編輯導語：在産品運行流程中，數據分析尤為重要。有效的數據分析有助于優化産品設計、助推産品運營，有利于用戶體驗的提升與産品後續的叠代升級。而合理的數據埋點可以幫助跟蹤用戶情況、采集數據以反饋信息。本篇文章裡，作者介紹了快速學會數據埋點的方法，一起來看一下。

對于産品經理、運營、數據分析師來說，數據的重要性非比尋常，直接影響最終的決策，好的數據源才是數據分析的基礎。而數據分析的第一步就得做好數據的埋點工作，也是最為重要的環節之一。

本來近5000字和大家一起聊聊如何快速學會埋點操作，歡迎查缺補漏，本文目錄如下：

1. 什麼是埋點；
2. 埋點的作用；
3. 埋點方式 （3種）；
4. 埋點步驟 （6大步）。

一、什麼是埋點

所謂“埋點”，是數據采集領域的術語，指的是針對特定用戶行為或事件進行捕獲、處理和發送的相關技術及其實施過程。在此過程中收集所需信息，以跟蹤用戶的使用情況，最後分析數據作為後續叠代産品或者運營工作的數據支撐。

埋點也是為了滿足快捷、高效、豐富的數據應用而做的用戶行為過程及結果記錄。數據埋點是一種常用的數據采集的方法。埋點是數據的來源，采集的數據可以分析網站/APP的使用情況，用戶行為習慣等，是建立用戶畫像、用戶行為路徑等數據産品的基礎。

比如訂單成交率：我們進入到商品詳情頁操作，同時按要求進行數據采集和上報，告訴服務器我們主動幹了什麼或者被動出發了什麼？然後進入訂單結算頁面，進行其他操作，以此類推。

最後後台可以統計出各個點擊事件和預置事件，根據得到的數據還原出用戶的各種行為，最終将這些數據可視化出來，進行深入分析。

二、埋點的作用

提高渠道轉化：通過跟蹤用戶的操作路徑，找到用戶流失的節點，比如支付轉化率，通過下圖的漏鬥分析，就能分析出用戶在哪個環節流失率最大，找到問題并給予優化。

圖1：支付率漏鬥分析

• 精準客戶運營：按照一定需求對用戶打标簽或分組，實現精準營銷、智能推薦（千人千面——等。比如根據（電商）用戶浏覽行為、收藏行為、加購行為、 購買行為，可用按商品到底等維度進行分組，推薦不同價格的商品給不同分組的用戶。
• 完善客戶畫像：基本屬性（性别、年齡、地區等），行為屬性；
• 數據分析：埋點作為原料放在數據倉庫中。提供渠道轉化、個性推薦等；
• 改善産品：通過用戶行為分析産品是否有問題，例如用戶有沒有因為設計按鈕過多導緻用戶行為無效等問題，以此發現功能設計缺陷等。

三、埋點方式

埋點方式分為：代碼埋點、可視化埋點、無埋點（全埋點）。

1. 代碼埋點

它的技術原理也很簡單，在APP或網站加載的時候，初始化第三方服務商數據分析的SDK，然後在某個事件發生時就調用SDK裡面相應的數據發送接口發送數據。目前，國内的主要第三方數據分析服務商有百度統計、友盟、TalkingData、神策等。

優點：

靈活性強，使用者可以比較方便的自定義屬性、事件，傳遞各種所需的數據到服務端。

缺點：

1. 人力成本高，每一個埋點都需要技術人員手動的添加代碼；
2. 更新成本較大，每一次更新埋點方案，可能都需要改代碼。

2. 可視化埋點

又稱框架化埋點，利用可視化交互手段，業務人員都可以直接在頁面上進行簡單圈選，以追蹤用戶的行為（定義事件），節省了開發時間。不過可視化埋點仍需要先配置相關事件，再采集。

優點：

1. 可視化埋點很好地解決了代碼埋點的人力成本高和更新成本較大的問題；
2. 隻需一開始技術在頁面接入SDK的代碼，後續埋點隻需業務人員自己按規則操作即可，無需開發再次接入。

缺點：

1. 可視化埋點無法做到自定義獲取數據，覆蓋的功能有限，目前并不是所有的控件操作都可以通過這種方案進行定制；
2. 上報行為信息容易受限。

圖2：諸葛IO可視化埋點部分操作

3. 無埋點

無埋點是指開發人員集成采集 SDK 後，SDK 便直接開始捕捉和監測用戶在應用裡的所有行為，并全部上報，不需要開發人員添加額外代碼。

或者是說用戶展現界面元素時，通過控件綁定觸發事件，事件被觸發的時候系統會有相應的接口讓開發者處理這些行為。

使用者通過管理後台的圈選功能來選出自己關注的用戶行為，并給出事件命名。之後就可以結合時間屬性、用戶屬性、事件進行分析了，所以無埋點并不是真的不用埋點了。

優點：

1. 由于采集的是全量數據，所以産品叠代過程中是不需要關注埋點邏輯的，也不會出現漏埋、誤埋等現象；
2. 無埋點方式因為收集的是全量數據，可以大大減少運營和産品的試錯成本，試錯的可能性高了，可以帶來更多啟發性的信息；
3. 無需埋點，方便快捷。

缺點：

1. 缺點與可視化埋點相同，未解決個性化自定義獲取數據的問題，缺乏數據獲取的靈活性；
2. 無埋點采集全量數據，給數據傳輸和服務器增加壓力；
3. 無法采集自定義屬性、事件。

圖3：GrowingIO無埋點部分操作

四、埋點步驟

那麼，埋點操作過程又是怎樣的呢？一般可以分成以下六個步驟：确定目标/指标、數據采集規劃、埋點采集數據、數據評估和數據分析、确定優化方案、如何評估解決方案的效果。

1. 确定目标/指标

為什麼要有埋點指标呢，因為産品需要量化，量化了之後才知道産品做得好不好。所以在真正設計埋點之前，就要想好怎麼分析這些埋點，隻有确定好了分析思路，你才知道需要哪些埋點。

比如，我們發現App每天的日活很高，但是最終完成付款卻很少。那麼我們的目标就是提高支付轉化率，了解為什麼用戶沒有有效支付，是哪一個環節讓用戶猶豫了。

我們一起看看常見的指标有哪些：

• PV（page view）：即頁面浏覽量，用戶每次對頁面訪問均被記錄計數；
• UV（unique visitor）：即獨立訪客，訪問您網站的一台電腦客戶端為一個訪客，00:00-24:00内相同的客戶端隻被計算一次；
• 轉化率：隻在一個統計周期内，完成轉化行為的次數占總數的比率；
• 活躍度：主要衡量産品的粘性，用戶的穩定性以及核心用戶的規模，觀察産品在線的周期性變化，如日活、月活；
• 留存率：在統計周期（周/月）内，每日活躍用戶數在第N日仍啟動該App的用戶數占比的平均值。其中N通常取2、3、7、14、30，分别對應次日留存率、三日留存率、周留存率、半月留存率和月留存率。

2. 數據采集規劃

隻有對産品的結構和邏輯足夠了解，才知道哪些是需要關注的數據和指标，以及怎樣通過對這些指标的監控實現最終的目标，因此這時我們需要将産品功能抽象化、邏輯化和結構化，拆分成具體的邏輯層次。

比如之前圖1：支付率漏鬥分析的目标，我們需要拆解用戶從進入App頁面到完成支付的每一個步驟的數據，每一次輸入的數據。比如：進入商品詳情頁（PV/UV）→點擊購買（次數） →提交訂單（次數） →支付操作（結果返回）等步驟。

在這環節我們可能要輸出一份埋點文檔，這是埋點需求分析結果的落地方案。不同平台、不同渠道，對于業務需求的不同，所産出的埋點文檔結構和埋點方案都不同，接下來以神策平台埋點文檔進行大緻講解。

1）公共屬性

如果某個事件的屬性，在所有事件中都會出現，可以将該屬性設置為事件公共屬性。設置公共屬性後，之後觸發的所有事件，都會自動加上設置的公共屬性。

2）預置事件/預置屬性

預置事件指平台已經定義好的事件，後端埋點時，無法自動采集預置屬性，需要手動傳輸（其他平台可能會有不同定義）。

圖4：預置事件

圖5：預置屬性

3）自定義事件

産品經理和技術人員約定好相關規則，如事件命名規則、變量命名規則等，然後才可以開始自定義自己想要的事件。自定義事件主要由事件名稱、參數、參數值組成。

列舉一個“取消訂單”埋點自定義事件：從文檔中可看出cancelOrder是取消訂單的事件名，同時cancelOrder時間被觸發後，可傳入order_id （訂單ID）、order_amount （訂單金額）等參數。

3. 埋點采集數據

如果我們采用的是代碼埋點的話，那就需要把4.2整理好埋點文檔交給技術人員，讓他們通過代碼的手段去埋點。

這裡要注意一下，手工埋點流程存在着較大的數據風險：

• 埋點名稱不規範不統一，對于一些參數的定義也較為随意，這樣就容易造成後續的埋點名稱冗餘且混亂，不利于後續的統一管理；
• 流程中諸多環節均為口頭溝通，産品驗收較為繁瑣，某個版本漏埋點或埋點不正确的風險大大提高，對于數據的及時提供帶來較大隐患。

如果是可視化埋點或者無埋點，那麼由使用者通過管理後台的按照規則進行操作，基本上不需要技術人員操作。

埋點操作完成後，要對埋點采集的數據進行觀測：每個事件是否正常上傳數據？采集到數據是否正常範圍（過大或過小）？

4. 數據評估和數據分析

在一段時間的數據采集之後，形成相應的數據樣本，要注意的是時間上過短，或者用戶很少的數據是沒有多大意義的。

思考一下，收集上來的數據質量如何，數據該如何分析呢？數據分析的方式還是比較多，這裡不重點展開說，接下來列舉一些常用的分析方法。

1）對比分析

通常用于對比叠代前與叠代後的數據對比。

2）分布分析

通常用于分析特定行為的在某個維度的分布情況，可以展現出用戶對産品的依賴程度，分析客戶在不同地區、不同時段所購買的不同類型的産品數量、購買頻次等。

如電商APP的下單行為，一天24h的下單量分布，來分析一天内哪個時間内是下單高峰期。

3）漏鬥分析

反映用戶行為狀态以及從起點到終點各階段用戶轉化率情況的重要分析模型，比如上面提到的電商下單流程的轉化率。

4）用戶路徑分析

用戶在 APP 或網站中的訪問行為路徑。為了衡量網站優化的效果或營銷推廣的效果，以及了解用戶行為偏好，時常要對訪問路徑的轉換數據進行分析。

以電商為例，買家從登錄網站／APP 到支付成功要經過首頁浏覽、搜索商品、加入購物車、提交訂單、支付訂單等過程（用戶真實的選購過程是一個交纏反複的過程）。

5）留存分析

用來分析用戶參與情況/活躍程度的分析模型，考察進行初始行為的用戶中，有多少人會進行後續行為。這是用來衡量産品對用戶價值高低的重要方法。常見指标有次日留存、7日留存、15日留存、30日留存等。

上述是一些常用的分析思路，除此之外還有很多：點擊分析、用戶分群分析、屬性分析、行為事件分析等等，感興趣的同學可以自行學習。

5. 确定優化方案

産品經理的職責就是發現問題，然後解決問題。

通過數據分析來定位問題，找到影響上述量化指标的産品問題點在哪裡？

比如：确認訂單到支付這步的轉化率這麼低情況有哪些？可能是用戶無法在确認訂單頁面查看商品細則，為了返回上一頁，因此放棄了付款，也可能是用戶想修改商品數量或規格，但是确認訂單頁面不能修改，因此放棄了付款，當然也有可能是提交支付按鈕存在Bug或者理解的偏差等等。

最後找到了問題，就得對症下藥，制定解決方案。

6. 如何評估解決方案的效果？

優化方案上線，我們的工作不意味就結束了，重點要觀察對應的指标有所提高或者降低，與優化前的版本相比較是否有所改善。很多時間往往不可能一步到位就把問題解決掉，需要叠代優化，不斷通過數據跟蹤來修正設計策略，達到我們最終的設計目标。

大數據時代的到來，對産品經理提出了更加嚴格的數據分析要求，一個懂數據分析的産品經理可以利用數據驅動産品設計優化，并提升客戶體驗，實現更多的價值。

#專欄作家#

道三，産品大秘籍，人人都是産品經理專欄作家。以前寫過代碼，現在産品圈摸爬滾打，專注于電商領域産品設計、主要分享電商和供應鍊領域知識點。

本文原創發布于人人都是産品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部