在資料驅動的公司裡，我們常常以為最大的挑戰是「沒有資料」。 但對 Spotify 來說，真正的痛點卻是：資料很多，卻找不到、也用不好。
Spotify 內部打造了 Lexikon — — 這是一個用來「找資料 + 理解資料 + 找到資料背後的人」的內部資料搜尋平台（Data Discovery & Data Catalog）。它希望幫助資料科學家更快速找到並使用 BigQuery 上的資料。
然而即使平台上線後，Data Discovery 仍是公司內最常被抱怨的痛點之一。
於是 Spotify 團隊換了一個角度思考：
如果我們把 Data Discovery 當成一個真正的產品來設計，而不是單純的搜尋工具，會發生什麼事？
這篇文章從產品經理 (特別是 Data PM、AI PM) 的視角出發，拆解 Spotify 的問題診斷、使用者意圖 (User Intent)、關鍵設計決策，適合所有正在打造企業知識平台、AI Search 或推薦系統的 Product Builder 參考。
2016 年 Spotify 大舉遷移到 Google Cloud Platform（GCP）後，BigQuery 上的資料集數量急遽增加，加上大量招聘資料科學家與分析師，導致資料與研究成果碎片化，僅在局部團隊內流通。
資料科學家反映，尋找正確資料集耗費大量時間（平均每月需處理 25–30 個不同資料集）。若資料發現效率低下，將直接拖慢洞察產出與決策速度。
隨之而來的典型問題包括：
2017 年推出的第一版 Lexikon 雖然獲得初步採用（約 75% 資料科學家使用、約 550 月活躍用戶），但後續調查顯示： Data Discovery 仍然是核心瓶頸。
Spotify 沒有停留在「工具已經做出來了」的階段，而是深入挖掘使用者行為，重新定義問題本質。
Spotify 借用自身最擅長的「音樂發現」思維，將資料探索行為區分為兩種不同的使用者意圖。
這類使用者通常是新進員工、接手新專案的成員，或尚不清楚公司有哪些資料可用。核心特徵：他們其實不知道自己要找什麼。
Spotify 解法：徹底重新設計 Lexikon 首頁，導入個人化推薦系統
有趣的是，團隊原本考慮使用 NLP 等複雜推薦模型，但最終發現基於使用統計的簡單啟發式規則（Heuristics）就已經非常有效。
改版後，首頁推薦貢獻了約 20% 的資料表流量。
💡 PM Insight： 在導入 AI 之前，先確認簡單的使用者行為數據是否已足夠解決問題。
這類使用者已有明確目標，例如想找特定資料表、欄位（Schema Field）、Project 或團隊資料。
解法一：優化搜尋排序（Search Ranking） 在關鍵字匹配之外，大幅提升「熱門程度」權重（Popularity、Usage Frequency、Trust Signals），讓搜尋結果不只是相關，而是最可信、最常被使用。
解法二：建立多維度實體頁面（Entity Pages） Spotify 擴展搜尋至多種實體：
例如搜尋 `track_uri`： 系統會展示包含該欄位的資料表、相關團隊與使用情況、使用頻率與熱門度。
結果：約 44% 月活躍用戶 會使用這些中繼頁面。
💡 PM Insight： 優秀的產品需先理解使用者意圖（Intent），再提供對應的探索路徑。
Spotify 一開始採用 Codification Strategy（知識文件化）建立 Data Catalog，但很快發現：
資料科學家找不到資料時，最常做的仍然是 — — 直接問人。
解法一：Expert Discovery（專家地圖） 搜尋關鍵字時，系統不僅顯示資料集，還會列出相關專家（Dataset Creator、Dashboard Owner、Research Author 等），並依生產貢獻（Production Signals） 排序，生產權重高於單純使用行為。
解法二：Slackbot 整合 在 Slack 通訊軟體內分享 Lexikon 連結時，Bot 自動展開豐富摘要（擁有者、使用統計、常用欄位等）。
結果：Slack 上的 Lexikon 連結分享量提升約 25%。
💡 PM Insight： 建立企業內部的 Knowledge Network，融合人際互動比純文件化更有效。
Spotify 發現真正的卡點不在「找到資料」，而在「不知道怎麼用」。
因此強化以下功能：
💡 PM Insight： 最後一哩（Last Mile）體驗，往往決定產品是否能真正被廣泛採用。
Lexikon 迭代後成果顯著：
Spotify 最值得學習的地方在於：他們沒有把問題定義為「搜尋做得不夠好」，而是重新思考使用者真正想完成的任務。
當團隊從 Search Thinking 轉向 Product Thinking 後，Lexikon 從單純的資料目錄，進化成完整的知識探索平台。
在 AI Agent 與 RAG（Retrieval-Augmented Generation，檢索增強生成）逐漸成熟的背景下，企業知識管理的核心正在改變：
從「找到資料」進化為「理解情境並完成任務」。
傳統 RAG 多半仍停留在被動流程：Query → 檢索 → 生成回答。 但在 Agentic RAG 架構下，AI Agent 擁有更強的主動性（Agentic Capabilities），能夠自主拆解複雜任務、進行多輪檢索與推理、驗證資訊來源，並在必要時呼叫工具或連結到對應的人，從單純的「問答系統」進化為真正的「任務執行系統」。
這帶來一個關鍵轉變：知識系統的價值，不再只是資訊覆蓋率，而是語境理解能力。Spotify 的 Lexikon 案例為我們提供了重要啟示 — — 未來的企業知識平台，需要同時支援三件事：
當這三者結合時，知識系統將不再只是資料庫，而是企業真正的「決策基礎設施」。
在這個脈絡下，無論是 Spotify Lexikon 這樣的 Data Catalog，還是未來的 AI Agent 系統，本質上都在往同一個方向演進：
讓 AI 不只是回答問題，而是能協助人做出更可靠、更有價值的決策。
本文參考 Spotify Engineering Blog（2020） 《How We Improved Data Discovery for Data Scientists at Spotify》，並從產品管理視角重新整理。
希望以上的分享有幫助到您！ 如果喜歡也請多多拍手鼓勵我持續撰寫文章，謝謝😊