文：脚下日月
文源：友盟数据运营舍
运营小咖秀声明：严禁任何形式的转载、部分转载；违者必究！
不少创业者在对APP数据进行监控的时候，没有看数据的经验，在数据指标的选择上也完全找不到重点，对于初创团队来说，哪些数据是应该重点监控的？给大家推荐一篇比较好的文章，看看这个创业初期的O2O商家平台产品是怎样做数据监控的？
以下内容转载自PM范儿，原文作者：脚下日月，原文转载时略有删减。
问：
创业公司的O2O项目，一款集合商家的平台型产品，哪些数据比较重要，必须在第一版本就开始监控分析？哪些数据比较次要，可以放到后期版本再说？虽然有第三方（比如友盟），监控的数据很全，但我不是很清楚轻重缓急，望各位多多指教。
答：
刚好趁着这个案例，总结一下自己在数据分析上的一些心得。
先丢出一个观点：“数据指标为目标服务”
从这个观点可以得到几条推论：
推论一：清楚目标是最关键的一步，如何清楚并设立目标是需要解决的第一个问题。
推论二：解构目标，即可得到对应的数据指标。
从推论一出发，我们首先要解决的问题是找到最高优先级的目标，设立准确的目标。一个产品的目标受什么影响？
1、产品的生命周期；2、产品的类型；3、产品的商业模式（推广、盈利等）；4、面对的用户群体；5、公司的目标；6、市场竞争环境等等
从问题的描述来看，我们可以得到这个产品的当前特征。
1、产品的生命周期：初生期-摸索；
2、产品的类型：O2O电商平台类；
3、产品的商业模式：推广以线上和线下地推为主；针对商家抽佣为主要的盈利模式；
4、产品定位与用户群体：假设该产品针对白领提供高端餐饮服务的平台，有toB商家端和toC用户端；为便于分析，假设题主负责的是toc端产品。
再假设以下两点：
1、市场竞争环境：市场竞争激烈，有相同竞品，但还没有出现巨头，但同行已出现领先者；
2、公司的目标：2年内不考虑盈利。
基于以上多种影响因素，可以得到当前最高优先级的目标：快速增长用户，覆盖市场。围绕这个目标，现在开始通过多种因素解构目标，获得关键数据指标。
1、初生期的产品：
关键点：用户的反馈，满足需求，提升用户满意度
关注数据指标：用户的留存、活跃、反馈、用户画像（忠实用户、流失用户、一般用户）的特点与需求分析；
2、O2O 电商平台类：
关键点：产品类型决定了产品的重点服务对象，O2O电商是线下业务很重的产品。在产品的初期阶段，首先要服务好商家，积累商家资源，商家有单子才愿意持续在上面提供更多服务；然后是C端引流，增加C端用户量
关注数据指标：商家用户的订单量、接单率、客单价、哪些商家订单量最高、哪种类型的商家最受欢迎。
3、产品的定位与用户群体
关键点：从产品的定位上可以知道主要针对的白领用户，提供高端餐饮服务。这决定了产品的架构、设计，全都是针对白领的高端服务，用户类型当中尤其关注白领用户
关注数据指标：白领用户的行为特征：喜欢的商品类型、客单价，不同忠诚度的用户特征。
4、市场竞争环境
关键点：由于市场有存在领头者，已经有借鉴对象，意味着已经有可参考的数据指标借鉴，受此影响试错的成本相对降低。
关注数据指标：借鉴竞争对手的数据标准。（日活，次日留存、客单价、月订单量、覆盖商家数量）等
数据指标服务于产品的目标。没有目标，制定的产品的数据指标不会合理。而这个产品目前最重要的目标是服务好用户，快速增长用户。所以对于用户的数据分析是最重要的。
基于目标、起点、途径的思路，我们再转移视角，看一下常常用来当作数据分析中的案例电商购买流程的漏斗模型，常规电商的用户购买逻辑是这样的：
“ 商品列表浏览 → 商品详情查看 → 确认订单 → 支付 → 结束 ”
假设在产品初期，没多少用户量。我们观测到整个流程当中的关键转化率数据：列表转详情页（80%），详情转订单（70%），订单转支付（20%）。但这个时候，我们的关键目标并不在于购买流程的转化率，而是增加大量商家、有更多的商品可选择，所以我们不会把时间浪费到这上面的页面的转化，因为产品初期用户量很小，还有很多环节需要做事情，但订购流程至少已经跑通了。
假设在产品中期，有一定用户量。我们观测到整个流程当中的关键转化率数据：列表转详情页（80%），详情转订单（70%），订单转支付（20%）。这个时候的关键问题并不在前面阶段的转化率，而是订单转支付的环节转化率偏低，那我们的此时重点目标会先提升订单转支付的转化率。这时候会专门研究订单页的相关数据指标（页面浏览时间、用户操作行为）等等。
再假设处于产品成熟期，我们观测到整个流程当中的关键转化数据:列表转详情页（80%），详情转订单（70%），订单转支付（20%），这些数据经多位前任产品经理调到了较成熟状态。这个时候我们会更详细关注每个阶段的详细数据，不断的做小更改，做测试、优化。这时候某个流程上能提升1%，将给公司带来的巨大效益。
确立了以上的基础思路后，再来想如何提升数据分析的能力和敏感度。每天第一件事看数据，跟数据打交道，关注异常，才能掌握数据的敏感度。常讲深挖数据，背后是一个人深度思考的能力，我发现这件事说简单也复杂，流程是：遇到异常数据、问为什么、假设、推演、细分数据。至于细分数据，就是围绕不同的维度来观测数据，比如不同忠诚度的用户的分析，比如基于购买流程的维度分析，穷尽各种细粒度的维度可以得到不同的数据结果。
