Product Builder 面試日練 — 2026-09-01：Metrics & Analytics

TL;DR Metrics 題最容易垮的地方不是選不出指標，是說不出「這個指標為什麼能代表使用者價值」，以及分不清相關與因果。Exponent 最新彙整的 2026 真題庫裡有一道 Meta 風格的執行題：留言數上升但觀看時長下降，怎麼辦。今天用指標樹拆解這題，案例是 Facebook 著名的「7 天內加 7 位好友」北極星指標——它幫 Facebook 找到成長槓桿，也一度讓整個矽谷把相關性誤當因果，是講「怎麼驗證指標背後因果關係」的最佳素材。

#product-builder-interview #daily #metrics

今日主題
核心框架速記
1. AARRR：先確認你要診斷的是哪一段
2. 指標樹：把北極星指標拆成可歸因的分支
今日練習題
今日案例
延伸閱讀
參考資料

系列: Product Builder 面試日練 (13 / 17)

Product Builder 面試日練 — 2026-08-31：Product Sense Product Builder 面試日練 — 2026-09-02：Strategy & Execution

🌏 English version

今日主題

Metrics 題型測的不是「你背了多少框架」，是「你能不能在數字打架的時候，找出真正的因果關係」。Exponent 最新彙整的 2026 真實面試題庫顯示，Meta 這類公司特別愛出「root cause analysis」型的執行題——丟兩個互相矛盾的指標，看你怎麼收斂到一個可驗證的診斷。

這類題目最常見的失分點不是選錯框架，是把「指標同時變動」直接當成「指標互為因果」，然後跳過驗證就給方案。今天要練的就是這個收斂動作：從兩個打架的數字，走到一個能被實驗驗證的因果假設。

核心框架速記

AARRR：先確認你要診斷的是哪一段

階段	定義	面試現場怎麼用
Acquisition 獲客	使用者怎麼發現產品	指標異動先問「這是新使用者還是舊使用者的行為」
Activation 啟動	使用者第一次感受到價值	常跟「aha moment」類問題綁在一起
Retention 留存	使用者持續回來的比例	面試官最愛拿留存反問「這個指標會不會犧牲留存」
Referral 推薦	使用者帶來新使用者	容易跟互動類指標（留言、分享）混淆
Revenue 營收	使用者帶來的商業價值	最終要能回答「這個改動對營收的路徑是什麼」

先把題目丟進 AARRR，能快速判斷「留言數」跟「觀看時長」分別對應哪一段——這一步做完，才知道該往哪個方向拆指標樹。

指標樹：把北極星指標拆成可歸因的分支

層次	拆解方式	範例
北極星指標	選定一個代表使用者價值的核心數字	總觀看時長
一階拆解	乘積或加總拆成互斥的分支	觀看時長 = 觀看次數 × 平均單次觀看時長
二階拆解	針對可疑分支繼續往下拆	平均單次觀看時長 = 內容類型分布 × 各類型的完播率
交叉檢查	找出跟另一個異動指標共用的上游因子	留言數上升與觀看時長下降，是否共用「排序演算法改動」這個上游因子

指標樹的價值在於：面試官問「為什麼」的時候，你能指到樹上具體哪一個分支動了，而不是憑直覺講故事。

今日練習題

題目

「YouTube 的留言數上升，但觀看時長卻下降，你怎麼看？」

（來源：Exponent《52 Real Product Manager Interview Questions (2026 Guide)》歸類為 Meta 風格的 root cause analysis／metrics-driven decision-making 執行題）

拆解思路

釐清問題：先問時間範圍（這週還是這個月）、變動幅度（留言數漲多少、觀看時長掉多少）、是否有已知的產品改動（新的留言功能上線、排序演算法調整），以及這個異動是全站現象還是集中在特定內容類型或裝置。
定義使用者：把觀眾切成「重度留言者」「被動觀看不留言的多數觀眾」「長影片觀眾」「短片／片段型內容觀眾」，因為這兩個指標很可能對應不同的使用者行為。
結構化分析：用指標樹往下拆——觀看時長 = 觀看次數 × 平均單次觀看時長；留言數 = 曝光次數 × 留言轉換率。接著找共同上游因子：如果最近排序演算法把「高留言熱度」的內容排進推薦位，可能同時拉高留言曝光、也擠壓了長影片的曝光位置，這就是一個可驗證的因果假設，而不是「使用者變得比較愛留言」這種缺乏機制的猜測。
提出方案：如果診斷出是排序權重過度放大留言熱度，短期方案是調整排序公式加入觀看時長的 guardrail；長期方案是把「留言型內容」與「長影片內容」分開追蹤健康度指標，避免用同一套排序邏輯優化兩種不同的使用者價值。要講清楚取捨：調整排序可能讓留言互動率短期下滑，但換回觀看時長這個更接近核心商業目標的指標。
定義成功：把觀看時長訂為主指標，留言數降級為 guardrail 而非優化目標，避免下一輪又把資源錯放在讓留言數字好看、卻犧牲核心價值的方向。

範例回答（面試時可以這樣講）

問題釐清：「我想先確認範圍——這個變化是這週發生的嗎？留言數漲了多少、觀看時長掉了多少，是全站現象還是特定內容類型？我猜測背後可能跟排序或推薦邏輯的改動有關，所以我也想知道最近有沒有相關的上線紀錄。」

因果拆解：「假設資料顯示最近兩週排序演算法調整過，把『留言熱度高』的內容更頻繁推進推薦頁，我會用指標樹拆——觀看時長等於觀看次數乘上平均單次觀看時長，如果掉的主要是平均單次觀看時長，而且掉最多的是長影片，那就代表排序邏輯把曝光位置從長影片挪去了留言熱門的短內容，留言數上升只是這個位移的副作用，不是使用者本身變得更投入。」

方案與取捨：「我會建議先在排序公式裡加入觀看時長作為 guardrail，避免單純用留言熱度排序；同時把留言型內容和長影片分開追蹤健康度，而不是用同一套指標互相比較。這個改動可能讓留言互動率短期回落，但因為觀看時長更接近使用者實際獲得的價值，我會把它訂為這次調整的主指標，留言數只當作輔助觀察。」

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？
問清楚時間範圍、幅度與是否有已知的產品改動
用指標樹把兩個指標拆到能找出共同上游因子
明確指出這是「相關」還是已驗證的「因果」
方案有講出具體取捨，不是只列優點
成功指標區分主指標與 guardrail，不是同時追兩個數字
加分項：提到怎麼用實驗（A/B test）驗證這個因果假設

今日案例

Facebook：「7 天內加 7 位好友」，一個北極星指標也是相關性陷阱

Facebook 早期成長團隊發現，新使用者如果能在 10 天內加到 7 位好友，後續的留存率明顯比其他人高出一大截。Chamath Palihapitiya 把這個發現定為 Facebook 邁向十億使用者的「北極星」，公司圍繞它打造了 People You May Know 等一系列催促加好友的功能，成長曲線也確實跟著起飛。但後來多篇分析（包含 Geckoboard 的檢討文章）指出，這個指標長期被過度簡化：交到 7 位朋友的使用者，本來就更可能是天生更投入社交的一群人，加好友本身不必然「製造」留存，需要靠實驗把相關性和因果拆開驗證，而不是看到強相關就直接把指標當成因果操作目標。

面試連結：這個案例是「指標相關 vs. 因果」最經典的教材，可以直接用在「舉一個容易被誤用的北極星指標例子」或「你會怎麼驗證一個指標背後的因果關係」這類題目，重點是強調「強相關只是假設的起點，要靠實驗設計才能驗證能不能『推動』而不只是『預測』留存」。

參考資料

52 Real Product Manager Interview Questions (2026 Guide) — 對應「今日主題」與「今日練習題」的題目出處
Facebook's "Aha" Moment Was Simpler Than You Think — 對應「今日案例」中 Facebook 北極星指標的背景
How Facebook's "7 friends in 10 days" got everyone confused about correlation and causation — 對應「今日案例」中相關性與因果的檢討