
離開公司、自己開了一間花店,還請了兩位店員。第一個沒人教的功課是:每天傍晚決定明天進多少花。進多了,花謝了只能丟;進少了,下午就沒得賣。筆記本記了一個月的預估和實際賣出,翻來翻去,還是說不出自己到底估得準不準。
另一個問題更大:想讓店穩定成長,該盯營收、來客數,還是回頭客?以前在公司,這些有主管決定;現在每個數字都得自己判斷,看起來都重要,結果每個都只顧到一點點。
這兩件事,一個在問這個數字可不可信,一個在問該盯哪個數字。下面拆成五個能力:前兩個用一個很小的預測例子,學會替預測打分數;後三個換成經營的數字,從確認數字有沒有收對、分清領先與落後,到選出全隊對準的方向。每一個都用到同一組裡前一個的觀念。學會之後,不管是自己開店,還是之後帶更大的團隊,你都能用數字說清楚自己的判斷。

只想把數字用在經營決策、不碰預測模型的人,可以直接從第三步開始;後三步用不到前兩步的算式。
第一步:從「大概準吧」,到說得出平均差多少、有沒有大錯
判斷預測準不準,要先把「差多少」變成一個數字。以連續三天的氣溫預測為例:實際 24、26、30 度,預測 23、27、28 度,三天各差 1、1、2 度。這一步要建立三個判斷:
- MAE 回答「平均差多遠」:把每次的誤差取絕對值再平均,(1+1+2)÷ 3 ≈ 1.33 度。單位和原本的資料一樣,可以直接說「平均每次差 1.33 度」。
- MSE 特別在意大錯:先把誤差平方再平均,同一組例子是(1+1+4)÷ 3 = 2。如果第三天改成差 8 度,MSE 會變成原本的 11 倍,MAE 只變成約 2.5 倍。
- RMSE 把單位換回來:MSE 的單位是「度的平方」,開根號後的 RMSE 是 √2 ≈ 1.41 度。RMSE 永遠不會小於 MAE,兩者差得越多,代表資料裡藏著幾次大錯。
先讀〈什麼是平均絕對誤差 MAE?〉,它用三天氣溫手算一次,也說明什麼時候適合用 MAE;再讀〈MSE 是什麼?〉,它沿用同一組例子,讓你看清楚兩者的差別。
放到工作上,你可以:下次交預測時,同時附上 MAE 和 RMSE:兩者接近,代表誤差大小平均;RMSE 明顯比較大,就主動說明哪幾次錯得多、可能是什麼原因。
學完要能回答:在我的工作裡,偶爾錯一次很多,比常常錯一點點更嚴重嗎?
第二步:從只會算一個指標,到替不同的人挑對成績單
會算 MAE 和 MSE 之後,下一個問題是:報告時該拿哪一個給人看?同一組例子再多算兩個指標,就能看出每個指標各自回答不同的問題:
- 訓練用的和報告用的可以不同:損失函數是模型訓練時一直往下壓的目標,評價指標是訓練完拿來向人說明的成績單。模型可以用 MSE 訓練,報告時改用比較好懂的 MAE 或 MAPE。
- MAPE 回答「差了百分之幾」:把每次的誤差除以實際值再平均,這組例子約 4.9%,可以拿來比較不同單位的預測;但實際值接近 0 時會失真,某天銷量是 0 件就不能用。
- R² 回答「比每天都猜平均好多少」:這組例子約 0.68,代表比每天都猜三天的平均溫度少錯了大約 68%;但只要第三天錯 8 度,R² 就掉到 −2.54,比亂猜平均還差。所以報告最好同時看兩個以上的指標。
讀〈預測誤差怎麼評估?〉,它用同一組三天氣溫把五個指標一次算完,最後整理什麼情況該看哪一個。
放到工作上,你可以:跟店員或合夥人說明時用「平均每次差多少」(MAE),要比較不同花材、不同分店時改用百分比(MAPE),同一份紀錄至少放兩個指標,避免一個數字把人帶偏。
學完要能回答:我的預測要報告給誰看?他最在乎平均差多遠、有沒有大錯、差了幾成,還是比亂猜好多少?
第三步:從報表一大堆,到確定每個數字是怎麼收進來的
前兩步的例子,實際氣溫都是現成而且正確的。真實工作裡,數字常常一開始就收錯了,而且收錯的數字看起來很正常。從這一步開始換成經營的數字,前面練的習慣照樣適用:先想清楚要回答什麼問題,再決定收什麼。
- 先想好要做什麼決定:看到數字變高或變低時,團隊會做什麼不一樣的事?正式收集前先用假資料畫出想看的圖表,畫不出行動的就先刪;新客、活躍客這類分群,也要一開始就規劃好記錄的欄位。
- 記錄的時間點不同,數字就不同:同一個「註冊完成」,在按下按鈕時記和資料寫入成功時記,算出來的人數不一樣。訂單數、營收這類重要數字,第三方分析工具和自己的資料庫最好都留一份,定期對帳。
- 定義寫在指標旁邊:行銷說的「活躍用戶」是 7 天內登入過,產品說的是 30 天內有下單,兩邊開會吵半天,才發現講的不是同一件事。
讀〈從零開始收集數據〉,它把最常踩的 10 個地雷依收集前、收集時、使用時、團隊習慣排好,每一個都附上避開的方法。
放到工作上,你可以:開一張新報表前,先寫一行「這個數字變高或變低,我們會做什麼」,並把指標的定義直接寫在報表上的數字旁邊。
學完要能回答:這個數字變高或變低時,我們會做什麼不一樣的事?它是在哪個時間點、被哪個系統記下來的?
第四步:從盯著營收乾著急,到找出會先動的領先指標
數字收對了,接下來要讀懂它。月底營收少了一成,有人說廣告變貴、有人說新品不夠吸引人;要分辨是哪一個,得靠第三步先規劃好的分群,和定義一致的數字:
- 落後指標只能看,領先指標才能改:營收、客單價是事情發生後才看得到的結果;會比結果更早變動的,才是領先指標。就像等體重計的數字變了才調整太慢,每天吃多少才是能先控制的那一個。
- 單看一個數字判斷不了好壞:要放在比較裡看:花了多少換回多少(例如廣告投資報酬率 ROAS,每花 1 元廣告費帶回多少營收)、和去年同期比、是沒人要還是沒貨賣。
- 依顧客狀態分開看:潛在客群、訪客、新客、活躍客、沉睡客要的東西不同,同一筆預算花在不同狀態的顧客身上,效果差很多。
讀〈數位行銷的數據管理〉,它用「新客轉換率下降」示範一輪六個步驟的檢討,也附上依顧客狀態分配預算的範例。
放到工作上,你可以:月底發現「營收少了一成」時,先拆成三個比較:花的錢換回多少、和去年同期比、是沒人要還是沒貨賣,再指出哪一個領先指標最早開始變。
學完要能回答:我現在盯的 KPI 是落後指標嗎?有哪兩三個領先指標會比它更早變動?
第五步:從每個數字都想顧,到全隊對準同一顆北極星
懂了領先與落後,才不會把營收當成全隊對準的方向。這一步把前面的判斷收成一個方向,再拆給每個人:
- 北極星指標反映用戶得到的價值:它和營收高度相關,可以當成營收的領先指標,但不是營收本身。例如線上課程平台看「每週完成至少一堂課的學員數」,比註冊人數更能看出學員有沒有在學。好的指標要能翻成今天的動作:「想減 10 公斤」是結果,「每天吃 1500 大卡」才是今天做得到的事。
- 用指標樹往下拆:假設月營收要從 60 萬元做到 90 萬元,每人每月付費 2,000 元不調漲,付費學員就要從 300 人變成 450 人;再往下拆,就會看到每週上課學員和每月試聽人數。越往末端的數字越早動,也越早看得到效果。
- 主要指標最多 2 個,避免用比率:比率的分母一變小,數字就會看起來變好,例如轉換率上升,可能只是進來的人變少了。一個團隊同時背好幾個主要指標、哪個都顧不好時,就該重新分工。
先讀〈北極星指標 NSM 是什麼?〉,它整理三類常見的北極星指標和選指標的四個測試;再讀〈數據指標怎麼落實到產品策略與組織〉,它用 OKR 定方向、用指標樹拆數字,說明主要指標和行動指標怎麼分。
放到工作上,你可以:用指標樹把年度目標拆到每週看得到的數字;交代店員或合作夥伴一件事時,說清楚它會推動樹上的哪一個數字。
學完要能回答:長期來看,我們最該對準的是哪一個用戶價值?往下拆之後,每個團隊各自顧哪一段?
一句話記住
預測看誤差,經營看領先指標,全隊對準一顆北極星;兩件事都從先想清楚要回答什麼問題開始。
指標不是越多越好,是要能回答你真正在問的問題。
之後怎麼繼續學
- 想弄懂資料表的列與行:讀〈矩陣是什麼?〉,它用飲料店的例子講列、行和矩陣乘法;模型裡的 MSE 等指標,也是在這樣的資料表上計算。
- 想把數字用在網站流量上:接著看站上的SEO 總整理,它從 Google 搜尋怎麼運作,一路講到流量下滑時怎麼用數據找出原因。
- 長期追蹤:指標的正式定義與算法以 scikit-learn 官方文件為準;北極星指標的完整方法,可以讀 Amplitude 公開的 The North Star Playbook。
參考資料
- scikit-learn 官方文件:Regression metrics
MAE、MSE、MAPE、R² 的定義與計算方式。
- Google Ads 說明:ROAS(廣告投資報酬率)
總轉換價值除以總花費(引用自〈數位行銷的數據管理〉)。
- Bernard Marr:What Is A Leading And A Lagging Indicator
領先指標與落後指標的差別(引用自〈數據指標怎麼落實到產品策略與組織〉)。
更多參考資料(2)
- Amplitude:The North Star Playbook
用一個關鍵指標串起產品策略與團隊的北極星框架(引用自〈從零開始收集數據〉〈數據指標怎麼落實到產品策略與組織〉)。
- Wikipedia:Objectives and key results
OKR 由 Andy Grove 在英特爾推行、John Doerr 帶進 Google 的經過(引用自〈數據指標怎麼落實到產品策略與組織〉)。
更新紀錄:2026 年 11 月新增,依站上已查核的數據指標文章,整理成五個由淺入深、可以帶進工作的能力。