其次,根据业务方关注的细化流程来看。
有了实时指标监控的数据产品,只能帮我们快速发现异常,有些场景还是需要人工接入定位异常原因并做跟进解决,同时还需要同步给相关干系人。
实时业务指标跟踪平台上线后 效果如何呢? 我们选取了其中一个 异常归因的case,在上线前和上线后,定位时效提升了数倍,举例如下:
四、优化方向
以上是笔者在互金领域的实践总结,但是数据指标监控体系的建立的一般方法论却是适用于各行各业。笔者思考后,依然觉得有四点可以优化的方向,具体总结如下:
1. 接入更多业务归因分析场景
比如客服和催收团队特别关注的 接通率,平均接通时长等。
2. 业务自助选择需要的指标来监控
这需要建立一个全面的指标体系,同时提供给业务自助监控的工具,业务自主选择指标,判断逻辑,阈值,发送人等。
3. 智能化的阈值预警
现在的阈值更多的是靠人工来调整,是否可以探索出一种方法,能自动学习历史经验来调整阈值。这是个长期的过程,还是需要人工不断的反哺,前期采用人工 机器结合的方式。
4. 指标异常定位追踪全线上流程记录
目前的追踪方式 是数据产品同学人工记录整个case追踪流程,采取邮件形式跟踪问题解决进度。是否可以形成一个追踪的闭环,比如异常case发送后,由指标负责人自己跟踪并将结果线上反馈到系统,同时能自动通知所有干系人,包括关闭后也能通知。
理想的是如下闭环流程全部实现线上化:
指标选择 —— 异常定义 —— 阈值调整 —— 异常预警 —— 告知干系人 —— 异常排查 —— 结果跟踪 —— Case 关闭。
实现以上流程的闭环,则代表数据驱动从 人找数据思维转变到 数据找人的思维。