一個乾淨的數字，有時什麼也沒說

這篇文章可以幫你	這篇文章不能幫你
想清楚「資料整理完之後，下一步到底是什麼」	給你一套能套用所有產業的標準答案
把同一批回饋，依 PM、Design、Engineer 整理成不同視圖	教你串 API 或寫程式的技術細節

在蒐集更多資料之前，先回答這一個問題

我目前的工作得要經手大批數據與客戶資料。每天經手的，是一則一則使用者寫下的問題。

有人找不到想看的內容。有人對著一個看不懂的功能，遲疑了一下。也有人盯著一直轉圈的播放鍵，發現觀看紀錄在不同裝置之間，各說各話。

這些問題被一筆一筆記下來，日子久了，就累成一座很大的資料庫。

於是我會很自然地想，再多匯出一些紀錄吧、再把標籤切得細一點吧、再做一個好看的 Dashboard 吧。

有一陣子，我也以為把資料整理乾淨，事情就完成了一半。

後來才慢慢發現，不是這樣的。

很多 VOC（Voice of Customer）流程會卡住，問題從來不是資料太少。是資料整理完之後，沒有人知道下一步該做什麼。

所以在急著蓋自動化、急著蒐集更多資料之前，我覺得更該先回答的，其實是這一句:

誰需要知道什麼，才能採取下一個行動？

一、一個乾淨的數字，有時候什麼也沒說

舉個我自己遇過的例子。

我整理出「觀看紀錄」這個分類，總共 6 筆。數字很整齊，看起來像是處理好了。

可是真的一筆一筆讀下去，才發現這 6 筆其實是三件不一樣的事：

有人在 Web 刪掉觀看紀錄，Android 上卻還留著，那是同步沒生效。有人想找回最近在追的那部劇，怎麼翻都翻不到，那是入口的問題。也有人看完上一集，等著首頁更新最新集數，結果什麼都沒等到。

同樣是 6 筆，同樣掛著「觀看紀錄」這個名字，要動手修的東西卻完全不同。

只看「觀看紀錄有 6 筆」，我其實什麼決定都做不了。因為這個數字雖然乾淨，卻還沒對準任何一個人、任何一件要做的事。

我後來會這樣判斷一份資料夠不夠用:不是看它整理得多整齊，而是看它答不答得出這幾題：

• 誰負責承接？
• 什麼情況下需要行動？
• 做完之後，要觀察什麼？
• 怎樣才算問題真的解決了？

二、同一批資料，要看是給誰的

既然關鍵是把資料對準決定，那同一批東西，給不同的人，就應該長成不一樣的樣子。

我手上這批訊號主要分兩種：大概 140 筆是產品功能回饋，大概 300 筆跟裝置、異常有關。來源差不多，但接下來這幾個角色，各自要做的決定不一樣，需要看到的也就不一樣。

給 PM

PM 不需要一筆一筆去判斷每個建議合不合理。他想先知道的是大方向：哪些問題很多人都提到、是不是集中在某個平台、最近有沒有變多。

所以給他的，是一張議題摘要，而不是原始清單:

產品議題	回饋筆數	回饋人數	主要平台	近期變化	核心情境	建議下一步
篩選功能	12	11	iOS	增加	不容易縮小內容範圍	檢視分類邏輯
觀看紀錄	6	5	跨平台	持平	刪除與續播狀態不同步	確認同步規則

這裡特別把筆數跟人數分開。同一個人一直提，跟很多人各提一次，是兩回事——前者可能是拖很久沒解，後者代表影響的人比較廣。對 PM 來說，這兩種要做的決定不一樣。

給 Design

同一批回饋，Design 要的不是排名，而是使用者原本怎麼說的。他想知道使用者本來要做什麼、在哪一步卡住、心裡的期待跟產品實際的反應，差在哪裡。

所以給他的是一張 UX 卡點表:

使用者任務	UX 卡點	使用者原始描述	可能的預期落差	建議研究問題
接續追劇	狀態提示不足	不知道有沒有更新最新一集	預期系統主動提示	使用者如何判斷內容已更新？
管理觀看紀錄	跨平台行為不一致	Web 刪除後 Android 還看得到	預期帳號資料跨裝置同步	使用者如何理解同步規則？

這樣整理之後，回饋就不再只是一張功能許願清單，而是一個個可以慢慢去看清楚的使用情境。

給 Engineer

換成 Engineer，要的東西又不一樣了。他在意的是：問題是不是只發生在特定的 App、OS、版本或裝置上，現有的線索夠不夠把它重現一次。

所以給他的是一張異常矩陣:

異常類型	App	OS	Version	涉及裝置	問題數	資料完整度
播放轉圈	iOS	特定版本	特定 App 版本	多種 iPhone	8	高
操作面板異常	Android	多版本	特定 App 版本	多個品牌	4	中

有了這張表，他不用先把幾百筆原始內容一行行讀完，就能判斷這個異常是集中的，還是散開的。

把這幾個角色擺在一起看，會發現很有意思的事。同樣一句「影片無法播放」:

• PM 想知道的是，它有沒有影響到核心流程、規模是不是在變大
• Design 想知道的是，出錯的那一刻，使用者知不知道發生了什麼
• Engineer 想知道的是，平台、裝置、版本，還有能不能重現

三、自動化會幫你很多，但有些事它做不了

把這套做法接上 Zendesk 與試算表、讓 AI 自動撈數據產表之後，我反而更清楚地看見它的邊界。

自動化能讓整理快很多。但有一件最關鍵的事，它始終做不到——它不知道這份資料，到底是要說給誰聽的。

它可以把上千筆回饋飛快地分好類、排好序，卻分不出來這份結果該遞到誰手上、要幫那個人做什麼決定。標籤本身就亂的話，自動化只是讓你更快地，收到一堆分錯類的資料;原始紀錄裡從沒記下裝置和版本，那道缺口，後來誰也補不回來。

而且回饋多，不代表它最該被先處理。有些問題不常出現，卻可能剛好打在播放或付費這種地方;有些回饋鋪天蓋地，最後要做的，也許只是改幾句介面文案。

所以如果你手上也握著一堆客戶回饋，正打算再多撈一點、再多切幾個標籤——也許可以先停一下，問自己一句:這份資料，最後是要說給誰聽?那個人聽完，會做什麼?

因為真正讓這些聲音有重量的，從來不是抓得多齊、整理得多快。而是它有沒有清楚地，對著某一個人說話——然後讓那個人，往下走出一步。

當每一份資料都帶著明確的「下一步」，團隊要討論的，就不再是「這代表什麼」，而是更往前的「那我們接下來怎麼做」。

問題進來 → 整理成適合那個人的樣子 → 變成行動 → 回頭看結果 → 再調整下一次怎麼蒐集

繞了一圈，起點還是最開頭那句話:

誰需要知道什麼，才能採取下一個行動？

希望這篇文章有幫助到泥！