的收入模式、使用頻率、交易方式都不同，照抄同一個 North Star，很容易測錯問題。
高價課程與顧問型事業，最容易追錯的是「名單數」
知識型事業特別容易把名單數當成主要成長指標。
但 1,000 個低意願名單，不一定比 100 個高適配名單更有價值。
更值得拆開看的可能是：
- 名單來源。
- 完成評估比例。
- 直播出席率。
- 方案頁點擊率。
- 付款完成率。
- 退款率。
- 後續續約或升級。
如果你已經開始做名單分眾，可以搭配Scorecard Marketing：為什麼互動測驗比免費 PDF 更容易產生高品質名單一起看。它處理的正是「名單不只要多，還要知道這個人現在在哪一個階段」。
指標定義（Metric Definition）：同一個名字，公式不一樣，整份報表就失真
很多數據問題其實出在同一個名詞有不同定義，而不只是資料量不夠。
例如「轉換率」可能有人用「成交數 ÷ 網站訪客」，有人用「成交數 ÷ 名單」，也有人用「付款成功數 ÷ 結帳頁訪客」。
如果團隊沒有先定義公式，大家可以同時都算對，最後卻在討論完全不同的數字。
每個重要指標至少要寫清楚：
- 名稱。
- 公式。
- 時間範圍。
- 資料來源。
- 更新頻率。
- 誰負責維護。
指標定義愈清楚，跨部門討論才不會一直卡在「你那個數字怎麼和我的不一樣」。
領先與落後指標（Leading／Lagging）：不要等結果發生後才知道出問題
Lagging Metric（落後指標）是已經發生的結果，例如營收、退款、流失。
Leading Metric（領先指標）則是比較早出現、可能預示未來結果的訊號，例如：
- 第一次登入是否完成核心動作。
- 直播前是否有加入行事曆。
- 新學員第一週是否開始上課。
- 客服抱怨是否突然上升。
落後指標告訴你最後發生什麼，領先指標則可能讓你提早干預。
但領先指標只是預測線索，不代表一定有因果關係，所以仍需要後續驗證。
質性＋量化（Qualitative + Quantitative）：數字告訴你「多少」，訪談告訴你「為什麼」
Lean Analytics 並不是「只相信數字」。
量化資料適合回答：
- 有多少人完成？
- 哪個 Cohort 留存比較高？
- 哪個來源成交最好？
質性資料則更適合回答：
- 為什麼有人卡在這一步？
- 為什麼某群人最後沒買？
- 他們原本以為產品會怎麼運作？
如果只看數字，你可能知道「這裡掉很多人」，卻不知道原因；如果只做訪談，又很難知道這個問題到底多普遍。
兩者放在一起，分析才會更接近實際商業判斷。
同期群（Cohort）：不要把不同月份加入的人全部平均在一起
Cohort Analysis（同期群分析）是 Lean Analytics 很重要的一個工具。
假設整體留存率是 20%，單看平均值，你不知道產品到底有沒有改善。
更好的做法，是分成 1 月加入、2 月加入、3 月加入的人，再比較每一批使用者在第 1 週、第 4 週、第 8 週的表現。
如果 3 月的新 Cohort 比 1 月明顯更好，你才能比較有把握地說產品改善有效。
分群（Segment）：總平均很容易把真相藏起來
除了同期群，還要看 Segment（分群）。
例如整體成交率沒有變，但拆開後可能發現：
- SEO 流量成交率上升。
- 社群流量成交率下降。
- 直播名單品質最高。
- 某個價格方案退款率特別高。
如果只看平均值，這些訊號會互相抵銷。
所以好的分析不只是「看總數」，而是問：哪一群人真的變好了？哪一群人正在變差？
平均值也會騙人，要看中位數和分布
如果少數超級活躍使用者把平均值拉高，你可能誤以為所有人都很活躍。
這時中位數、百分位數與分布會比單純平均值更有用。
例如平均每位客戶每月購買 4 次，看起來很好；但如果大多數人只買 1 次，少數重度使用者買 30 次，背後的商業風險就完全不同。
相關不等於因果（Correlation ≠ Causation）
兩個數字一起上升，不代表其中一個造成另一個。
例如「完成 onboarding 的人留存比較高」，可能是 onboarding 本身有效，也可能只是本來就更投入的人更願意完成。
所以相關性可以幫你找出值得測試的線索，但如果要做重大投資，最好再透過實驗驗證因果。
不要因為容易量，就把它當成重要
很多團隊追蹤 Pageview、Like、Open Rate，不一定是因為它們最重要，而是因為工具剛好很容易顯示。
這會讓公司慢慢變成「工具有什麼就看什麼」。
Lean Analytics 反過來要求你先問：
目前最危險的假設是什麼？要知道它有沒有改善，我需要哪個數字？
再回頭決定要不要埋事件、做報表或加追蹤。
一張表判斷你的指標是不是值得放進主儀表板
| 檢查問題 | 好的訊號 |
|---|---|
| 這個數字會改變下一步嗎？ | 會觸發明確行動 |
| 它是比率、趨勢或 Cohort 嗎？ | 不是單純累積總數 |
| 大家知道怎麼算嗎？ | 定義一致 |
| 有沒有明確目標？ | 有數字、有日期 |
| 有沒有 Counter-Metric？ | 不容易被單點最佳化 |
| 和目前階段有關嗎？ | 正在驗證當下最大風險 |
常見問題
當下最重要指標（OMTM）和北極星指標（North Star Metric）是同一件事嗎？
不完全一樣。OMTM 強調「這個階段現在最重要的指標」，會隨風險與階段輪替；North Star Metric 通常更偏長期價值與產品方向。
是不是只看一個指標就好？
不是。資料可以收很多，但公司當下的注意力應聚焦一個 OMTM，再搭配少量 Supporting Metrics 與 Counter-Metric。
虛榮指標是不是完全沒用？
不一定。總流量、總會員、總營收可以描述規模，但如果要做決策，通常還需要搭配轉換率、留存、同期群與分群。
沒有業界 Benchmark 怎麼辦？
先用自己的 Baseline（基準）開始。比起硬套別人的平均值，更重要的是知道自己目前是多少、改善速度如何，以及什麼數字會改變決策。
創業初期沒有很多數據，還能用 Lean Analytics 嗎？
可以。同理階段本來就會大量依賴訪談與質性資料。Lean Analytics 並不是要求所有決策都只能靠大量數字。
多久要換一次 OMTM？
沒有固定週期。當你通過某個階段、最危險的假設改變，或商業模式發生調整時，就應重新選擇。
精實分析（Lean Analytics）的重點，是讓數據幫你做出下一個決定
追蹤很多數字很容易，知道哪個數字值得現在全公司一起盯，才是更難的地方。
先辨認商業模式，再確認目前階段，找出最危險的假設，選出 OMTM，搭配反制指標與明確門檻；接著再用 Cohort、Segment、質性資料與實驗去判斷變化是真的改善，還是平均值與相關性帶來的錯覺。
好的 Analytics 不會讓儀表板變得更滿，而是讓下一步變得更清楚。
參考資料
Alistair Croll、Benjamin Yoskovitz：Lean Analytics: Use Data to Build a Better Startup Faster。