应用埋点及增长方法

Posted 2022-12-01 zero13_小葵司

大年初五朋友圈都在迎财神
应该是过年以来最热闹的一天了
看来大家都想明白了
情人节撒的狗粮总有自己吃回去的一天
只有自己挣到了钱
才能真正过自己想要的生活
哈哈哈哈
但是不好好努力
甚至连彩票都不想买
只发个朋友圈大概率好难发财
那么怎么才能发财呢？这事还得理性
首先要找到入手点 - 埋点
然后找到方法 - 数据分析
所以今天我们就来聊一聊应用埋点及数据分析
现在大家的心情是不是都是下面这样的（才怪）

1. WHY - 为什么要埋点？

小C：我们的新应用要做一下埋点。

小K：为什么？

小C：别人的都加了这个，我们当然也要啊。

小K：别人加了我们就要加吗？

小C：你不加怎么知道用户怎么使用我们的应用，怎么搜集使用数据啊！

小K：有了这些数据又能怎么样呢？

小C：当然是根据数据做用户分层，建立XXX（一堆一听就很酷炫的反正我也不懂）模型，从数据中发现哪些功能好用，哪些内容受用户欢迎，哪些过程转化高，哪些功能流失多。。。（时间不断流逝，小C越讲越兴奋，挽起袖子，一脚踩在凳子上，双眼闪烁着光辉。）这是我们重要的需求来源，与用户建立感情连接的重要方式。

小K默默从桌子下拿出一把菜刀放在桌上，淡淡地说：好的，这个工作量不小啊。

小C一惊，下的退后两步，随即上来狠狠用手肘勒住小K的脖子，说到：有话好好说，把刀收起来，我也不是魔鬼，为什么要埋点你理解了吗？

小K：理。。。理解了。。。快放手。。。要。。。要断气了。。。

2. HOW - 数据埋点基础知识

数据埋点及后续分析，对于产品迭代有着非常重要的指导意义。

一个产品的从0到1如果说很大程度依靠的是创意，那么从1到100就是靠着一次次朴素无华的迭代。

曾经facebook的页面中，功能的代码量只占30%，而用户行为埋点的代码量占据了70%。

从数据埋点到数据分析，是非常庞大而专业的学科，如果你的团队有这样的专业人才，那么你需要一些基础知识来帮助自己与这样的专业人士建立共同语言，不然怎么好好协作？

但是更多的团队，这样的专业人才配备是不足的，特别是如今大量快速实践的小团队，都需要团队里的人一专多能，因此数据埋点的基础知识应该作为一个重要的多能技能。

2.1 采集方式

UI层采集

在UI层进行采集是最常见的采集方式之一，因为用户直接接触到的便是UI层，最能还原用户的操作，采集到数据后将数据传送回服务器，系统便拥有了用户的使用数据。

后面的章节中我们会再细讲如何在UI层做数据采集，这中间也会有不同的方式，以及不同的指标体系。

日志分析

这种方式得益于目前已经成熟的大数据及云计算，让从庞大繁杂的后端系统日志中获取有价值的数据有了可实施性。

这样的方式通过将后端系统日志进行分析，从而还原一个个的用户行为，并基于这些用户行为进行建模、分类、分析，从而形成一个个运营数据及产品优化方向。

2.2 常见指标

1. PV：页面访问次数，顾名思义一个页面被访问了多少次；
2. UV：访问用户数，一个页面有多少用户访问了，有时PV可能存在因某些用户访问次数特别多，导致PV比UV远高的可能性；
3. 停留时长：用户在该页面的停留时常，对于内容类的应用，该数据指标会很重要，该数据好反应了用户喜欢看该内容，因此停留时间才会长；
4. 跳出率：也称蹦出率，一般指用户进入应用没有使用便离开了；
5. 退出率：用户进入某个功能后没有完成便退出了，可以有应用的退出率，也可以是单功能的退出率；
6. 转化率：转化率指标要结合具体的业务场景及特点来看，一般来讲可以是用户完成最终业务目标的比率，比如电商的下单数据；

2.3 如何用数据

这个标题的课题灰常大，真的灰常大。
（我是哪根筋没对要用这么大的标题放在这样一个二级目录？）

但是我们抓住两个关键点来运用数据，一是看差距，二是看趋势。

很多人看数据喜欢看当前数值，但是只看当前数值很难做出争取，我们为什么要看差距呢？

比如我们现在的UV是1万，那么我们的新目标是UV2万，我们要做的是去找出如何增长这差距出来的1万。

又比如我们的目标是2万，实际的值是15000，我们要做的是看这15000的组成吗？这当然也可以看，但是更重要的是看造成这5000差距的原因。

另一个就是看趋势，为什么要看趋势呢？人们常说站在风口上猪都能起飞，这就是说势的重要性。我们通过数据趋势能够相对有依据的对决策与未来进行预测和指导。

3. HOW - 如何建立埋点分析节奏

我在这里用了节奏一词，怎么理解呢？就像人生、组织、产品研发、项目迭代、理财投资，但凡要有一个让自己感到舒服的结果，都需要有自己的节奏，也就是要有自己的条例、律动、哲学。

我接触过很多产品经理、运营负责人，大家都谈埋点都谈数据分析，可是要怎么做呢？一开口都是那几个指标，可是具体要怎么做呢？就仿佛说不上来了。

说不上来真是太好了，都能说上来我们就不需要在这里讲这个问题了。

要建立起这个节奏，我们要从以下几点入手（很多人会直接从第三点开始入手）：

3.1 相对整体的梳理业务需求

什么是相对整体的业务需求呢？这里主要是针对数据需求来说的，就是埋点前要从整体业务需求出发去进行设计，而不是仅仅只是针对某一两个功能点或页面，要先有一个全局规划。

埋点需求也和产品需求一样，会不断进行迭代，会有轻重缓急优先级。但是这些都要求我们对于整体的业务需求要有理解和梳理，才能更好地去实施我们的埋点，产出我们想要的价值。

那么如何进行梳理呢？

梳理产品信息图

我们先整理出我们的产品承载了哪些信息和功能，这些信息与功能能为我们的用户带来什么？

用户使用我们的产品，为的就是获取他么想要的信息，这是我们产品与价值的核心，功能都是围绕这些东西展开的，因此信息结构才是我们的核心。

梳理产品功能图

功能结构图是为业务流程图的梳理做准备的，我们需要将我们的功能按照页面结构进行梳理罗列组织，然后还原到用户场景，将这些功能串联起来。

梳理主要业务流程图

在这里我们要把我们前面的信息与功能串联起来，还原用户会如何使用我们的产品，然后在这些关键点上设置我们需要埋的点，这都是基于我们对于核心业务的理解梳理出来的，然后根据埋点的数据反馈再不断修正，这种修正不仅仅是埋点与产品方案呃修正，更是对于我们业务理解的修正。

3.2 确定数据统计口径及标准

这一点很重要，但是很容易被忽略，不仅是埋点需要，任何数据统计、数据分析、数据报告，都需要特别注重这一点，不然可能出现我们讲着同一个指标，但是相互理解的口径和标准都不一样，那么两个人看起来聊的很愉快，仿佛理解了彼此，但是其实是在鸡同鸭讲。

3.3 确定数据采集方案

这一点会比较偏向于技术实现方案了，有的产品经理会表示不关心了，但是这个实现方式的不同，对于是否能满足我们的埋点需求是很重要的，否则采集的数据可能出现维度偏差，一定要充分沟通达成共识。

当然这也是里面的一个难点，那就是产品要讲清楚自己想要的，而技术要用结果而非实现手法与产品反向确认。

下面我们会介绍常见的埋点方式，用于大家参考。

4. WHAT - 埋点常见方式及事件设计

有哪些常见埋点方式呢？

4.1 前端埋点

前端埋点是最常见的，我们常用的GA、百度指数等等都是采用的前端埋点方式，前面我们也提到过了。

而前端埋点在技术实现上又主要有三种：代码埋点、可视化埋点、无埋点。

4.2 后端埋点

在后端通过对日志进行处理分析，达成埋点分析的目的。

4.3 混合埋点

前后端结合。

4.4 埋点事件

那么我们又会有哪些常见的埋点事件呢？这里的事件都是经过抽象了的，所以不会有特别多种，我们就列三种：

1. 点击事件：最基础的事件，用户点击了某个功能，于是我们记录该事件，每个事件会有自己的编号，来源，操作人等基本属性，而根据分析的目标不同，我们还会扩展一些其他属性来观测该功能的效果好坏。
2. 曝光事件：这也是比较基础的，某功能曝光了多少次，从而形成我们的PV、UV这样的数值。
3. 停留时长：用户在某个页面停留的时长，该数据可以知道该页面内容对用户的吸引力，对于内容类的应用来讲非常重要。

5. WHAT - 常见分析方式

这里使用这个标题并不严谨，因为我们不止会讲一些分析模型，还会讲一些其它乱七八糟的东西（什么叫乱七八糟？就是偷懒没有归类起标题的东西）

5.1 Q是谁

我们拿到这些数据，首先就是看看能否建立用户画像，毕竟就像一出对手戏，如果连对手是谁都不知道，那么后面的分析难度就会大大提升。

我们要基于数据对用户做分层，给用户做标签及行为还原。

5.2 建立常规运营及产品指标体系

通常，市场、产品、运营都会有很多不同维度的监控指标，围绕这些指标，从埋点采集回来的数据中，建立对应的指标体系。

提升转化率的五大关键指标：活跃用户量、转化率、留存、复购和 GMV 。

活跃用户量是一个基本的指标，有 DAU（日活跃用户）、WAU（周活跃用户）和 MAU（月活跃用户）三个层次；而OTA的商品比较特殊，属于低频产品，更多的会考虑月活跃度。
转化是一个非常重要的指标，电商运营以及OTA行都需要关注主路径、次路径甚至精细到每一个品类 / SKU 的转化率；
留存要从不同的时间周期上研究，包括次日留存率、3 日、7 日、30 日留存；
复购则要从 3 个角度去看，复购用户量、复购率和复购金额比；
GMV 是最重要的指标，我们的运营最终是围绕这个来进行的。GMV = UV 转化率客单价。而在OTA中，这个指标公式也是最常用的公式之一。

5.3 众多分析方式

这里的方式有很多，我们也仅仅抛砖引玉做一些罗列，因为每一种展开来都可以单独写个一篇两篇。

来源渠道分析

• 分享分析

• 错误分析

• 事件分析：事件能够描述哪位用户（who）在什么时间（when）在什么场景（context）做了什么（what）。

• 留存分析：留存，是指用户在起始（新增或使用产品）之后一段时间再次回到产品。留存率，是指再次回到产品的用户数量与初始用户数量的比率。

• 转化分析：转化分析即漏斗分析，主要用来分析用户在流程中的转化情况。流程是产品和运营的常用手段，比如注册流程、下单支付流程、活动转化流程等。漏斗分析可以用来统计用户在流程各步骤间的转化和流失情况。

• 分布分析：指的是在整体或某一维度下，按照计算结果划分出一些区间，查看对应人数在各区间内的分布情况。分布分析有很多种类，比如按事件发生频次查看人数分布、按属性值计算结果查看人数分布、按一段时间内累计发生的时长或天数查看人数分布等。

• 成分分析：指的是分析一个目标用户由什么构成的，有哪些成分。比如，当我选择了对“新老用户”进行成分分析时，则表示我要看到目标群体中，新用户有多少，老用户有多少。

• 用户路径：即用户行为路径，是指一群用户在产品中行为序列的统计分布。主要用于分析和记录用户在页面之间的流转，可以看到流量的转移。

• 归因分析：资源位归因主要用于衡量站内多个资源位或事件对业务目标事件的转化贡献。

• 用户生命周期分析：用户首次打开APP 到 用户最后一次打开APP 的时间。

• 热力图分析：基于用户在页面上点击、页面滚动、停留行为可以非常直观地通过热力图将大量用户的行为可视化。

• LTV分析：生命周期价值(life time value)，是公司从用户在产品内所有的互动中所得到的全部经济收益的总和。通常被用于衡量产品用户对产品所产生的价值，被定为产品是否能够取得高利润的重要参考指标。在有直接变现场景的应用中，LTV是一个数据分析工作中基本的指标，在投放、运营等场景下均有涉及。

本文从方方面面对于如何进行埋点以及进行分析都做了简单介绍，但是实际做起来，里面每一个点都是需要开动脑筋，注重细节的工作。