数据化实战三部曲：数据埋点

小产编说

昨天我们提到了对关键节点的数据把控。

但每一个关键节点的最终数据往往都是从大量的数据中淘金所产生的。

为了让数据飞起来，我们必须解决数据本源的问题。

上图是数据运营解决问题的思路，但相对的，数据运营分析的需求，也驱动着数据埋点的优化。

有时候，我们可能会遇到这样的尴尬：

数到用时方恨少！

木有结论肿么破！

其实，数据埋点比我们想象得有更多挖掘的空间，有针对性的有条理的埋点能够帮助我们理清用户行为轨迹、抓住用户特征、解析关键路径。

但过多的埋点，可能会给App带来负担，也可能对App用户的流量、网速体验有影响，这都是我们需要考虑的因素。

全埋点、多采集，并不是数据分析体系构建的办法，反而是把分析挖掘的工作量后移，给数据分析带来很多负担。

较好的做法是带着我们的分析目标与数据解读思路去埋点。腾讯移动分析MTA在数据埋点上做过多次优化，能确保多次采集一次上传的数据传输过程，减少对用户流量的影响，优化用户体验。

下面我们分几个层次来讨论埋点问题：

用户行为分析

通过埋点可以追踪用户的行为，即对App内的关键路径进行监测，这无疑是最常见也是最重要的应用场景。

不同的App可能关注的埋点事件有很大不同。例如，电商类App多关注的是订单成交；社区类App可能关注UGC内容的产生；阅读类App则需要关注内容的阅读。

用户埋点的场景很灵活，埋点可以统计的事件数据能和业务数据进行打通。

比如在新闻阅读的App中，将阅读新闻作为自定义事件，每一篇报道都带有不同的参数，可以得到阅读的大盘整合数据，也可以分析每篇报道的价值，甚至可以方便的实现阅读量排行榜等功能。

埋点是因业务场景需要而定的。

比如第二篇时讲到的漏斗细分中，有一个金融用户案例。在绑卡流程转化流失率过高的时候，需要定位每一个输入框的填写方式是否存在问题，这时埋点的密度会比一般情况要高很多。

图1. 定位问题时的埋点示意

上述埋点是基于我们想要定位“为什么绑卡页面转化率低”的需求。埋点之后，在绑卡流程漏斗中，MTA会生成一个详细填写页面的漏斗，从中我们或许能知道用户是在哪一步停止操作的，是否有改进的空间。

图2.漏斗拆解（由于业务数据敏感性，以上数据已做模糊处理）

但如果之后我们修复了问题，我们可能就不需要这么细致的埋点了，或者我们只需要对可能出问题的地方进行埋点监控。

图3.稳定后的埋点示意图

因此，业界所说的全埋点是一种未充分理解自身业务时采用的策略，很多时候也无法满足详细漏斗的追溯要求。而不必要的埋点带来了过量的数据上报，一方面加重了用户的流量负担，另一方面也不利于后期的复盘分析。

当然如果真的是业务上线了，点还没埋上的话，前期的数据将会非常难以分析。

所以策划APP的时候，一定要提前做好埋点预估。不然你甚至都不知道你的种子用户到底是如何走的。

用户人群分析

根据用户事件、来源渠道、同期群，甚至年龄、性别、地域等，我们可以把自己的App用户切割为很多小群体。

比如在订单购买的业务中，将订单金额作为参数上报，能够更好的分析用户的价值。

下图是一种消费用户分群的方式，以消费金额Monetary、消费频率Frequency和最近一次消费时间Recency，得到8个象限的用户，可以对不同的用户进行不同的运营推广策略。

还是看这个电商App，当用于活动运营分析的时候，可能数据分析的视角和方式就不太一样了。

举个例子：618活动时间新注册（同期群）且完成过一次订单的这群用户，他们在活动期结束之后，会有哪些表现？

1.购买VIP会员的转化率高于平均活动水平→某个新的广告渠道带来了优质的新客户，该渠道可以继续投入，持续关注效果；

2.继续参与七夕节的活动→人群可能对活动信息比较敏感，适合推荐促销信息；

3.流失曲线&再次开启时间的关系是：2周内不再开启App的客户，87%都流失了→我们如果在新用户注册后1周左右的时间通过Push、短信、邮箱等手段唤醒用户，能够大幅提高留存。

通过把人群切分，去分析业务特性，能够加深对用户的理解，结合你的App触达手段，能够让你更好的与用户交流互动，实现业务运营的目标。

而这里的人群切分方式，就需要通过埋点定义出自定义事件。

通过事件与其他条件的叠加、筛选，与不同事件、报表做交叉分析，就能够凸显核心用户群体的价值，精细化运营不同用户群体。

点击不同按钮、关注不同板块、甚至不同注册时间的人群都有不同的特性。

精细化的分析运营需要对业务的深入理解，需要学会切入分析的角度，解析你的用户的特征，了解你的用户，再由数据的需求去驱动埋点的配置。

解析核心路径

第三点是基于第二点的应用。通过切割用户人群，再回到业务关键路径上，去发现吸引用户、留住用户的奥秘。

举一个比较知名的例子。

在某知名社交App的数据分析运营分享中，通过不同的事件对比，可以发现10天内添加7个好友的留存率大大提高。

我们回溯一下，如果我们想要分析什么才是这个App留存率的关键，我们需要罗列很多的可能性，比如在平台上浏览100条新闻、引荐3名新用户加入、产生UGC内容或者是上传3张照片、玩过平台游戏等。

那么，我们需要对比这些人群，寻找在这些事件中哪些才是与留存率强相关的。

如果是添加好友的这件事，那么这个时间限是，注册时关注3人，还是一周内关注5人？

或者如果我们发现，引荐5名新用户，留存率非常高。但实际上，真的能引荐5名新用户的人群少之又少，那么这件事也不适宜我们去重点关注，因为给我们带来的成本太高了

这也从侧面体现了一点：如果数据量不够丰富或者说数据感不够强的话，数据很有可能会给我们挖坑。

从这些关键事件中，我们要通过数据分析找到其中的核心路径，然后倾斜我们的资源去支持它。同时在资源投入之后，对数据进行周期性的对比和新一轮的数据埋点。

最终在多维的努力之下，把这些问题全部处理好。

总的来说，埋点与数据统计，都是为业务服务的。关注哪些事件、为他们埋点是由于App自身的业务特性所决定。

埋点需要有的放矢，分析才能得到结论，迭代增长也将有迹可循。

也希望数据三部曲能让你更好地理解到数据增长的力量。

回溯请戳：（一）用户分析、（二）节点分析

这里是腾讯秘制的每一篇

试着把此篇分享给伙伴吧

▼