一、数据监控是啥
举个简单的例子，开车的时候，开个导航，导航就是个数据监控产品。只要设定好终点，导航可以根据定位自动显示起点，然后一路上提醒你：
- 距离目标还有XX公里
- 当前路段限速80，您已超速
- 前方拥堵，已为你推荐新路线
瞧，多好用！
从这个小例子里，能看出来数据监控四要素：
- 监控目标（目的地）
- 当前情况（到达时间、速度）
- 业务行动（坐什么车，选哪个路）
- 预计判断（基于当前拥堵预判）
而现实中，这四样东西很可能不存在，这就是所谓“无理取闹型diss”。
二、无理取闹的diss
无理取闹一：没有监控目标。
喊着让监控DAU，那么，DAU每日目标是多少？丫自己都不知道！喊着让监控销售额，销售额每日目标是多少？丫也不知道！这就好像要开车了，打开导航大喊：“导航导航，你快分析出来我想去哪里！”亲，你需要的不是导航，是魔法扫除哈。
无理取闹二：标准来回变化。
定了每日目标，但是丫觉得“你看，昨天超标5%，今天超标1%，不行不行，肯定有问题！”还是回来吐槽。结果过两天，业绩不达标了，他又觉得“你看前几天都超标，真好！”这种反复横跳，让人目标名存实亡，还咋积累经验。
无理取闹三：忽略周期规律。
这种人最喜欢盯着一个数字大呼小叫，今天涨了1%啦，明天跌了0.5%啦，上蹿下跳逼着你深入分析。如下图，业务本身就是有周期变化的呀，如果整体走势没啥大问题，纠结一天能得出啥结果来……
无理取闹四：故意回避变化。
这种人和上一种是反着的。上一种人神经过敏，这一种人神经大条。如下图2，非要拖到数据跌得不行了，才意识到问题。说穿了，就是不想直面问题，能耗就耗着。
以上种种，本质上是业务部门自身缺少数据思维，拍脑袋决策拍习惯了导致的。不过有一个更深入的问题，还在后边。
三、深层本质
问：如果导航只收集一辆车的行车数据，能不能显示出整条路哪里堵，哪里不赌？当然不行！它得把所有车的数据汇总起来，才容易看出问题。这就是做数据的时候“长袖善舞，多钱善贾”的效应。
做业务监控同理。如果只收集了总销售收入结果，那就只能提供结果监控。如果有对组成销售收入各个渠道，各个客群做数据收集，就能看到是哪个部分出问题；如果对销售转化过程有数据记录，就可以看到哪些节点出了问题。越详细的记录，监控的时候发现问题就更具体。
同理，影响结果的原因非常多：用户需求、业务行动、外部环境等等。并且，这些原因不见得能直接用某个指标+维度量化，需要打业务标签，做长期记录观察，才能总结出规律。
比如做个促销，大家都知道业绩会涨。但到底涨多少，和以下因素都有关系：
- 促销力度
- 促销形式
- 目标数量
- 用户响应
- 执行过程
要把过去做过的活动，打上业务标签，一一对比，才能看出差异（如下图）。
这种活，只靠一次分析，一天的监控肯定搞不掂。需要长期积累。如果缺少积累，大家只是口头上笼统讨论“为啥上活动了，业绩还不涨？”那肯定讨论不出来个东西。
很多时候，业务会说：数据有很多，就是没用起来。注意！业务部门经常把数据的条数多，当成“数据很多”。而数据分析口中的“数据很多”指的是过程指标+分类维度很多（如下图）。
这里的区别是巨大的，过程指标+分类维度，才是深入解读的数据的关键。
- 有过程指标，才能看到问题发生节点
- 有分类维度，才能做个体对比找差距
- 有业务标签，才能快速抓住重点问题
光有一个结果指标，数据的可分析程度是很稀薄的，也就看看周期规律，没了。
当然，还有些场景，是数据分析师自掘坟墓，引火烧身。
四、自掘坟墓招diss
最大的自掘坟墓行为，当然是：闭门造车，不懂业务。
- 有的上网到处问“GMV波动的标准是啥呀”
- 有的拿着1%波动差异和各种维度交叉试图看大小的
- 还有的一门心思研究指标是不是符合正态分布，2倍标准差在哪的
结果这么选出来的“异常值”，不是自然波动，就是业务在上活动。除了引来一句“我早知道了”以外，别无他用。
五、小结
业务上的数据异常，指的是实际业绩数据，超过业务的期望值。
- 在期望值内的，哪怕数字上波动很大，也不见得引发焦虑。
- 超过期望值的，哪怕数字小，哪怕是上涨，也会引发疑问。
- 没有期望值的，标准反复横跳的，丫当然会天天焦虑。
因此，想让监控做得好，需要一个系统工程：
- 量化业务目标
- 按时间/部门拆分目标
- 了解目标指标的周期规律
- 了解业务部门到底干了啥？
- 收集过往业务行动效果
结合业务行动+趋势变化，解读数据。
这样才能充分评估形式，做出准确的判断。当然并不是每个公司都有这么好的氛围，甚至经济下行压力之下，有些公司的业务就是喜欢把锅乱甩，所以作为数据分析师，我们做好本分工作，我们自己不要犯四种无理取闹错误，多积累经验即可。换工作的时候，也能充分证明自己的实力。请大家放宽心，学到的本事，始终是自己的。
