為什麼大多數成功的公司，實際上只專注於「一個」指標來驅動決策？ 我們稱它為：「北極星指標（North Star Metric）」 今天來聊 Meta 的指標故事。 Meta（前 Facebook）的 CMO、兼任數據分析副總裁 Alex Schultz 曾多次分享， Meta 在早期做指標分析時，核心只專注在一個指標上： 👉 MAU（Monthly Active Users，月活躍用戶） 不是營收。 不是總註冊數。 而是 MAU。 他解釋，在 Meta 的策略會議中，有一個非常清楚的目標： 「用 Facebook 連結全世界的人。」 公司需要一個「可以量化成功與否」的指標， 而 MAU 是最實際的選擇—— 因為它真實反映了「有多少人持續在使用這個服務」， 衡量的是 實際參與（engagement）， 而不是像「總註冊數」、「App 下載量」 這種容易被灌水的虛榮指標（vanity metrics）。 不是 20 個 KPI。 不是 20 個衡量方式。 只有 一個。 MAU。 Schultz 指出： 指標本身不是目標， 而只是用來「近似描述與衡量目標」的工具。 他也引用了 Goodhart’s Law（古德哈特定律）， 提醒大家： 一旦某個指標成為目標， 人們就會開始「為了指標而行動」， 進而扭曲真實行為。 因此，Meta 設計了非常嚴格的「護欄（guardrails）」來避免這件事發生。 Meta 怎麼避免指標被灌水呢？ Meta 不只單看 MAU， 而是同時觀察多個輔助指標，例如： - 每週活躍比例（% Weekly Active） - 每日活躍比例（% Daily Active） 用來確保 MAU 的「品質」， 而不是被「最低程度互動的用戶」灌高。 舉例來說： 如果一個人只是點進一個連結，然後再也沒有回來， 在技術定義上他仍然算是「活躍用戶」， 但這顯然不代表真正的使用價值。 透過專注在 MAU， Meta 得以： - 推動產品創新 - 優化 landing page - 調整用戶獲取（acquisition）策略 - 專注吸引「真正會使用產品的人」 Schultz 強調， 「活躍用戶」這個定義， 徹底改變了團隊對「成長」的思考方式， 不再只是追求獲客數量，而是關注實際使用。 這樣的聚焦，也促使產品模型與合作策略不斷更新， 以提升留存與互動。 Meta 所有決策，幾乎都回到同一個問題： 「這件事，會不會讓 MAU 上升？」 如果答案是否定的， 那這個想法就會被直接捨棄。 同時，像是「不只登入就算活躍」這類的護欄設計， 確保即便只用一個核心 KPI， 也能有效改善留存模型與產品健康度。 使用北極星指標的代價與取捨？ 將成功直接綁定在單一指標上，一定有風險： - 每一個指標都有盲點 - 脫離脈絡單獨使用，可能造成誤判 Meta 的做法是： - MAU 作為核心導引指標 - 同時搭配嚴謹的背景分析與反向指標（counter-metrics） 確保長期的產品健康與策略成長 其他公司的北極星指標範例👇 許多科技、金融與製造業的領先企業，也都採用「單一北極星指標」來衡量成長與成功： - Airbnb：Nights Booked（預訂晚數） - Slack：Daily Active Teams / Daily Messages Sent - Netflix：Hours Streamed（總觀看時數） - Uber / Lyft：Rides Taken / Trips Completed（旅程數） - Robinhood：Monthly Active Traders（月活躍交易者） - Salesforce：Monthly Recurring Revenue（MRR） - Plaid：Linked Bank Accounts（連結的銀行帳戶數） 「北極星指標」這個方法， 在 科技業、SaaS 與平台型公司 中尤其普遍， 但在部分金融與工業領域中也同樣適用—— 特別是在需要跨團隊對齊、聚焦決策的情境下。 企業幾乎不會真的只追蹤一個指標， 但在 策略、規劃與成長目標 上， 往往會以「北極星指標」作為最高層級的對齊基準。 這個概念告訴我們什麼？ 如果你感覺被大量的指標、KPI 數字淹沒， 可能是因為你沒有清楚的「北極星指標」。 數據分析、Dashboard、一切商業決策， 甚至是機器學習模型， 都應由「北極星指標」驅動 「北極星指標」是一個數字，也是不是一個數字， 它代表的是一個有情境、有溫度的商業目標。

1️⃣ 𝐎𝐩𝐞𝐫𝐚𝐭𝐢𝐨𝐧𝐚𝐥 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬 營運分析 2️⃣ 𝐌𝐚𝐫𝐤𝐞𝐭𝐢𝐧𝐠 / 𝐂𝐮𝐬𝐭𝐨𝐦𝐞𝐫 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬 行銷 / 客戶分析 3️⃣ 𝐅𝐢𝐧𝐚𝐧𝐜𝐢𝐚𝐥 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬 財務分析 4️⃣ 𝐏𝐞𝐨𝐩𝐥𝐞 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬 人力分析 不論走到哪個產業，都是一樣的。 你適合走哪一個呢？ 👇 底下一一解釋給你聽： 1️⃣ 𝐎𝐩𝐞𝐫𝐚𝐭𝐢𝐨𝐧𝐚𝐥 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬 營運分析 跟公司內部營運相關，有 2 種職位： ▌職位1 - 𝐎𝐩𝐞𝐫𝐚𝐭𝐢𝐨𝐧𝐚𝐥 𝐀𝐧𝐚𝐥𝐲𝐬𝐭（營運分析師） 目標：利用數據提升流程效率。 核心 KPI： (1) 落後指標 - Cost per unit / case（單位成本）↓ (2) 領先指標 - Cycle time（生產週期）↓ - Capacity utilization（產能利用率）↑ ▌職位2 - 𝐒𝐮𝐩𝐩𝐥𝐲 𝐂𝐡𝐚𝐢𝐧 𝐀𝐧𝐚𝐥𝐲𝐬𝐭（供應鏈分析師） 目標：關注從採購到交付的整體流程效率。 核心 KPI： - Inventory turnover（庫存週轉率）↑ - Order fulfillment cycle time（訂單履行週期）↓ - Lead time（前置時間）↓ - Takt time（生產節拍 / 節拍時間） - On-time delivery rate（準時交付率）↑ - Production rate（生產率）↑ - Production & procurement cost（生產&採購成本）↓ - 運輸物流成本↓ - 需求／供給預測準確率 ↑ - 供應商績效（成本、品質、準時性） 這些職位 support 的決策者： - Operations Manager 營運主管 - Supply Chain Lead 供應鏈主管 - Department Head 部門負責人 2️⃣ 𝐌𝐚𝐫𝐤𝐞𝐭𝐢𝐧𝐠 / 𝐂𝐮𝐬𝐭𝐨𝐦𝐞𝐫 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬 行銷 / 客戶分析 與公司對外獲客相關，有 2 種職位： ▌職位1 - 𝐂𝐮𝐬𝐭𝐨𝐦𝐞𝐫 𝐈𝐧𝐬𝐢𝐠𝐡𝐭𝐬 𝐀𝐧𝐚𝐥𝐲𝐬𝐭（客戶洞察分析師） 目標：研究客戶行為與數據，以提升留存與忠誠度。 核心 KPI： (1) 落後指標 - NRR（= Net Revenue Retention 淨營收留存）↑ - LTV（= Lifetime value 客戶終身價值）↑ (2) 領先指標 - Activation Rate（啟用率）↑ - M+1 Cohort Retention（次月留存）↑ - CAC（= Customer Acquisition Cost 獲客成本）↓ ▌職位2 - 𝐌𝐚𝐫𝐤𝐞𝐭𝐢𝐧𝐠 𝐃𝐚𝐭𝐚 𝐀𝐧𝐚𝐥𝐲𝐬𝐭（行銷資料分析師） 目標：專注於行銷轉換、活動成效、銷售表現。 核心 KPI： - Conversion rate（轉換率）↑ - Open rate（開啟率）↑ - CTR（= Click-through Rate 點擊率）↑ - CAC（= Customer Acquisition Cost 獲客成本）↓ 其他 行銷 / 客戶 分析指標： - CPC（= Cost Per Click 單次點擊的成本）↓ - ROAS（= Return On Ads Spent 廣告投放報酬率）↑ - MQL 數量（= Marketing Qualified Leads）↑ - SQL 數量（= Sales Qualified Leads）↑ - DAU 數量（= Daily Active Users 日活躍用戶）↑ - MAU 數量（= Monthly Active Users 月活躍用戶）↑ - 客服工單處理時間（Ticket Resolution Time for Customer Success）↓ - NPS（= Net Promoter Score 淨推薦值）↑ - 客戶滿意度↑ - 客戶流失原因 這些職位 support 的決策者： - Head of Marketing 行銷主管 - Growth Lead 成長主管 - Head of Customer Success 客戶成功主管 - Product Manager 產品 PM 3️⃣ 𝐅𝐢𝐧𝐚𝐧𝐜𝐢𝐚𝐥 𝐀𝐧𝐚𝐥𝐲𝐭𝐢𝐜𝐬 財務分析 跟公司財務相關，有 2 種職位： ▌職位1 - 𝐅𝐢𝐧𝐚𝐧𝐜𝐢𝐚𝐥 𝐀𝐧𝐚𝐥𝐲𝐬𝐭 (𝐅𝐏&𝐀) （財務分析師） 目標：分析財務數據與 KPI，建立模型、做差異分析（實際 vs. 預算），協助管理層進行預算與預測。 核心 KPI： (1) 落後指標 - Revenue（營收）↑ - Operating margin（營業利益率）↑

▌SQL 寫的順序： SELECT → FROM → WHERE → GROUP BY → HAVING → ORDER BY ▌SQL 真實執行順序： 1️⃣ FROM / JOIN — 先找出資料表、連接來源 2️⃣ WHERE — 過濾掉不符合條件的資料 3️⃣ GROUP BY — 依照欄位分組 4️⃣ HAVING — 過濾分組後的結果 5️⃣ SELECT — 決定要顯示哪些欄位或計算結果 6️⃣ DISTINCT — 移除重複 7️⃣ ORDER BY — 排序 8️⃣ LIMIT / OFFSET — 最後取你要的筆數 大家在學習 SQL 上還知道有什麼誤區或心得嗎？ 請留言分享給大家～

各位，有些 Data相關創作者 已經悄悄加入我們社群…… 而且他們都有超棒的線上/線下資源，也很樂意跟大家互動分享喔～ 今天一次介紹給大家！ p.s 之後有新的 Data相關創作者 加入，會陸續更新喔～ p.p.s 如果你也是的話，請私訊讓我知道，我也想介紹給大家！ ▋Excel 小隊長 Hi 大家好～我們是 Excel @小 隊長！我們來自營運 & ⾏銷跨領域背景、有 5 年Data Analyst / Business Analyst 的經驗，希望把複雜的數據技術，用 excel 這個語言轉化為職場人可⽤的職場武器～ 帳號傳送門：excel.captain ▋Jeff Kao | Data Storyteller @Jeff Kao 有多年數據架構與應用經驗，同時協助 Tableau 台灣社群經營。主要分享數據職涯、BI、AI 等相關活動與個人經驗。是知名的臉書社團「Tableau Taiwan User Group」的共同經營者之一喔～ 帳號傳送門：jeff_data.bi ▋John | 商業&數據分析｜職涯筆記 Hi 大家好！我是 @John Lee，一位從行銷轉職的FMCG商業分析師，常常分享關於轉職/外商/職場/商業分析等內容，如果各位有興趣不妨一起交流囉！ 帳號傳送門：johnlife_ins ▋鋼鐵 V （薇琪）| 職場作家 | 數據分析 @Vicky Hsu FMCG/精品外商 7 年 CRM 數據分析跟 1 年策略分析，5年職場專欄作家，Hahow 破千商業英文課。近期專精於 n8n 自動化教學。 帳號傳送門：ironv.careerlife ▋146小隻小資女｜AI應用/自動化 @Irene Chuang 是AI 應用與自動化工具教學的內容創作者。 專門用簡單好懂的方式，幫助上班族提升工作效率與數位能力。 帳號傳送門：daily146_ ▋Kai｜不是個資料科學家 嗨大家好，我是 @Kai Huang！ 我喜歡打造產品，也相信數據能帶我們做出更好的決策！Threads 上的內容雖然多是 A/B 測試，但我其實對「如何做出決策」更感興趣。我和朋友一起經營數據社群《數據人之夜》，也有一個不小心變成年更的 podcast《不是個資料科學家》。 帳號傳送門：kai.ddd_ ▋Stark｜你的 Power BI 好夥伴 @Stark Dai 有五年 Power BI 的業界實戰經驗、著有一本銷量突破 3,000 本的 Power BI 技術書。 可以到他的社群「Power BI 新手村」免費學習更多相關知識。 帳號傳送門：i_master_power_bi

我整理了一個 Dataset 清單，讓大家可以運用在自己的數據作品～ 如果想知道如何選擇一個高價值的資料集，可以參考這個章節