前陣子我在一場金融業的指標共創和數位運營優化的客製化課程裡，我請學員把「提升客戶體驗」底下的指標全部列出來。
寫到一半，有人說「等等，還有投訴處理時效」又有人說「那回訪率要不要算進來」，就這樣一直加。等停下來，便利貼已經超過15張。
列完之後，我沒有急著分析，我問了一個問題：如果這些指標同時出現變化，你們會先看哪一個？大家互看了一圈，給出了五種不同答案。
真正的困境，從來不是指標不夠。是指標太多，卻沒有一個能告訴你下一步該怎麼走。
指標設計，從來不是加法；刪掉，才是更難也更重要的那一步。
每個部門追自己的數字，開會卻說不到同一件事
多數企業的指標，是「加上去的」不是設計出來的。
很多情況下，每個部門都有自己的 KPI，每個部門都把自己認為重要的數字放進報表，下意識略過最終要達成什麼目標。
結果是行銷看流量、業務看業績、財務看獲利，一場會議上大家拿著同一份報表，但討論的卻不是同一件事。
這也是跨部門溝通裡最常出現的斷層，沒有共同的決策基準。
在PACE 框架 E（Execute / Evaluate）階段，我最常看到的狀態就是這樣，報表越做越厚，管理決策反而越來越難做。
這個問題的根源，在於組織對數據的整體運用方式還沒到位。
根據我結合卡內基美隆大學（CMU）能力成熟度模型與麥肯錫數據驅動組織概念所建立的框架，組織的數據決策成熟度可以分成五個層級：
| 層級 | 狀態 | 組織特徵 |
| L1 臨時救火 | Data Aware | 有數據但未善用，各部門各自為政，沒有標準流程 |
| L2 機會式 | Data Enabled | 用數據支援決策，但決策機制未改變，類似專案可複製 |
| L3 系統化 | Data Embedded | 數據嵌入核心流程，有標準審查機制，各流程有指標監測 |
| L4 策略驅動 | Data Driven Culture | 領導層主動問「證據是什麼」，資源配置以數據為依據 |
| L5 組織級影響 | Data as Competitive Advantage | 用數據創造新商業模式，員工主動找瓶頸，形成持續改進文化 |
台灣多數中小企業落在 L1 到 L2 之間，指標系統各部門各跑各的。
而L3 是關鍵門檻，跨過去之後，數據化管理才真正能嵌進決策流程。
從 L2 推向 L3 的核心，就是把指標從堆疊改為設計。
設計指標，從終點開始想
要改變指標堆疊的問題，需要兩個動作同時進行，首先先用用戶旅程找出斷點在哪，再用三層架構決定每個指標該落在哪一層。
用戶旅程：先找到問題真正發生的位置
回到那場金融業課程。我帶學員做的第一件事，不是分析那十五個指標，而是先退到客戶從第一次接觸到完成服務，中間走了哪些步驟？
把旅程畫出來之後，幾乎每次都會發現白板上的指標，多半只在描述某個節點的狀態，但沒有人知道它在整條流程裡代表什麼。
比如滿意度低，是哪個環節讓客戶失望的？NPS 下滑，是流程本身有問題，還是等待時間的問題？
沒有旅程視角，這些數字只是各自孤立的數值，互相幫不上忙。
策略、營運、診斷 三層架構不能反
先策略，再營運，再診斷。
旅程視角幫你找到問題在哪，三層架構幫你決定用什麼指標去追蹤。設計順序永遠由上而下，
策略指標
策略指標對應的是公司策略目標。
這一層的指標通常不超過三個，數量少，組織的注意力才能真正集中。而且它不屬於任何單一部門，而是跨部門都需要的共同目標。
以那場金融業企業內訓為例，最終定下的策略目標是「提升客戶體驗」與「降低公司營運成本」，這兩個目標跨部門共同承擔，是整個指標體系最上層的依據。數字要明確、可量化、帶時間節點。
例如提升客戶體驗、降低公司營運成本、客戶滿意度從 75% 提升到 85%，才算是一個可以驅動決策的策略指標。
營運指標
營運指標是策略目標向下拆解的結果，對應的是各部門或專案為了達成策略目標，各自需要完成的任務目標。
同個例子下，該金融業將「提升客戶體驗」這個策略目標，拆解給四個專案團隊共同承擔，每個專案各自訂出對應的營運指標。
舉例來說數位信貸專案可能是「提升數位 app 的完成服務比例」或是「降低每一個用戶旅程節點的漏損率」等等。
這一層的前提是它和策略指標之間有清楚的因果假設，選了這個指標，卻從未驗證這個假設，它就只是讓人安心的數字，不是管理決策的依據。
診斷指標
診斷指標是最細的一層，平時不需要例行查閱，只有上面那層指標出現異常時，才打開這層找答案，讓你判斷為什麼會發生這些事。
它依賴的是 Raw data 與系統分析欄位，透過客群類型、跳出率、網頁停留時間等細項數據，找出影響領先指標的關鍵原因。
診斷時會用到的數據可以分為兩類：
- 量化數字（大數據）：業績、用戶數、處理天數等可計量數值，主要用來驗證假設、檢測變項之間的關係。
- 質化數字（小數據）：行為面、經驗面與感受面的資訊，用來補充數字背後的人性心理。
這些診斷數據的來源同樣分為兩個方向：
- 書面資料：研究機構報告（如 Nielsen、Kantar、Ipsos）、政府與產業分析單位的公開數據，以及 GA4、OpView 等內外部系統平台數據。
- 調查訪談：觀察法（店訪、神秘客、Home Visit）、問卷調查（滿意度、NPS、服務後調查），以及一對一訪談與焦點團體（Focus Group）。
書面資料側重量化驗證，調查訪談則更能挖掘真實行為與深層需求，兩者搭配才能讓診斷結論站得住腳。
很多企業直接從診斷層開始看，卻沒有先定義策略指標。結果所有細節數字都進了日常報表，每個人疲於追蹤，卻沒有人知道這些數字要指向什麼行動。
| 層次 | 核心問題 | 查閱頻率 | 範例指標 |
| 策略指標 | 最終要達成什麼？ | 季度 / 年度 | 客戶滿意度從 75% 提升至 85%、營運成本降低，提升客戶體驗 |
| 營運指標 | 哪些流程影響結果？ | 每週 / 每月 | 各部門依策略目標拆解後的專案任務指標 |
| 診斷指標 | 為什麼發生異常？ | 異常時啟用 | 依客戶類型、通路等維度分群，找出影響營運指標的關鍵因素 |
由上而下建立，由下而上驗證
架構設計完之後，驗證的方向要反過來。
每次用診斷指標找到根因之後，回頭檢查你選的營運指標夠不夠靈敏，能不能真實反映各專案任務的執行狀況，必要時調整。
再往上，觀察各專案營運指標的整體波動，是否對策略指標的走向有預測力。
如果某個營運指標長期沒有被啟用，或它的變動和策略結果幾乎沒有關聯，這個指標很可能就可以刪掉了，慢慢留下真正有用的那幾個。
我輔導過一家品牌，他們以為廣告曝光不足是銷售下滑的核心原因。
然而透過 AARRR 漏斗拆解後發現，獲客沒問題，留存才是關鍵，顧客只買一次就消失，因為公司根本沒有設計回購機制。砸廣告只會解決表象，碰不到真正的原因。層次清楚的指標架構，能讓你直接看到問題在哪一層，少走很多彎路。
數據化管理真正要做到的，就是讓每個留下來的數字都有意義。
若有指標還收不到，怎麼辦？
架構建好了，但現實中有些指標就是暫時拿不到的話，這時候有三種方式可以應對。
第一種是 Proxy 指標（代理指標）
當你想衡量的東西無法直接量化，可以找一個和它高度相關、容易取得的替代指標。
要衡量客戶體驗，可以先用滿意度、漏損率、復購率來替代；要衡量流程順暢度，可以先用補件次數、錯誤回填率、跳出率來替代。
第二種是手動抽樣
屬於短期做法。系統沒有記錄的情況下，可以人工取樣，例如客服錄音抽樣分析，成本可控，準確性也在中高之間，適合用來驗證問題假設。
第三種是流程改造
是長期方案。直接調整系統或流程設計，讓數據在業務過程中自然留下痕跡。需要投入較高成本與時間，但完成後數據的準確性與可持續性是三種方式裡最高的。
| 方法 | 時間 | 成本 | 準確性 | 用途 |
| Proxy 代理指標 | 快 | 低 | 中 | 立即決策 |
| 手動抽樣 | 中 | 中 | 中高 | 驗證問題 |
| 流程改造 | 慢 | 高 | 高 | 長期治理 |
數據化管理不用等所有條件齊備才能開始，在不同的現實條件下，找到當下最適合的方式就能讓決策有所依據。
留還是刪？一個快速判斷的方式
建立三層架構之後，現有指標的取捨才是最實際的問題。三個問題可以幫你快速判斷：
- 這個指標一旦變動，你會立刻調整行動或資源配置嗎？
如果答案是「不一定」，這個指標很可能只是讓人安心，不是在支持決策。 - 它和上一層的策略或營運指標，有清楚的因果假設嗎？
如果說不出「因為 A 改變，所以 B 應該跟著動」，那這個指標對決策的幫助其實有限。 - 它提供的資訊，其他指標看不到嗎？
兩個指標幾乎同步變動，通常只需要留一個。
如果三題裡有兩題答得不太確定，可以先把這個指標放進「候選刪除清單」。實際上，把指標變少，反而更難，也更有價值。
讓每個指標都能指向一個決策
我也一直在想，能不能把這套方式，帶進更多不同的企業場景。
不是讓大家看更多數據，而是用更清楚的方式去做選擇。
指標多，並不代表管理就更嚴謹。三層指標架構的價值，不在於增加更多數字，而是幫你釐清「哪些數字才真正重要」。
與其從既有報表中找理由，不如從策略目標出發，往下設計指標，這樣數據化管理才會開始發揮作用。
在做決策時，不妨問問自己：現在正在看的這些指標，有沒有哪一個，是一旦出現變動，你會立刻調整行動的？如果答案不明確，問題往往不在數據不夠，而是缺少一個讓數據有方向的架構。
我也期待自己能協助團隊用更有架構的方式運用數據，不只是優化決策，更進一步發展新的商業模式，甚至建立屬於自己的資料優勢。
讓每一位學員或是企業，都有機會用數據做出更好的判斷，讓組織一步步走向真正以數據驅動的高績效運作。數據才會真的變成一種能力，而不是壓力。
常見問題 FAQ
Q1：三層指標架構適合什麼規模的企業？
無論規模大小，只要有策略目標需要追蹤，三層架構都適用。中小企業從更精簡的指標數量開始設計，核心邏輯相同。
Q2：策略指標和一般 KPI 有什麼不同？
策略指標是成果端的衡量（落後指標），強調與最終目標的直接關聯。三層架構的作用，是幫你釐清每個 KPI 屬於哪個層次、在整個系統裡發揮什麼角色。
Q3：數據化管理應該從哪一步開始？
先釐清最重要的一到兩個策略目標，再往下找對應的流程指標。從整理現有數據開始，很容易又走回指標堆疊的老路。
Q4：領先指標和落後指標的差別是什麼？
落後指標是你想要的結果，例如客戶滿意度；領先指標是可以預測結果的過程數字，例如一次解決率。三層架構中，策略指標多為落後指標，營運指標多為領先指標。
Q5：如何讓跨部門對指標達成共識？
共識的起點不是數字，而是先定義成功是什麼。達成一致。三層架構再提供了共同的討論語言，讓跨部門溝通有結構可以依循。
