本篇文章梳理和探討了數據分析中一重要環節「數據監控體系」，明確數據監控體系的重要性以及怎麼搭建來展開梳理交流。
所謂的「數據監控」，即採集+呈現，也就是將用戶全鏈路行為數據以及業務數據採集過來，用可視化的圖、表來呈現出來。再通過「數據指標」來進行監督和控制。但當產品線業務變得豐富和複雜，單一數據無法滿足產品業務線豐富的監控需求，我們就需要搭建更加完善的「數據監控體系」了。
現在我們了解了「數據監控體系」的由來，其實單一數據指標對監督與控制的作用很小的。我們做數據的最清楚，發出去的日、周報表很少有人看的，所以數據監控體系就是將這些單一的數據指標體系與管理流程結合起來，來滿足複雜的產品業務線的監控需求。
數據監控體系意義
而好的數據監控體系的重要性有：
首先能夠反映過去的產品和業務的現狀，對現在有所對比和參考；其次就是反映目前的產品業務線的狀態的監控，是否數據異常等；並及時發現業務指標的升高或降低，以及產生的原因；更能夠反映產品業務線未來的可能發生變化的趨勢，再根據指標數據，控制成本等。明確了「數據監控體系」的重要性，那麼接來下，如何進行數據監控體系的搭建呢？
如何進行數據監控體系的搭建？
1. 要明確產品業務目標以及KPI和所處的產品階段
要認清和明確目標。量化以及拆分目標，是數據分析的靈魂。判斷業務走勢正常還是異常，探索解決問題的辦法，都是從計算目標和現狀的差距開始的，這一點非常重要。而不同的產品階段是有不同的產品目標業務的。(產品生命周期後面我們還會詳細說明)
拆解目標，細分可以有多種類型，比如常見幾種的：
按達成時間為：年、季度、月按服務對象為：各個部門、整個公司按流程位置為：結果型目標/過程型目標
2. 根據現階段產品業務目標，將數據指標分級
數據指標有很多：日活DAU、月活（MAU）、下載量、激活量、新增註冊量、活躍度（DAU/MAU）、次日留存率、次人均時長、首頁訪問率、停留率、人均充值金額ARPU、GMV，客單價等等，我們會針對不同的指標，分不同的層級。不一定要拆得太細，否則層級會過深，基本上 3 個層級就能夠指導我們去做一些動作。（後期數據指標我們還會詳細說明）
一級指標（主要為北極星指標）必須是全公司都認可的、衡量業績的核心指標。它可以直接指引公司的戰略目標，衡量公司的業務達成情況，本質上需要管理層和下級員工的雙向理解、認同，且要易於溝通傳達，比
如公司的銷售額，或者社交產品的活躍度。以Facebook早期北極星指標是「註冊用戶數」，拼多多的北極星指標是「GMV」。北極星指標並非絕對唯一，很多指標都具有相關性，在公司的一定階段都可以作為北極星指標。
二級指標是北極星指標的路徑指標。北極星指標發生變化的時候，我們通過查看二級指標，能夠快速定位問題的原因所在。
如我們的北極星指標是 GMV 和訂單數量上升，那怎樣去定二級指標呢？我們就要去拆解北極星指標，而能夠影響到 GMV 和訂單數量上升的，就是我們的核心二級指標。比如說貨品的單價上升，或者最近做的一些活動。
三級指標是對二級指標的路徑的分析。通過三級指標，可以高效定位二級指標波動的原因，這一步也會基於歷史經驗和拆解。
其實三級指標能夠直接執行一線運營的角色和作用。以一級指標 GMV 提升為例，我們拆解後發現是轉化率提升，那麼轉化率就是二級指標。接著分平臺去拆解各個轉化率的時候，我們發現是 IOS 的客戶端轉化率有所提升。那為什麼安卓沒有提升，是不是 IOS 最近做了一些迭代？是不是它的一個轉換路徑比其他端好？這些思考就能指導業務人員展開行動。
3. 搭建以日、周、月為單位的數據指標監控體系報表
監控每日、過去一周，上周， 上月同周， 上上月同周的數據報表，已圖表展示，來反映產品的變化趨勢，通過過去的一周數據反映產品現狀，通過每日、周、過去的三個月的產品業務線數據變化趨勢預估未來的變化趨勢。
監控指標體系的基本邏輯：先看北極星指標，結合二、三指標再預測判斷未來趨勢。
4. 根據數據監控結果，明確管理流程，實現控制
第一，當指標有異常狀態，明確運營策略執行者。如：
GMV降低，客單價降低了→ 用戶運營想策略，GMV降低，某類商品降幅大了→ 商品運營想策略GMV降低，外部流量太少了 → 渠道運營想策略第二，再明確執行時間。要有時間狀態和走向判斷的。如:
過去+負向，關注什麼問題過去+正向，發現什麼經驗未來+負向，警惕風險是什麼未來+正向，提示機會是什麼第三，明確需要多大力度，如：
注意出現異常要提高等立即執行比如：「如客單價不能在3天內得到改善提高，本月KPI將不達標，需立即優化商品組合，提升客單價」。
第四，復盤改善後效果
搭建數據監控體系，最主要環節就是效果的復盤。而且要先看是哪個層級的效果，再看具體效果大小。
總結
總之搭建數據監控體系的時候，我們需要不斷的總結並結合過往經驗，了解未來產品業務計劃，甚至收集一些競爭情況，把整體現階段的目標，具體到某個人，有明確指向，才能發揮出「數據監控體系」重要性。
雖然梳理的數據監控搭建的方法論可能比較樸素，沒有特別高大上的模型和理論依託，但卻有賴於對業務充分的理解。實際數據運營工作中不用拘泥，只要能達到反映業務現狀，方便各業務及時定位異常點就好。隨著不同階段的產品業務方向和目標需要不斷進行更新和調整，也需要不斷在全面和精煉中尋找平衡，避免過高的複雜度帶來的冗餘。
最後，若你有自己的數據監控搭建方法論麼，歡迎留言交流！
本文由 @木兮 原創發布於人人都是產品經理，未經作者許可，禁止轉載。
題圖來自Unsplash，基於CC0協議。