文章采集器哪个好用( 数仓蓝图：如何深入浅出的理解数据仓库建模？目录)

　　文章采集器哪个好用(

数仓蓝图：如何深入浅出的理解数据仓库建模？目录)

　　

　　数据仓库蓝图：如何简单理解数据仓库建模？

　　本文目录：

　　一、数据采集及常见问题二、埋点是什么与方式三、埋点的框架与设计四、指标体系与可视化

　　一、数据采集 和常见数据问题

　　1.1 数据采集

　　数据采集的方式有很多种，埋点采集是其中非常重要的一环。它是c端和b端产品的主要采集方式。Data采集，顾名思义，就是采集对应的数据，是整个数据流的起点。采集的不完整性，对与错，直接决定了数据的广度和质量，影响到后续的所有环节。在数据采集有效性和完整性较差的公司中，企业经常会发现数据发生了重大变化。

　　数据的处理通常包括以下5个步骤：

　　

　　1.2常见数据问题

　　在大致了解了data采集及其结构之后，我们再来看看工作中遇到的问题，有多少与data采集链接有关：

　　1、数据与背景差距较大，数据不准确——统计口径不同，埋点定义不同，采集方法带来误差

　　2、想用的时候没有我要的数据--我没提数据采集要求，埋点不对，不完整

　　3、事件太多，意思不清楚——埋点设计的方式，埋点更新迭代的规则和维护

　　4、分析数据的时候不知道要看哪些数据和指标——数据的定义不明确，缺乏分析思路

　　我们需要根本原因：将采集视为独立的研发业务，而不是产品开发的附属品。

　　二、葬礼是什么？

　　2.1 什么是埋葬

　　所谓埋点，是data采集领域的一个名词。它的学名应该叫event tracking，对应的英文是Event Tracking，是指捕获、处理和发送特定用户行为或事件的相关技术和实现过程。数据埋点是数据分析师、数据产品经理和数据运营商，他们根据业务需求或产品需求，针对用户行为对应的每个事件开发埋点，并通过SDK上报埋点数据结果，并记录汇总数据。分析、推动产品优化和指导运营。

　　该过程伴随着规范。根据定义，我们看到具体的用户行为和事件是我们采集关注的焦点，需要处理和发送相关的技术和实现流程；，所以和产品息息相关，重点在于具体的实战过程，这关系到大家对底层数据的理解。

　　

　　2.2 你为什么要埋头苦干？

　　埋点的目的是对产品进行全方位的持续跟踪，通过数据分析不断引导和优化产品。数据埋点的质量直接影响数据质量、产品质量和运营质量。

　　1、数据驱动——Embedding将分析深度下钻到流量分布和流量层面，通过统计分析，对宏观指标进行深入分析，发现指标背后的问题，洞察用户行为与价值提升关联之间的潜力

　　2、产品优化——对于产品，用户在产品中做什么，在产品中停留的时间，有哪些异常需要注意。这些问题可以通过埋点来解决。

　　3、精细化运营-买点可以实现产品全生命周期、不同来源的流量质量和分布、行为特征和人的关系，洞察用户行为与商业价值提升之间的潜在关系。

　　2.3种埋点方法

　　埋点方法有哪些？大多数公司目前使用客户端和服务器的组合。

　　

　　准确度：代码掩埋 > 视觉掩埋 > 完全掩埋

　　三、埋点架构与设计

　　3.1埋点采集顶层设计

　　所谓顶层设计，就是想清楚怎么埋点，用什么方式埋点，上传机制是什么，怎么定义，怎么实现等等；在唯一性、可扩展性、一致性等基础上，我们要设计一些常用的字段和生成机制，比如：cid、idfa、idfv等。

　　用户识别：用户识别机制的混乱会导致两个结果：一是数据不准确，比如UV数据不匹配；二是漏斗分析过程出现异常。因此，应该这样做：严格规范ID自身的识别机制；湾。跨平台用户识别

　　同构抽象：同构抽象包括事件抽象和属性抽象。事件抽象是浏览事件和点击事件的聚合；属性抽象，即结合大部分复用场景，增加源差异化

　　采集一致：采集一致包括两点：一是跨平台页面命名一致，二是按钮命名一致；制作嵌入点的过程本身就是对底层数据进行标准化的过程，所以一致性尤为重要，只有这样才能真正使用

　　渠道配置：渠道主要指推广渠道、落地页、网页推广页、APP推广页等，这个落地页的配置必须有统一的规范和标准

　　3.2埋点采集活动及物业设计

　　在设计属性和事件时，我们需要知道哪些是经常变化的，哪些是不变化的，哪些是业务行为，哪些是基本属性。基于基本的属性事件，我们认为属性一定是采集项，但是属性中的事件属性会根据不同的业务进行调整。因此，我们可以将埋点采集分为协议层和业务层Bury。

　　业务分解：梳理确认业务流程、操作路径和不同的细分场景，定义用户行为路径

　　分析指标：定义特定事件和核心业务指标所需的数据

　　事件设计：APP启动、退出、页面浏览、事件曝光点击

　　属性设计：用户属性、事件属性、对象属性、环境属性

　　3.3 数据采集事件和属性设计

　　

　　Ev 事件的命名也遵循一些规则。当相同类型的函数出现在不同的页面或位置时，根据函数名进行命名，并在ev参数中区分页面和位置。只有当按钮被点击时，它才会以按钮名称命名。

　　ev事件格式：ev分为ev标志和ev参数

　　规则：

　　在 ev 标识符和 ev 参数之间使用“#”（一级连接符）

　　在 ev 参数和 ev 参数之间使用“/”（辅助连接器）

　　ev参数使用key=value的结构。当一个key对应多个value值时，value1和value2之间用“,”连接（三级连接符）

　　当埋点只有ev标志而没有ev参数时，不需要#。

　　评论：

　　ev identifier：作为埋点的唯一标识符，用来区分埋点的位置和属性。它是不可变的和不可修改的。

　　ev参数：埋点需要返回的参数，ev参数的顺序是可变的，可以修改）

　　调整app埋点时，ev logo不变，只修改以下埋点参数（参数值改变或参数类型增加）

　　一般埋点文档中收录的工作表名称和功能：

　　A. 暴露埋点汇总；

　　B、点击浏览埋点汇总；

　　C、故障埋点汇总：一般会记录埋点的故障版本或时间；

　　D、PC和M侧页面埋点对应的pageid；

　　E、各版本上线时间记录；

　　在埋点文档中，都收录了列名和函数：

　　

　　3.4 基于埋点的数据统计

　　如何使用埋点统计找到埋藏的 ev 事件：

　　1、明确埋点类型（点击/曝光/浏览）——过滤类型字段

　　2、明确按钮subbed点所属的页面（页面或功能）-过滤功能模块字段

　　3、明确跟踪事件的名称——过滤名称字段

　　4、如果知道ev标志，可以直接用ev过滤

　　如何根据ev事件进行查询统计：当点击查询按钮进行统计时，可以直接使用ev标志进行查询。因为ev参数的顺序不要求是可变的，所以查询统计信息时不能限制参数的顺序。

　　四、应用——数据流的基础

　　

　　4.1 指标系统

　　系统化的指标可以整合不同的指标、不同的维度进行综合分析，可以更快的发现当前产品和业务流程中存在的问题。

　　

　　4.2可视化

　　人类解释图像信息比文本更有效。可视化对于数据分析非常重要。使用数据可视化可以揭示数据中固有的复杂关系。

　　

　　4.3 埋点元信息API提供

　　data采集服务会将采集收到的埋点写入Kafka。针对各个业务的实时数据消费需求，我们为各个业务提供单独的Kafka，流量分发模块会定时读取。取埋点管理平台提供的元信息，将流量实时分发到各个业务的Kafka。

　　

　　Data采集 就像设计产品一样，不能过头。不仅要留有扩展的空间，还要时刻考虑有没有数据，是否完整，是否稳定，是否快。