今日主題
Aced（原 Exponent）整理 2026 年各家公司 PM 面試題庫後指出一個明顯轉變：分析輪最常見的題型,已經從「這裡有一個漏斗,請找出使用者流失在哪一關」的單純漏斗診斷,變成「這個指標漲了,但另一個護欄指標跌了,你會怎麼做」的指標衝突題。
這個轉變之所以重要,是因為漏斗診斷考的是「你會不會照表操課」,而指標衝突題考的是「你有沒有辦法在兩個看起來互相矛盾的數字背後,找出同一個根因」。候選人最容易犯的錯,是把兩個指標當成兩個獨立問題分開處理——先講怎麼讓留言數繼續漲,再講怎麼讓觀看時長回升,卻沒有停下來想:這兩個數字的變動,會不會根本是同一件事造成的。
核心框架速記
AARRR 定位：問題出在使用者旅程的哪一段
拿到任何指標題目,先用 AARRR 把問題定位到使用者旅程的哪一段,避免整段分析漂浮在「全站使用者」這種太籠統的範圍：
| 階段 | 核心問題 | 今天題目對應的檢查點 |
|---|---|---|
| Acquisition 獲取 | 使用者怎麼找到／點進內容的 | 留言上升、時長下降的影片,流量來源是不是集中在推薦演算法 |
| Activation 啟用 | 使用者第一次體驗到核心價值了嗎 | 使用者點進去後,有沒有看到跟標題／縮圖相符的內容 |
| Retention 留存 | 使用者會不會回來再用一次 | 這群受影響的使用者,接下來幾天的回訪率有沒有跟著下滑 |
| Referral 推薦 | 使用者會不會主動分享／互動 | 留言本身算不算「推薦」訊號,還是只是情緒發洩 |
| Revenue 營收 | 這個行為最終有沒有轉換成商業價值 | 時長下降對應的廣告曝光時間損失有多大 |
輸入指標樹：找兩個矛盾數字背後的共同根因
遇到「兩個指標同時變動、方向相反」的題目,不要把它們當成兩個獨立問題,而是分別把兩個指標拆成「北極星是哪些輸入變數的函數」,用 Amplitude 北極星指標框架的公式寫出來：
我相信〔指標 A〕是〔輸入 1〕、〔輸入 2〕、〔輸入 3〕的函數。
把兩個指標都拆成輸入樹之後,去找有沒有一個輸入變數同時出現在兩棵樹裡——那個重疊的輸入變數,通常就是共同根因所在。這個做法比「分開優化兩個數字」更貼近面試官真正想看到的結構化思考。
今日練習題
題目
「YouTube 的留言數上升，但觀看時長下降。你會怎麼做？」（YouTube comments are up, but watch time is down. What do you do?）
（來源：Aced《52 Real Product Manager Interview Questions (2026 Guide)》Execution 類別真題；同份報告指出,2026 年分析輪最大的轉變,正是從單純的漏斗診斷變成這種「一個指標漲、一個護欄指標跌」的衝突題）
拆解思路
- 釐清問題：先問面試官——留言上升是全站性的,還是集中在特定分類或創作者？觀看時長下降算的是「每支影片的平均時長」還是「每位使用者的總觀看時長」？兩個變化有沒有發生在同一段時間窗、同一批影片上？如果不先把範圍收斂,後面的分析會建立在錯誤的假設上。
- 定義北極星與護欄：YouTube 的北極星是「使用者真正獲得的觀看價值」,留言數只是互動的其中一個輸入訊號,不是目的本身——留言上升不代表滿意,也可能代表爭議、憤怒、嘲諷式留言,把它誤認成「使用者更投入」是今天題目最大的陷阱。
- 結構化分析：把「留言數」和「觀看時長」分別拆成輸入樹,去找重疊的輸入變數。一個合理的假說是：推薦演算法最近調整,把更多高爭議性、標題黨式的短片推上首頁——這類影片天然引發留言戰（留言數上升是輸出,爭議性內容是共同輸入）,但使用者點進去發現內容文不對題或空洞,看沒多久就關掉（時長下降,同樣源自這個輸入）。
- 提出方案：按影片類型、推薦來源切 segment 驗證這個假說——留言上升的影片是不是集中在特定類別或特定推薦來源。如果驗證成立,不是一刀切撤掉所有互動優化,而是在推薦模型的輸入裡,加入「留言情緒分數」或「負面留言比例」當成新的護欄輸入,跟觀看時長一起加權排序,而不是只看留言「數量」。
- 定義成功：兩週後重新檢視同一批受影響影片的觀看時長有沒有回升,同時追蹤留言的「情緒分佈」而非只看留言數量——如果留言數量略降,但正向留言比例上升、時長同步回升,才算真正改善；如果只是留言數量被壓下去,時長沒有跟著回升,代表只是治標,沒有解決真正的內容品質問題。
範例回答（面試時可以這樣講）
先定位、不急著下結論：「我不會把這兩個數字當成兩個獨立問題分開處理。留言數上升、觀看時長下降,很可能是同一個根因造成的兩個表徵。我會先確認範圍——是不是集中在特定類型的影片或特定推薦來源,如果是全站性的,代表問題出在演算法這一層,而不是個別創作者。」
用輸入樹找共同根因：「我會把『留言數』和『觀看時長』都拆成各自的輸入變數,去找有沒有重疊的那一個。我的假說是,推薦演算法最近把更多高爭議性、標題黨式的短片推上了首頁——這類內容天然會引發留言戰,所以留言數漲;但使用者點進去發現文不對題,看沒多久就關掉,所以時長跌。兩個數字表面上矛盾,其實是同一個輸入變數造成的。」
提出不過度反應的方案：「驗證假說成立之後,我不會把互動相關的優化整個撤掉,而是在排序模型裡加入留言情緒分數或負面留言比例當護欄輸入,跟觀看時長一起加權。我衡量成功看的是同一批受影響影片的時長有沒有回升,加上留言的情緒分佈有沒有轉正——留言數量本身降不降不是重點,重點是使用者有沒有真的看到想看的內容。」
自我核對清單
用這張表檢查你的回答有沒有漏掉關鍵點：
| 核對項目 | 有提到？ |
|---|---|
| 先把兩個指標的範圍收斂（哪批影片、哪段時間窗），而不是直接假設是全站問題 | |
| 指出留言數上升不等於使用者更投入，可能是爭議或負面訊號 | |
| 把兩個指標分別拆成輸入樹，找出重疊的共同根因，而不是分開優化 | |
| 提出的方案是調整輸入權重，而不是一刀切撤掉互動相關的優化 | |
| 講出用什麼追蹤方式驗證改善（情緒分佈，而不只是數量） | |
| 加分項：點出「留言數量」本身可能需要被降級為護欄指標，而非目標指標 |
今日案例
LogMeIn：用北極星指標拆穿「使用者成長」掩蓋的真相
LogMeIn 早期的核心儀表板上,看的是「新註冊使用者數持續成長」這個漂亮的數字,看起來一切正常。直到 Sean Ellis（後來被稱為「成長駭客」之父,曾是 Dropbox 第一位行銷人員）帶隊重新檢視公司真正的北極星指標,把它從「註冊人數」改成「遠端遙控連線次數」——也就是使用者有沒有真正用過產品的核心功能,才發現一個驚人的落差：95% 的新註冊使用者,從來沒有建立過一次遠端遙控連線。註冊人數持續上升的同時,真正拿到產品價值的使用者比例低到嚇人。這個發現之後,工程、產品、行銷團隊才真正合力去補「註冊→真正連線使用」這一段轉換率,公司才開始真正起飛。
面試連結：這個案例正是今天「指標衝突／誤判」主題的最佳佐證——表面上「使用者成長」這個指標一片大好,底層卻藏著「活動量上升,但沒有傳遞真正價值」的陷阱,跟練習題裡「留言數漲但觀看時長跌」是同一種誤判：只看一個會上漲的數字,沒有去檢查它背後有沒有真的連結到使用者的核心價值。回答這類題目時,可以直接引用這個案例說明「指標健康」要看有沒有打通完整的「使用者做了動作→真正拿到價值」這條路徑,而不是只看前端的活動量數字。
延伸閱讀
- Mastering Metrics for Product Managers in 2026: The Ultimate Guide, Aakash Gupta — AARRR 框架與北極星指標的完整整理,今天「核心框架速記」第一部分的延伸閱讀
- Experiment design for product managers, ProductHQ — 把指標變動轉成公平實驗設計的具體做法,適合延伸練習「如何驗證假說」這一步
- 52 Real Product Manager Interview Questions (2026 Guide), Aced — 今天練習題的完整出處,涵蓋六大類 PM 面試題型與公司別差異
參考資料
- 52 Real Product Manager Interview Questions (2026 Guide), Aced — 對應「今日練習題」YouTube 留言數與觀看時長衝突題的原始出處
- North Star Metric: How to Choose, Decompose, and Run It, Hamster — 對應「今日案例」LogMeIn 北極星指標故事與輸入指標樹公式的出處
- Mastering Metrics for Product Managers in 2026: The Ultimate Guide, Aakash Gupta — 對應「核心框架速記」AARRR 漏斗框架的出處