文章采集发布(如何快速学会数据埋点的方法，欢迎查缺补漏 )

　　文章采集发布(如何快速学会数据埋点的方法，欢迎查缺补漏

)

　　编者按：数据分析在产品运营过程中尤为重要。有效的数据分析有助于优化产品设计，促进产品运营，有利于用户体验的提升和后续产品的迭代升级。并且合理的数据埋点可以帮助追踪用户，采集data反馈信息。在文章这篇文章中，作者介绍了如何快速学习如何埋葬数据，一起来看看吧。

　　

　　对于产品经理、运营和数据分析师来说，数据的重要性非同寻常，它直接影响着最终的决策。一个好的数据源是数据分析的基础。数据分析的第一步就是做好数据的埋点工作，这也是最重要的环节之一。

　　我曾经和大家聊过5000字，如何快速学会埋点。欢迎查漏补缺。本文内容如下：

　　什么是埋点；埋点功能；埋法（3种）；埋入步骤（6 步）。 一、什么是埋点

　　所谓“埋点”是data采集领域的一个术语，指的是捕捉、处理、发送特定用户行为或事件的相关技术和实现过程。在这个过程中，采集需要的信息来跟踪用户的使用情况，最后将数据分析为后续迭代产品或操作的数据支持。

　　购买积分也是对快速、高效、丰富数据应用的用户行为和结果的记录。数据嵌入是数据采集的常用方法。埋点是数据的来源。 采集的数据可以分析网站/APP的使用情况、用户行为习惯等，是建立用户画像、用户行为路径等数据产品的基础。

　　比如订单周转率：我们进入商品详情页进行数据采集并按要求上报，告诉服务器我们主动做了什么还是被动做了什么？然后进入订单结算页面进行其他操作，等等。

　　

　　最后可以在后台统计各种点击事件和预设事件，根据获取的数据还原各种用户行为。最后，可以将这些数据可视化以进行深入分析。

　　二、埋点的作用

　　提高渠道转化率：通过跟踪用户的操作路径，找到用户流失的节点，比如支付转化率。通过下图中的漏斗分析，我们可以分析出用户流失率最大的地方，找出问题并进行优化。

　　

　　图 1：支付率漏斗分析

　　三、bury 点法

　　埋点的方法分为：代码埋点、视觉埋点、无埋点（全埋点）。

　　1.代码埋点

　　它的技术原理也很简单。加载APP或网站时，初始化第三方服务商数据分析的SDK，然后当有事件发生时，调用SDK中对应的数据发送接口发送数据。目前国内主要的第三方数据分析服务商有百度统计、友盟、TalkingData、神测等。

　　优点：

　　灵活性强，用户可以轻松自定义属性和事件，将各种需要的数据传输到服务器。

　　缺点：

　　人工成本高，每个埋点都需要技术人员手动加码；更新成本比较高，每次更新埋藏方案时，可能需要更改代码。 2.可视化埋点

　　它也被称为嵌入框架。通过可视化交互方式，业务人员可以直接在页面上简单圈选，跟踪用户行为（定义事件），节省开发时间。但是视觉埋点还是需要先配置相关事件，然后采集。

　　优点：

　　可视化埋点解决了代码埋点人工成本高、更新成本高的问题；只需要初始技术与页面上的SDK代码对接，后续埋点只需要业务人员按规则操作即可。然后，无需开发和重新访问。

　　缺点：

　　可视化埋点无法自定义获取数据，覆盖功能有限。目前并不是所有的控制操作都可以通过这个方案进行定制；报告行为信息很容易受到限制。

　　

　　图2：诸葛IO可视化埋点操作

　　3.无埋点

　　无埋点是指开发者集成采集 SDK后，SDK直接开始对应用中的所有用户行为进行捕捉和监控，并全部上报，无需开发者添加额外代码。

　　换句话说，当用户显示界面元素时，事件是通过控件绑定触发的。当事件被触发时，系统会有相应的接口供开发者处理这些行为。

　　用户在管理后台使用圈选功能来选择自己关心的用户行为并给事件起个名字。之后，可以结合时间属性、用户属性、事件进行分析，所以没有埋点并不是真正不需要埋点。

　　优点：

　　由于采集是全量数据，产品迭代过程中无需关注埋点逻辑，不会出现埋点、误埋等情况；无埋藏方法是因为它采集了全部数据。运营和产品的试错成本大大降低，试错的可能性高，能带来更多的启发信息；无需埋点，方便快捷。

　　缺点：

　　缺点和视觉嵌入点一样，没有解决数据采集的个性化和定制化问题，缺乏数据采集的灵活性；无嵌入点采集全量数据，给数据传输和服务器增加压力；无法采集自定义属性和事件。

　　

　　图 3：GrowingIO 部分操作无埋点

　　四、bury 点步

　　那么，埋点的流程是怎样的呢？一般可以分为以下六个步骤：确定目标/指标、data采集planning、埋点采集data、数据评估和数据分析、确定优化方案、以及如何评估解决方案的效果.

　　1. 确定目标/目标

　　为什么要有埋点指数，因为产品是需要量化的，量化之后才能知道产品是否做得好。因此，在实际设计埋点之前，必须考虑如何分析这些埋点。只有确定了分析思路，才知道需要哪些埋点。

　　例如，我们发现App的每日活跃度很高，但最终支付的却很少。那么我们的目标是提高支付转化率，了解用户为什么没有有效支付，以及哪个环节让用户犹豫。

　　先来看看常见的指标：

　　2.数据采集规划

　　只有对产品的结构和逻辑有足够的了解，才能知道需要关注哪些数据和指标，以及如何通过监控这些指标来达到最终目标。因此，此时我们需要对产品功能进行抽象和逻辑化。并且结构化，分成特定的逻辑级别。

　　例如，图 1：支付率漏斗分析的目标。我们需要拆解从进入App页面到完成支付每一步的数据，以及每次输入的数据。例如：进入商品详情页（PV/UV）→点击购买（次数）→提交订单（次数）→支付操作（结果返回）等步骤。

　　在这个环节，我们可能要输出一个埋点文档，这是埋点需求分析结果的落地方案。不同的平台、不同的渠道、不同的业务需求，其嵌入的文档结构和嵌入方案的输出是不同的，接下来对神策平台的嵌入文档进行粗略的说明。

　　1）public 属性

　　如果某个事件的属性出现在所有事件中，可以将该属性设置为事件公共属性。设置公共属性后，之后触发的所有事件都会自动添加设置的公共属性。

　　2）Preset 事件/预设属性

　　预设事件是指平台已定义的事件。后端嵌入时不能自动采集preset属性，需要手动传输（其他平台可能定义不同）。

　　

　　图 4：预设事件

　　

　　图 5：预设属性

　　3）自定义事件

　　产品经理和技术人员就相关规则达成一致，比如事件命名规则、变量命名规则等，才可以开始定制他们想要的事件。自定义事件主要由事件名称、参数和参数值组成。

　　

　　列出一个“取消订单”的自定义事件：从文档中可以看出cancelOrder是取消订单的事件名称，cancelOrder时间触发后，可以传入order_id（订单ID）和order_amount（订单金额）等参数。

　　

　　3.Burial Point采集数据

　　如果我们用代码埋点，那么需要发4.2给技术人员整理埋点文档，让他们用代码的方式埋点。

　　这里需要注意的是，手动埋藏过程中存在更大的数据风险：

　　如果是可视化埋点或无埋点，用户通过管理后台按照规则操作，基本不需要技术人员操作。

　　埋点操作完成后，要观察埋点采集的数据：每个事件的数据上传正常吗？ 采集数据是否在正常范围内（太大或太小）？

　　4.数据评估与数据分析

　　经过一段时间的数据采集，就形成了对应的数据样本。需要注意的是时间太短，或者用户少的数据没有意义。

　　考虑采集到的数据的质量以及应该如何分析数据？数据分析的方法还有很多。我不会在这里重点讨论。接下来，我将列出一些常用的分析方法。

　　1）对比分析

　　通常用于比较迭代前后的数据。

　　2）分布分析

　　通常用于分析特定维度的特定行为分布，可以显示用户对产品的依赖程度，分析不同地区、不同时期客户购买的不同类型产品的数量，以及购买频率。

　　比如电商APP的下单行为，24小时下单的分布，分析一天中哪个时间段是下单高峰期。

　　3）hopper 分析

　　反映用户行为状态和用户从开始到结束各个阶段的转化率的重要分析模型，例如上述电子商务订单流程的转化率。

　　4）用户路径分析

　　用户在APP或网站中的访问行为路径。为了衡量网站优化或营销推广的效果，了解用户行为偏好，往往需要对访问路径的转化数据进行分析。

　　以电子商务为例。从登录网站/APP到支付成功，买家需要经过首页浏览、搜索商品、加入购物车、提交订单、支付订单。迭代过程）。

　　5）留存分析

　　一种分析模型，用于分析用户参与/活动，并检查有多少用户执行初始行为将执行后续行为。这是衡量产品对用户价值的重要方法。常见指标包括次日留存、第 7 次留存、第 15 次留存、第 30 次留存等。

　　以上是一些常用的分析思路，还有很多：点击分析、用户分组分析、属性分析、行为事件分析等，有兴趣的同学可以自行学习。

　　5.确定优化方案

　　产品经理的职责是发现问题，然后解决问题。

　　用数据分析定位问题，找出影响上述量化指标的产品问题在哪里？

　　例如：订单确认到支付的转化率这么低的情况有哪些？可能是用户无法在订单确认页面查看商品详情。为了返回上一页，已放弃付款。也可能是用户想修改产品的数量或规格，但是订单确认页面无法修改，所以已经放弃付款。当然，也可能是提交支付按钮等有bug或者误会。

　　最后，如果发现问题，就要对症下药，制定解决方案。

　　6. 如何评估解决方案的有效性？

　　优化方案上线，我们的工作毫无意义地结束了。关键是观察相应指标是增加还是减少，与优化前的版本相比有没有提高。在很多时候，往往不可能一步解决问题。需要迭代优化，通过数据跟踪不断修改设计策略，以达到我们最终的设计目标。

　　大数据时代的到来，对产品经理提出了更加严格的数据分析要求。了解数据分析的产品经理可以利用数据推动产品设计优化、改善客户体验并实现更多价值。

　　#专栏作家#

　　道三，微信公众号：伟大的产品秘籍，人人都是产品经理专栏作家。之前写过代码，现在产品圈滚滚而来，专注于电商领域的产品设计，主要分享电商和供应链领域的知识点。

　　本文原创是大家作为产品经理发布的。未经作者许可，禁止转载。

　　标题图片来自 Unsplash，基于 CC0 协议。

　　奖励作者，鼓励他努力！

　　欣赏

　　4 人获得奖励