當我們開始收集事件後，下一步就是要觀察，否則這些事件就只是資料，本身並不會帶來任何意義。我們當然可以直接觀察事件本身，但通常能得到的資訊有限，因此需要一個工具來觀察整體。

在 PostHog 當中，我們可以使用產品分析（Product Analytics）來完成這件事。這個功能可以將 PostHog 裡的資料（劇透一下，不一定只有事件）轉換成分析結果與圖表，在 PostHog 中稱為 Insight，藉此進行觀察。

這也對應到前幾篇提到的指標與信號。我們可以利用 Product Analytics 實際計算定義好的指標，也可以從不同角度觀察資料，判斷我們關注的信號是否正在發生。

當我們要建立 Insight 時，需要先確定：我們想知道的是什麼？

例如：

我想知道多少人完成訂單。

我想知道過去一週的訂單完成率如何變化。

我想知道多少使用者在瀏覽商品後加入購物車，以及其中多少人最後完成購買。

等等。

其中有些問題可以直接對應到前面定義的指標，有些則是在觀察信號；也可能需要依賴多個 Insight，才能完整判斷一個指標或信號。我們會在後續的整合分析中再討論如何處理這類狀況。

你可以在產品分析（Product Analytics）中建立 Insight，並依照想回答的問題選擇合適的分析方式。

Trends

許多常見的指標實際上都可以利用 Trends 來觀察，例如畫面中顯示的 Number、Table 等。Trends 類型主要有三個重要設定：

1. Series：代表你想要分析的資料。例如你可能想在同一張圖中觀察不同事件的趨勢，也可以加入多個相同事件，再透過篩選區分不同屬性，例如不同商品類型。
2. Filters：用來限制分析的資料範圍，例如排除特定 URL 或測試使用者的資料。
3. Breakdown：依照某個屬性拆分同一組資料。例如針對 Pageview 依國家區分，就可以觀察不同國家的分布與差異。

Funnels

漏斗（Funnel）是一種觀察特定操作流程的工具，關注使用者通過一連串步驟的比例，也就是轉換率。

例如電商的購買流程通常包含查看商品、加入購物車、送出訂單、完成付款，我們可以在 Funnel 中將對應事件設定為不同 Step 來觀察。

依照觀察目標不同，也可能需要調整 Funnel Setting。例如如果我們關注的是每個步驟之間的變化，就可能更想知道相對於「前一步」的轉換率，而不是所有步驟都相對於第一步計算。

這裡先知道 Funnel 可以用來觀察一段流程即可。後面談到 Activation 時，我們會實際拿它來看新使用者從開始使用產品，到第一次取得價值之間經過了哪些步驟，以及通常在哪裡離開。

Retention

留存（Retention）關注的是：某群使用者完成起始行為之後，經過不同時間間隔，還有多少人回來完成指定的行為。

最常見的例子是評估多少使用者在後續幾天仍然回來使用網站，但也可以利用特定事件來評估某項功能的留存。例如對於電商網站，可以用「月」作為間隔，觀察購買過商品的使用者之後是否再次購買。

Stickiness

和留存有些類似，黏著度（Stickiness）關注的則是：一段時間內，使用者在多少個時間單位中曾經觸發某個行為。

例如以「瀏覽網站」作為事件，觀察一週的時間範圍，就可以看到有多少使用者只在其中一天出現、多少人出現兩天，直到多少人七天都有出現。

圖中的數據顯示，一週內有接近 6000 人只來了一天，只有 88 人每天都有回來。

User Paths

使用者路徑（User Paths）關注事件發生的前後路徑。例如從入口頁到結帳頁，我們可以利用 Paths 觀察使用者實際上怎麼瀏覽網站，以及中間去了哪些地方。

Lifecycle

生命週期（Lifecycle）關注使用者目前所處的狀態，包含新使用者（New）、回訪使用者（Returning）、恢復使用者（Resurrecting）與休眠使用者（Dormant）。

回訪使用者代表前一週期與這一週期都有觸發指定行為；恢復使用者代表前一週期沒有觸發，但更早之前曾經觸發；休眠使用者則代表前一週期有觸發，但這一週期沒有。

這裡介紹不同分析類型的主要目的，是希望你實際使用 PostHog 時能有所依據——畢竟對 PostHog 常見的評價之一，就是一開始的學習曲線相對陡峭——而不是要求你現在立即理解並掌握每一種分析方式。

後面的文章還會再回到其中幾種分析，放進 Activation、Retention 等具體產品問題裡使用。因此，如果現在只是大致知道 Trends、Funnel、Retention、Lifecycle 各自在看什麼，就已經足夠。

實際分析時，更重要的仍然是先確定：你想回答的問題是什麼？

另一方面，就像系列文前面所說，產品工程師並不是要取代其他職能。如果團隊裡有更熟悉產品分析或資料分析的夥伴，也不妨直接請求他們協助。

下一篇，我們會先處理一個開始依賴數據後很容易遇到的問題：這些數據本身真的可信嗎？

如果你願意花 30 秒留下回饋，我會用這些意見來調整後續文章：分享你的意見