本篇文章梳理和探讨了数据分析中一重要环节“数据监控体系”，明确数据监控体系的重要性以及怎么搭建来展开梳理交流。

所谓的“数据监控”，即采集+呈现，也就是将用户全链路行为数据以及业务数据采集过来，用可视化的图、表来呈现出来。再通过“数据指标”来进行监督和控制。但当产品线业务变得丰富和复杂，单一数据无法满足产品业务线丰富的监控需求，我们就需要搭建更加完善的“数据监控体系”了。

现在我们了解了“数据监控体系”的由来，其实单一数据指标对监督与控制的作用很小的。我们做数据的最清楚，发出去的日、周报表很少有人看的，所以数据监控体系就是将这些单一的数据指标体系与管理流程结合起来，来满足复杂的产品业务线的监控需求。

数据监控体系意义

而好的数据监控体系的重要性有：

• 首先能够反映过去的产品和业务的现状，对现在有所对比和参考；
• 其次就是反映目前的产品业务线的状态的监控，是否数据异常等；
• 并及时发现业务指标的升高或降低，以及产生的原因；
• 更能够反映产品业务线未来的可能发生变化的趋势，再根据指标数据，控制成本等。

明确了“数据监控体系”的重要性，那么接来下，如何进行数据监控体系的搭建呢？

如何进行数据监控体系的搭建？

1. 要明确产品业务目标以及KPI和所处的产品阶段

要认清和明确目标。量化以及拆分目标，是数据分析的灵魂。判断业务走势正常还是异常，探索解决问题的办法，都是从计算目标和现状的差距开始的，这一点非常重要。而不同的产品阶段是有不同的产品目标业务的。(产品生命周期后面我们还会详细说明)

拆解目标，细分可以有多种类型，比如常见几种的：

• 按达成时间为：年、季度、月
• 按服务对象为：各个部门、整个公司
• 按流程位置为：结果型目标/过程型目标

2. 根据现阶段产品业务目标，将数据指标分级

数据指标有很多：日活DAU、月活（MAU）、下载量、激活量、新增注册量、活跃度（DAU/MAU）、次日留存率、次人均时长、首页访问率、停留率、人均充值金额ARPU、GMV，客单价等等，我们会针对不同的指标，分不同的层级。不一定要拆得太细，否则层级会过深，基本上 3 个层级就能够指导我们去做一些动作。（后期数据指标我们还会详细说明）

一级指标（主要为北极星指标）必须是全公司都认可的、衡量业绩的核心指标。它可以直接指引公司的战略目标，衡量公司的业务达成情况，本质上需要管理层和下级员工的双向理解、认同，且要易于沟通传达，比

如公司的销售额，或者社交产品的活跃度。以Facebook早期北极星指标是“注册用户数”，拼多多的北极星指标是“GMV”。北极星指标并非绝对唯一，很多指标都具有相关性，在公司的一定阶段都可以作为北极星指标。

二级指标是北极星指标的路径指标。北极星指标发生变化的时候，我们通过查看二级指标，能够快速定位问题的原因所在。

如我们的北极星指标是 GMV 和订单数量上升，那怎样去定二级指标呢？我们就要去拆解北极星指标，而能够影响到 GMV 和订单数量上升的，就是我们的核心二级指标。比如说货品的单价上升，或者最近做的一些活动。

三级指标是对二级指标的路径的分析。通过三级指标，可以高效定位二级指标波动的原因，这一步也会基于历史经验和拆解。

其实三级指标能够直接执行一线运营的角色和作用。以一级指标 GMV 提升为例，我们拆解后发现是转化率提升，那么转化率就是二级指标。接着分平台去拆解各个转化率的时候，我们发现是 IOS 的客户端转化率有所提升。那为什么安卓没有提升，是不是 IOS 最近做了一些迭代？是不是它的一个转换路径比其他端好？这些思考就能指导业务人员展开行动。

3. 搭建以日、周、月为单位的数据指标监控体系报表

监控每日、过去一周，上周， 上月同周， 上上月同周的数据报表，已图表展示，来反映产品的变化趋势，通过过去的一周数据反映产品现状，通过每日、周、过去的三个月的产品业务线数据变化趋势预估未来的变化趋势。

监控指标体系的基本逻辑：先看北极星指标，结合二、三指标再预测判断未来趋势。

4. 根据数据监控结果，明确管理流程，实现控制

第一，当指标有异常状态，明确运营策略执行者。如：

• GMV降低，客单价降低了→ 用户运营想策略，
• GMV降低，某类商品降幅大了→ 商品运营想策略
• GMV降低，外部流量太少了  → 渠道运营想策略

第二，再明确执行时间。要有时间状态和走向判断的。如:

• 过去+负向，关注什么问题
• 过去+正向，发现什么经验
• 未来+负向，警惕风险是什么
• 未来+正向，提示机会是什么

第三，明确需要多大力度，如：

• 注意出现异常
• 要提高等
• 立即执行

比如：“如客单价不能在3天内得到改善提高，本月KPI将不达标，需立即优化商品组合，提升客单价”。

第四，复盘改善后效果

搭建数据监控体系，最主要环节就是效果的复盘。而且要先看是哪个层级的效果，再看具体效果大小。

总结

总之搭建数据监控体系的时候，我们需要不断的总结并结合过往经验，了解未来产品业务计划，甚至收集一些竞争情况，把整体现阶段的目标，具体到某个人，有明确指向，才能发挥出“数据监控体系”重要性。

虽然梳理的数据监控搭建的方法论可能比较朴素，没有特别高大上的模型和理论依托，但却有赖于对业务充分的理解。实际数据运营工作中不用拘泥，只要能达到反映业务现状，方便各业务及时定位异常点就好。随着不同阶段的产品业务方向和目标需要不断进行更新和调整，也需要不断在全面和精炼中寻找平衡，避免过高的复杂度带来的冗余。

最后，若你有自己的数据监控搭建方法论么，欢迎留言交流！

作者：木兮，数据运营小白；公众号：木木自由，一个运营小白的自留地，帮助对运营，产品，数据，分析感兴趣的伙伴们明确学习方向、开拓视野、相互交流。

本文由 @木兮 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议。