對于數(shù)據(jù)人尤其是數(shù)據(jù)產(chǎn)品和分析師，最難排查（頭疼）的問題就是指標為什么升/降/沒數(shù)，一旦業(yè)務方提出這種問題就意味著有大半天的時間要花在確認指標口徑+計算邏輯+埋點采集上，而且要同時跟業(yè)務方、分析師、數(shù)據(jù)產(chǎn)品、數(shù)倉甚至是負責埋點的開發(fā)溝通，所以對于業(yè)務達到一定復雜度和指標達到一定量級的情況下，采用人肉運維的方式顯然是事倍功半的，搭建一套指標監(jiān)控體系來保證產(chǎn)出數(shù)據(jù)的時效性和數(shù)據(jù)質(zhì)量才是正解。

由于搭建指標監(jiān)控體系要做的工作實在太多，本文我們重點討論幾個場景，在這些場景下我們數(shù)據(jù)產(chǎn)品經(jīng)理能夠發(fā)揮哪些作用。

以一個實際場景case舉例，聊聊當數(shù)據(jù)出現(xiàn)異常波動時監(jiān)控體系是如何發(fā)揮其作用的。

業(yè)務小李同學發(fā)現(xiàn)，昨天App首頁的人均停留時長日環(huán)比上漲了40%，于是小李找到分析師和數(shù)據(jù)產(chǎn)品詢問指標下降的原因。

此類問題相信各位數(shù)據(jù)人都不陌生，大家的反應都是先和業(yè)務確認最近是否產(chǎn)品有過升級或者策略調(diào)整，如果沒有的話就要排查數(shù)據(jù)流轉(zhuǎn)的各個環(huán)節(jié)是否有問題，以下圖為路線，我們分析在這些環(huán)節(jié)是否能前置的做些監(jiān)控和定位工作。

01

數(shù)據(jù)同步

不管是埋點數(shù)據(jù)和還是業(yè)務數(shù)據(jù)，最終都是以一張張日志表的形式同步到數(shù)倉ODS層，如果是數(shù)據(jù)同步有缺失，可以查看數(shù)據(jù)拉取服務、埋點日志解析、ETL等過程是否異常，可以將上述注意點整理一個checklist，做成任務每天例行檢查，能做到對以上異常情況的定位也就初步完成了數(shù)據(jù)同步環(huán)節(jié)的監(jiān)控。數(shù)倉同學經(jīng)排查并未看到執(zhí)行失敗的任務，可以確定數(shù)據(jù)同步環(huán)節(jié)是正常的。

02

調(diào)度監(jiān)控

其實調(diào)度監(jiān)控和任務管理有著很密切的聯(lián)系，最終目的都是為了把這些任務有序的運行起來，調(diào)度系統(tǒng)的設計可以重點考慮以下幾個特性：

那么如何通過產(chǎn)品化的形式展示當前任務的調(diào)度狀態(tài)呢？一般大家都會選擇用血脈圖來展示，數(shù)據(jù)產(chǎn)品在設計血脈圖的展現(xiàn)形式時，可以考慮不僅能展示作業(yè)組、節(jié)點、表名、字段名、運行狀態(tài)等，還要考慮能將業(yè)務實體，也就是指標與調(diào)度信息進行關(guān)聯(lián)。 當然能做到這個粒度依托與數(shù)倉治理的程度，如果數(shù)倉規(guī)范和治理做的沒那么精細，我們可以抓重點來做：比如梳理一些重要指標的調(diào)度關(guān)系，先把這些重要指標的調(diào)度監(jiān)控做起來，這樣也是比較容易看到成效的。

此時我們查看血脈圖可以看到總停留時長這個指標是執(zhí)行成功狀態(tài)，且依賴的作業(yè)也是執(zhí)行成功的狀態(tài)，而我們要排查的人均停留時長指標是總停留時長指標的派生指標，這樣我們可以得出結(jié)論并非是調(diào)度任務出現(xiàn)問題，接下來可以排查是否是運行指標的任務出了問題。

03

任務管理

看到這兒會發(fā)現(xiàn)我們越來越接近指標層了，而隨著指標數(shù)量越來越多、指標口徑越來越復雜，就會出現(xiàn)下面令人頭疼的問題：

----任務不能在計劃時間內(nèi)完成

----下游依賴的任務已經(jīng)執(zhí)行了但上游任務還沒跑完，這時候沒有數(shù)據(jù)下游任務報錯

----兩個任務并行執(zhí)行影響數(shù)據(jù)結(jié)果

排查任務錯誤原因越來越麻煩、各種依賴關(guān)系越來越復雜、最后排查問題就要從一團團亂麻中理出已跟麻繩。

而為了保證指標產(chǎn)出的準確性，就必須要求生成這些指標的任務按照上下游依賴有序進行，最終能確保按時生成指標。

為了保證指標產(chǎn)出的監(jiān)控性，要做到對導入任務的監(jiān)控，具體有支持查看導入任務的執(zhí)行紀錄、執(zhí)行狀態(tài)、失敗原因等，這樣當指標數(shù)據(jù)未產(chǎn)出時可以通過導入任務的執(zhí)行狀態(tài)來分析問題。

而為了保證指標的時效性我們可以配置指標負責人、運維人員、SLA來保證，當任務執(zhí)行時間超過SLA觸發(fā)報警機制。

接下來回到我們排查人均停留時長這個問題，已知他的原子指標總停留時長的作業(yè)是沒問題的，那么我們分析這個指標的計算邏輯：

人均停留時長=總停留時長/DAU

我們看到上游產(chǎn)出DAU的任務失敗了，后經(jīng)開發(fā)排查，是因為DAU的表里有個小時表執(zhí)行失敗了，導致DAU算的數(shù)據(jù)偏少，進而人均停留時長數(shù)據(jù)異常增長。

04

指標檢驗

最后就是對指標數(shù)據(jù)進行檢驗，在導入任務執(zhí)行完產(chǎn)出數(shù)據(jù)后，如何驗證產(chǎn)出的數(shù)據(jù)符合預期呢？我們可以給指標的波動范圍設計閾值（一般是日環(huán)比和周同比的形式），關(guān)于閾值如何設定，有的團隊可能采用業(yè)務方提供的波動值來作為閾值，但這種判斷容易受主觀思維影響，從數(shù)據(jù)的角度出發(fā)可以考慮取以往的指標波動均值作為參考閾值，這樣我們在閾值的設定上是比較科學的。

如果是業(yè)務調(diào)整帶來的波動，那在計劃調(diào)整的時候肯定是有個預期的波動值，我們只需要在調(diào)整后及時在報表展示平臺添加好提示，同時也檢查下數(shù)據(jù)波動和業(yè)務的預期是否一致，這樣也會降低一些因業(yè)務調(diào)整帶來的口徑波動解釋成本

在指標校驗環(huán)節(jié)我們發(fā)現(xiàn)人均停留時長這個指標已經(jīng)超過了設置的20%的閾值，所以業(yè)務同學收到了報警，然后就開始了我們文章一開始出現(xiàn)的那一幕。

指標監(jiān)控體系看似是對指標的監(jiān)控，實際上是對整個數(shù)據(jù)生產(chǎn)流程的監(jiān)控，但本文只是簡單的講了這幾個環(huán)節(jié)，排查實際問題中并不只是這些環(huán)節(jié)會有問題，比如數(shù)據(jù)同步環(huán)節(jié)發(fā)現(xiàn)解析到的埋點日志很少，那么我們要排查是否埋點出現(xiàn)異常；調(diào)度監(jiān)控除了血脈圖還有元數(shù)據(jù)管理平臺等等。。。

總之數(shù)據(jù)采集到數(shù)據(jù)可視化是個漫長且復雜的鏈路，對于企業(yè)級的指標監(jiān)控系統(tǒng)，這些事還遠遠不夠，不同公司面臨的困難不一樣，方法也不一樣，思考如何制定適合自己業(yè)務和技術(shù)現(xiàn)狀的監(jiān)控方案，這樣才能更好的落地實施。

編輯：jq