Segments Analytics by Tresl
為 Shopify 商家設計清楚易懂的 analytics 體驗，協助他們將複雜的顧客資料轉化為行動。
2025
角色
在 Tresl，我是 Segments Analytics 的產品設計師。我負責端到端的設計流程，從研究、wireframing，到維護可擴充的 design system、開發交付與上線 QA。
最近，我也運用 AI 製作互動 prototype，加速產品測試與複雜互動設計的 handoff。
挑戰
Shopify 商家擁有大量商店數據，但許多人缺乏資料分析經驗、不會寫程式，也沒有時間研究複雜的報表。即使已有分析結果，他們通常仍不知道這些發現對自己的商店代表什麼，或下一步該怎麼做。
我們的挑戰，是讓商家理解數據背後的商業洞察，並提供下一步行動建議。
設計方法
我們聚焦於產品體驗中的三個時刻：等待商店資料、建立 segment，以及如何運用報表。
讓等待時間產生價值
安裝後，Segments 需要數小時匯入並處理商店資料。Fullstory funnel report 顯示，許多 Shopify 商家會在等待期間離開，而且在資料準備完成後也沒有回來。
由於無法縮短資料處理時間，我重新設計 onboarding，讓等待期間也有實用的設定任務可完成。Shopify 商家可以先連接 marketing integration，或從 Shopify 匯入既有 segments，在 analytics 開放使用前先完成帳號準備。
Fullstory funnel report 顯示，新流程讓啟用率相對成長 30%。
- 啟用率相對成長
- 30%
為 AI flow 的不確定性設計
FilterGPT 是我們的 natural-language segment builder，能將 Shopify 商家的描述轉換成 filter rules。我設計了從輸入到輸出的完整體驗，包括 loading、成功、錯誤，以及結果過長或複雜時的狀態。
由於 AI 回應不一定能預測，每個狀態都必須讓結果容易理解，並為 Shopify 商家提供清楚的下一步。
商家不必自己新增複雜的篩選設定，只要描述想找的受眾即可。
上線後的使用模式顯示，Shopify 商家會用 FilterGPT 建立較複雜的 segment filters，而 manual builder 仍適合處理條件明確的需求。
將 lifecycle data 轉化為下一步行動
Lifecycle Journey 依據購買頻率與最近一次購買時間，呈現顧客的生命週期分布。許多 Shopify 商家難以讀懂這份報表，因此會聯絡客服詢問報表的意義。
我檢視使用者訪談與客服對話，找出 Shopify 商家最常提出的問題。我發現，真正的問題不只是看不懂圖表，而是不知道如何利用圖表決定下一步。
我依照 Shopify 商家想解答的問題重寫報表內容，並與數據分析團隊合作，將可採取行動的洞察直接放入圖表。
更新後，Shopify 商家針對如何解讀 Lifecycle Journey 的提問降至零。
影響
這些改變讓 Shopify 商家能更早感受到產品價值。他們可以在資料處理期間先完成設定、不必寫程式也能建立複雜的 segments，並從每份報表中理解下一步該怎麼做。
Segments 不再只是呈現更多資料，而是協助 Shopify 商家採取行動。