看報表 ≠ 做分析

週一早上，行銷總監把 GA4 週報投在會議室螢幕上，指著一行數字問：「這週 ROAS 從 4.2 掉到 3.5，代表什麼？」三個人輪流回答。第一個人說：「掉了 17%，先記起來。」第二個人說：「應該是素材疲乏，最近 Meta 頻次拉高了。」第三個人說：「先別急，得看這週是不是剛好碰到母親節檔期尾聲、新客佔比有沒有拉高、還有是不是高客單商品缺貨，才知道這個 3.5 是警訊還是正常波動。」

如果你在公司裡待過幾次這種會議，你會知道一件事：很多人以為自己在做分析，其實只是把數字念出來；有些人再多走一步，開始猜原因；真正少的是能把數字放回業務情境，最後講出「所以我們該怎麼判斷、下一步該做什麼」的人。這一課要先把這條線切清楚，不然你學再多工具，也只是更快地把報表做漂亮。

報表只是觀測紀錄，不是答案

報表的功能，是把已經發生的事情整理成你看得懂的形式。它很重要，但它本身不是結論。GA4 顯示流量下降，不等於「品牌聲量變差」；Meta Ads 顯示 CPA 變高，不等於「投放策略失敗」；商城後台顯示客單價下降，也不等於「客戶變窮了」。報表告訴你「現象」，分析要處理的是「意義」。

很多團隊會卡在這裡，因為把看板、儀表板、匯出的 CSV 當成答案本身。你拿到的是溫度計，不是病因。溫度 39 度很重要，但醫生不會只回你一句「有發燒」。分析的工作，就是把數字從觀測值，轉成可以驗證的解釋，再轉成可行動的判斷。

電商情境很常見。假設一個保養品牌這週營收持平，但 ROAS 下滑。只看報表，你會以為廣告效率變差；再往下追，你可能會發現其實是這週品牌加大導購直播預算，帶進大量新客，營收沒有立刻回來，但新客名單和加購品項明顯上升。這時候，ROAS 不是唯一答案，它只是提醒你該往哪裡看。

操作員、分析師、決策者：三種完全不同的工作

資料素養不是只有「會不會看報表」，而是一條光譜。最左邊是操作員，任務是把數字整理出來、格式正確、口徑一致。往右一點是分析師，會開始問原因、拆變數、找對照。再往右是決策者，會把分析結果翻譯成選擇題：要不要調預算、要不要改促案、要不要延長觀察期。

這三種角色都重要，但不能混在一起。操作員的價值，是讓會議裡沒有人為了「到底是本週還是上週數字」吵半小時。分析師的價值，是把表面波動拆成可能原因，避免大家靠直覺亂開藥。決策者的價值，是在不確定裡也能下足夠好的判斷，並接受「有些答案只能先做再驗證」。真正麻煩的是，一家公司常常只配了第一種角色，卻期待他交出第三種結果。

看同一個數字，你可以立刻感受到差別：

同樣的差異也會發生在通路比較。操作員會說「LINE 導購營收比上週多 18%」；分析師會追「是群發頻次拉高，還是導購員手動分眾做得更準」；決策者會問「這種成長可不可以複製到母檔商品，還是只是一次性的折扣效應」。如果你想成為公司裡更稀缺的人，你要刻意把自己往右邊推。

看到數字、理解數字、翻譯成決策，是三個層次

第一層是看到數字。這是最基本的資料閱讀能力，包含口徑、時間範圍、維度切分、指標定義。很多誤判其實連這一層都沒過，例如把週比當月比、把訂單數當成交人數、把曝光成長當成有效流量成長。這些錯誤看起來低級，但在跨部門溝通裡非常常見。

第二層是理解數字。你開始知道一個指標背後可能被哪些因素推動，知道同一個變化可以有多種解釋，也知道哪些解釋可以驗證、哪些只是直覺。這個層次的關鍵不是聰明，而是你願不願意先承認「我現在還不知道」，再把問題拆開。

第三層是翻譯成決策。這不是把洞見寫得很漂亮，而是把老闆最終要面對的選擇說清楚。比如「這次 App 首購券把註冊率拉高，但 CAC 也一起墊高；如果我們目標是擴新客可以接受，但若本季重點是毛利，這種做法不該擴量。」這句話的價值，不在於你多會講，而在於它真的幫決策縮小範圍。

電商裡最容易練習這三層的地方，是看促銷活動。雙週快閃後，操作員會整理 PV、ATC、CVR、AOV；分析師會追是首頁流量品質變差、商品頁說明不足，還是結帳流程有阻力；決策者最後要說的是「下次要不要再做這個活動，做的話改哪三件事」。你如果只做到第一層，公司感受到的是你很勤勞；做到第三層，公司才會覺得你能扛事。

分析的第一步不是開工具，是把數字放回業務脈絡

很多人拿到異常數字，第一反應是打開更多報表。這不能說錯，但順序常常反了。你真正要先問的是：這個數字發生在哪個業務脈絡裡？最近有沒有檔期？品類結構有沒有改？通路策略有沒有換？商品有沒有缺貨？新客和回購客比例有沒有變？如果這些背景沒先釘住，你開再多視窗也只是增加資訊噪音。

例如一個女裝品牌發現退貨率升高。你如果立刻鑽進尺寸分佈和物流資料，很可能會花很多時間卻離答案很遠。先回到業務脈絡，可能五分鐘就找到線索：上週剛換了拍攝風格，模特兒視覺更瘦、顏色調性更冷，導致實物落差感變強；同時新品大量靠 Reels 廣告導流，新客對版型不熟，更容易衝動下單後退貨。這時候，分析不是把 20 個欄位都看完，而是先把最可能改變上下文的因子抓出來。

再看一個常見例子。GA4 顯示自然流量持平，但結帳率下降。脈絡一補上去，你可能立刻想到：是不是站上首頁改版，把免運門檻藏起來了？是不是活動頁導到不適合手機瀏覽的商品集合頁？是不是客服公告了到貨延遲，讓高意圖客戶先觀望？同樣一個數字，放回業務現場，問題就不再抽象。

這也是為什麼成熟團隊在看週報時，會習慣先補一句「這週發生了什麼事」。像是直播檔、門市會員日、平台上首頁、聯名開賣、缺貨、價格調整，這些都不是附註，而是分析本體的一部分。數字從來不是脫離現場自己成立的東西，它永遠黏著你當週做過的每一個業務決定。

好分析不是猜對原因，而是把判斷推進到可決策

很多人誤會分析能力是「一次猜中」。其實不是。好的分析不要求你第一句就命中真相，而是要求你把會議從空泛評論，推到一個可以被驗證、可以被決策的位置。你不需要神通廣大，你需要的是一套能減少亂猜的工作方法。

你可以把它想成四步：

分析最怕的不是不知道，而是太快把不知道包裝成答案。當有人說「最近消費者就是比較保守」時，你應該立刻警覺，因為這句話通常沒有辦法幫團隊做下一步。反過來，當有人說「目前看起來新客佔比拉高帶動客單下降，但毛利沒有同步惡化，所以先不砍預算，改把低價引流品的加價購設計補強」，這才是公司想買單的思考。

AI 協作：學了這個，跟 AI 怎麼配合？

這一課的重點，是讓 AI 幫你擴大可能解釋，但不要把業務脈絡判斷外包給它。

你的人類優勢：

• 你知道公司最近做了哪些檔期、促案、通路調整，AI 不在現場
• 你知道哪個指標變動在你們公司真的重要，哪個只是短期噪音

可以這樣跟 AI 說：

我是電商行銷 PM。現在看到「ROAS 從 4.2 掉到 3.5」，請你先不要直接下結論，而是列出 8 個可能解釋，並把它們分成「可立即驗證」「需要補資料」「純猜測」三類。背景是：這週剛切母親節檔期尾聲、新客佔比可能變高、高客單保養組有缺貨紀錄。最後提醒我有哪些業務脈絡如果沒確認，很容易誤判。

練習題

本課重點回顧

• 報表是現象，不是答案
• 三層能力差在判斷深度
• 先補脈絡，再追數字
• 好分析要推進到決策
• 別把猜測包裝成結論