數據分析範例：三種情境套用指南

數據分析範例要套用到自家資料，做法是把範例拆成問題、資料、分析方式與結論四層，逐層換成自家欄位；直接照抄數字或指標名稱，最後只會得到兩組不可比的數字疊在同一張表。以下三個情境的框架與數字，分別出自 2023 年 8 月發表、2025 年 9 月更新的電商數據分析文章，以及 2020 年 5 月的資料分析流程文章，其中雀巢的註冊轉換率由該電商文章轉引自 Think with Google 個案。

三個情境的起點不同：網站轉換下降是從既有報表回頭查，新功能成效要先補事件資料，行銷活動比較則以搜尋路徑分組。共同點是結論都先寫清楚觀察期間、來源與分母，再看這樣的資料能支持到哪一句話。

情境一：網站轉換下降的診斷範例

轉換率下降這個說法，只有在期間、流量來源與轉換事件都固定時才有意義。同一段期間以工作階段當分母，與以使用者當分母，算出來是兩個數字；把加入購物車算成轉換，與把完成結帳算成轉換，下降幅度也不一樣。先固定這三件事，結論才可能只停在「變化集中在哪個分段」這一層。

月中打開報表，轉換率比上個月低了一截，直覺會先回想上週動過哪個頁面。這個順序容易把結論帶往好解釋的方向，因為同期的流量結構可能已經先變，例如某個高轉換來源縮量，整體比率就被拉低，頁面本身並沒有動。

口徑先固定：期間、來源與轉換事件

可用的資料包括前後兩個完整週期的工作階段數、來源與媒介、裝置別、落地頁，以及轉換事件的完成次數，分母的定義要寫在圖表旁邊。分析時先看流量結構有沒有位移，再逐段比較轉換率，最後才輪到頁面層級。

結論寫到分段，原因留給下一步

這個情境能下的結論長這樣：「轉換率下降集中在行動版自然搜尋進站的商品頁，其他來源沒有同步變化。」句子只指認變化集中的分段。要寫成「新版頁面造成下降」，得另外設計對照，例如讓部分流量維持舊版再比。

描述性分析回答發生什麼，診斷性分析處理為什麼，兩者是先後關係。awoo 的文章把分析類型依序分為描述、診斷、預測與指示四種。診斷階段把分段再拆一層：同一來源下的載入時間、加入購物車率與結帳完成率分開看，哪一環掉得最多會自己浮出來。

情境二：新功能成效評估的拆解範例

先把問題寫成「功能是否改善留存或轉換」，再取功能曝光、使用與對應結果的資料；使用次數增加只支持採用程度，要判定功能造成差異，仍需可支持因果判斷的統計設計。

數據分析那些事在 2020 年 5 月的文章用過一個假想情境：業務方新上線功能，要求分析目前的使用情況。若把「分析功能使用情況」直接當成目標，產出的是一串 UV 的最大值、最小值、中位數、平均數與標準差，報表完整，卻沒回答功能幫上了什麼忙。

拆解的動作是把目的問清楚：功能是為了提升留存率、轉換率，還是別的目的。目的決定指標，指標決定要取哪些欄位。曝光數算的是看到入口的人，使用數算的是點擊並完成設定的人，結果欄位則是七日內再回來或下一次完成購買。

使用次數回答的是採用程度

分析順序先算採用率，也就是使用人數除以曝光人數，再看使用組與未使用組在結果欄位上的差別。這裡有個容易漏掉的地方：兩組人在功能上線前是否本來就不同。重度使用者通常最先嘗試新功能，沒把上線前的表現一起調出來，事後差異很容易被讀成功能效果。

因果判斷需要另一種設計

要說功能造成差異，需要對照組、前後期比較或 AB test 這類設計，數據分析那些事的建模分析清單把 AB test 模型列在其中。沒有這層設計時，句子寫成「上線四週後，曝光到使用的比率為多少，使用組的七日留存高於未使用組」，陳述了採用程度與組間差異，沒有替功能記功。

情境三：行銷活動效果比較的問題拆解與資料選取

把搜尋路徑當分組條件、註冊事件當結果，就能比較同一活動下不同路徑的效果。awoo 轉引 Think with Google 的雀巢個案中，先搜尋「媽媽孕哺」並點擊「雀巢媽媽膠囊」者的註冊轉換率為 2%，這組人再加入搜尋「懷孕吃什麼」之後，註冊轉換率提升至 3%。

兩組的結果事件同為註冊，差別只在路徑多了一段搜尋，於是 2% 與 3% 可以讀成「多一段搜尋的組別，註冊轉換率較高」。它支援的是該個案路徑下的描述，不支持「加入某個關鍵字會讓任何活動的轉換率增加一個百分點」，也不能外推到其他品牌或品類。

套用前要補的三個欄位

自家資料要做同樣的比較，得先補觀察期間、分母與歸因窗口。分母是點擊該廣告的人，還是進入註冊頁的人，會讓同一批註冊數算出不同比率；歸因窗口決定多長時間內的註冊算給這條路徑。三項寫在圖表旁邊，兩組數字才有共同基礎。

接著是資料選取：關鍵字或廣告管道、點擊時間、著陸頁、註冊完成時間，以及兩次接觸是否為同一人。同一個人可能走過多條路徑，重複計算會讓分母虛胖。這類比較最後給出的是一組路徑的相對表現，用來決定預算往哪裡挪。

流程口徑：數據分析範例如何從問題走到結論

三個情境可以共用一套四段框架：目標定義、採集整理、挖掘問題、展示說明，這是 awoo 文章引用的 GAPE 流程。每段都要留下期間、來源、欄位口徑與可支持的結論範圍，段落之間才接得起來。

另一套寫法是數據分析那些事的五個關鍵詞：問題、獲取、資料、分析手段、業務價值，作者在 2020 年 5 月的文章裡說明這是自己的定義。兩套對照起來並不衝突：目標定義對應問題，採集整理涵蓋獲取與資料，挖掘問題對應分析手段，展示說明接近業務價值的交付。

四個階段各自要留下什麼

目標定義階段，領域知識專家與資料專家要同時在場，一起決定採集目的與每份資料的角色，避免蒐集過多或漏蒐。採集整理階段講一致性、邏輯性與整齊性，資料不能有缺失、遺漏或顛倒。挖掘問題階段採階層式思考，從目標、策略、方法分層往下找關鍵因素。展示說明階段用視覺化讓管理層看見變化。

五關鍵詞的版本把資料處理與業務價值放得更前面。取數之前先確認來源一致，不同儲存系統的欄位名稱、型別與清洗規則都要先問清楚，否則同一份報表會出現兩套數字。業務價值那一段，作者把價值拆成拉長獲利時間與提高單位時間獲利量兩件事。

指標口徑：不同情境可以判斷什麼、不能推論什麼

awoo 的電商文章列出五個常見指標：進站流量、轉換率、客單價、顧客評價與回購率。每個指標的意義都由分母與期間決定：進站流量不分來源與裝置，看不出哪個管道在動；轉換率沒寫事件定義，兩個月分的數字可能根本不是同一件事。下表把五個指標的口徑與推論邊界並列。

指標	口徑	可以判斷什麼	不能推論什麼
進站流量	期間內的工作階段數，按來源與裝置分開統計	哪個管道帶來的人變多或變少	流量增加不等於生意變好
轉換率	完成指定事件的人數除以同期間進站人數，事件與分母先寫定	同一口徑下哪個分段轉換較低	轉換率變動不等於頁面改版造成
客單價	期間總營收除以完成交易的訂單數	每次購買的平均金額與商品組合變化	客單價提高不等於利潤提高
顧客評價	評價分數、客訴率與退貨率的期間統計	商品或服務在哪個環節被反映問題	分數高不等於回購率高
回購率	期間內再次購買的會員數除以可觀察的會員數	會員的消費節奏與分群差異	回購率上升不等於活動有效

表格每一列只支撐一層描述。描述性分析回答發生什麼，診斷性分析處理為什麼，預測性分析看趨勢，指示性分析才給行動建議，同一個指標放在不同層級，能說的話並不一樣。平均數單獨看也容易失真，中位數、眾數、標準差與百分位數一起看，才知道分布是集中，還是被少數極端值拉著走。

期間長度也要一致。三十天的轉換率與七天的轉換率放在同一張圖，看到的是季節差異被誤認成改善。口徑的價值就在這裡：它讓兩個數字有資格被放在一起。

工具選擇：不同資料規模適合哪種分析方法

Excel 處理基礎整理與圖表，Google Analytics 聚焦網站流量與行為，Python 支援清洗、文本挖掘與建模，Tableau 負責資料視覺化；這四類是 awoo 文章舉出的常見工具，選型仍以資料型態、規模與任務為準，沒有哪一項排在前面。

Excel 的樞紐分析與基本圖表，awoo 的文章說能幫中小企業快速整理與分析資料；資料量大時，同一篇文章的問答把資料管線寫成擷取、轉換、載入（儲存至資料倉庫，例如 BigQuery）、分析與視覺化五步，工具只是各步驟的執行者。

Excel 的內建分析其實比多數人以為的完整，描述統計、相關係數、機率分布、回歸與時間序列都能做，mepopedia 論壇一篇技能整理也把這些列在 Excel 段落。

選型時看三件事：資料放在哪裡、要回答的問題需要哪種計算、結果要交給誰看。資料在資料庫就別先匯出再整理，結果要給管理層看就直接產儀表板。資料量小的時候，把時間花在口徑定義上，比花在換工具上更容易看到差別。

報告輸出：如何把分析結論寫成可採用的行動

報告可依資料背景、發現亮點、檢討分析、提出方案、效益預估與結論的順序排列，這是一位在大型電商營運分析部工作的作者整理出的模式；他另提到自己習慣每頁最多放兩個圖表，後者是版面習慣，不是通用規範。

資料背景要從大寫到小：先給整體的年齡與性別分布，再分層看主題在不同族群的表現，看報告的人才跟得上後面的落差。亮點先找出來，再排呈現邏輯，頁數自然收得住。

同一份分析，兩種聽眾

聽眾決定版本。面對 PM，需要的是不修飾的協作資訊，說明各種情況下怎麼配合；面對 CEO，需要的是具體建議，投影片可以稍加修飾。同一份分析可以共用數字，把摘要、術語與建議分層安排，兩邊看到的數字仍然一致。

報告要有建議與效益預估，包含成本費用與帶來的業績，那是決策者真正要拿去用的部分。沒有明確結論的分析，等於把工作停在資料階段。

三個情境的順序可以照抄，數字不行。自家的觀察期間、來源與事件定義先定下來，把三個情境依序套進自家報表，會比先換一套工具更快看出差別。

下一次複查，看的是同一張表的分母與觀察期間是否仍一致，間隔抓一個完整活動週期；口徑一改，前後兩次的數字就得分開陳述。

FAQ

數據分析範例至少要有哪些部分？

至少要有問題、資料、分析方式與結論範例四部分。問題界定要判斷什麼，資料標出期間、來源與口徑，方法交代如何比較，結論則限定在現有資料能支持的範圍；缺少其中一項，範例就難以套用。四部分之外，再加一行「換成自家資料要改哪個欄位」，這一行往往比範例本身的數字更有用。

三種情境可以混合使用嗎？

可以，但各情境的問題與指標口徑要先分開。網站轉換、新功能成效與行銷活動比較若使用同一組資料，仍須各自保留資料期間、事件定義與分母，再依同一流程合併，不能把名稱相近的指標直接相加。合併後的報表建議把情境名稱放進欄位標題，避免同一欄被兩個定義共用。

不同期間的數據能直接比較嗎？

不應直接比較。先讓資料來源、事件定義與指標口徑一致，再比較期間差異；口徑不同的數字只能各自描述，不能直接算成成長、下降或因果關係。兩段期間長度不同時，先切成等長區段再比，例如都以四週為單位，避免把季節長度當成變化。

只有單一日期的資料能做哪些分析？

可以做該期間的描述分析，例如比較當日各來源的流量、轉換事件與客單價，但單一日期不足以判斷趨勢，也不能判定變化原因。若要靠單日資料做決定，先確認那天有沒有活動、停機或投放異常，這些條件會決定數字能不能當成基準。

分析工具是不是越多越好？

不是。工具應由任務反推，先確認資料型態、分析問題與規模，再選擇能做整理、查詢、統計、建模或視覺化的工具；現有工具已能完成同一任務時，增加工具只會增加操作負擔。多一套工具就多一組欄位對照，維護口徑的時間往往比預期長。

同一份分析結果，管理層與分析人員需要看同一種版本嗎？

不必完全相同。管理層需要結果與具體建議，技術聽眾需要較完整的方法與協作資訊；同一份分析可保留相同數字口徑，再把摘要、術語與建議安排在不同層次。兩份版本最好共用同一張關鍵數字表，避免摘要與附錄出現不同數值。