數據運營實戰（三）：用數聽說話，從埋點開始

埋點是App數據運營中很重要的一個環節。以前咱們討論過用戶分羣的方式、漏斗轉化的改進，但全部App數據的來源是數據採集，不少時候就是App的埋點。

數據只有採集了才能作分析，分析了才能實現價值。

圖1. 數據運營微笑模型

上圖是數據運營解決問題的思路，但相對的，數據運營分析的需求，也驅動着數據埋點的優化。

有時候，咱們可能會遇到這樣的尷尬：

數到用時方恨少！

木有結論腫麼破！

其實，數據埋點比咱們想象得有更多挖掘的空間，有針對性的有條理的埋點可以幫助咱們理清用戶行爲軌跡、抓住用戶特徵、解析關鍵路徑。

但過多的埋點，可能會給App帶來負擔，也可能對App用戶的流量、網速體驗有影響，這都是咱們須要考慮的因素。全埋點、多采集，並非數據分析體系構建的辦法，反而是把分析挖掘的工做量後移，給數據分析帶來不少負擔。

較好的作法是：帶着咱們的分析目標與數據解讀思路去埋點。騰訊移動分析MTA在數據埋點上作過屢次優化，能確保屢次採集一次上傳的數據傳輸過程，減小對用戶流量的影響，優化用戶體驗。

下面咱們分幾個層次來討論埋點問題：

一、用戶行爲分析

經過埋點能夠追蹤用戶的行爲，即對App內的關鍵路徑進行監測，這無疑是最多見也是最重要的應用場景。

不一樣的App可能關注的埋點事件有很大不一樣。

例如，電商類App多關注的是訂單成交；社區類App可能關注UGC內容的產生；閱讀類App則須要關注內容的閱讀。

用戶埋點的場景很靈活，埋點能夠統計的事件數據能和業務數據進行打通。

好比在新聞閱讀的App中，將閱讀新聞做爲自定義事件，每一篇報道都帶有不一樣的參數，能夠獲得閱讀的大盤整合數據，也能夠分析每篇報道的價值，甚至能夠方便的實現閱讀量排行榜等功能。

埋點是因業務場景須要而定的。

好比第二篇時講到的漏斗細分中，有一個金融用戶案例。在綁卡流程轉化流失率太高的時候，須要定位每個輸入框的填寫方式是否存在問題，這時埋點的密度會比通常狀況要高不少。

圖2. 定位問題時的埋點示意

上述埋點是基於咱們想要定位「爲何綁卡頁面轉化率低」的需求。埋點以後，在綁卡流程漏斗中，MTA會生成一個詳細填寫頁面的漏斗，從中咱們或許能知道用戶是在哪一步中止操做的，是否有改進的空間。

圖3.漏斗拆解（因爲業務數據敏感性，以上數據已作模糊處理）

但若是以後咱們修復了問題，咱們可能就不須要這麼細緻的埋點了，或者咱們只須要對可能出問題的地方進行埋點監控。

圖4.穩定後的埋點示意圖

所以，業界所說的全埋點是一種未充分理解自身業務時採用的策略，不少時候也沒法知足詳細漏斗的追溯要求。而沒必要要的埋點帶來了過量的數據上報，一方面加劇了用戶的流量負擔，另外一方面也不利於後期的覆盤分析。

固然若是真的是業務上線了，點還沒埋上，騰訊移動分析MTA新近推出了可視化埋點功能，能夠由產品、運營同窗經過web端配置埋點，雲端下發至App中，隨時調整App內的埋點策略，也是機智而有效的救急措施。

開發GG不再用擔憂我漏埋點啦~~

二、用戶人羣分析

根據用戶事件、來源渠道、同期羣，甚至年齡、性別、地域等，咱們能夠把本身的App用戶切割爲不少小羣體。

好比在訂單購買的業務中，將訂單金額做爲參數上報，可以更好的分析用戶的價值。下圖是一種消費用戶分羣的方式，以消費金額Monetary、消費頻率Frequency和最近一次消費時間Recency，獲得8個象限的用戶，能夠對不一樣的用戶進行不一樣的運營推廣策略。

圖5. 消費用戶分羣模型

仍是看這個電商App，當用於活動運營分析的時候，可能數據分析的視角和方式就不太同樣了。

舉個例子：618活動時間新註冊（同期羣）且完成過一次訂單的這羣用戶，他們在活動期結束以後，會有哪些表現？

購買VIP會員的轉化率高於平均活動水平→某個新的廣告渠道帶來了優質的新客戶，該渠道能夠繼續投入，持續關注效果；

繼續參與七夕節的活動→人羣可能對活動信息比較敏感，適合推薦促銷信息；

流失曲線&再次開啓時間的關係是：2周內再也不開啓App的客戶，87%都流失了→咱們若是在新用戶註冊後1周左右的時間經過Push、短信、郵箱等手段喚醒用戶，可以大幅提升留存。

經過把人羣切分，去分析業務特性，可以加深對用戶的理解，結合你的App觸達手段，可以讓你更好的與用戶交流互動，實現業務運營的目標。

而這裏的人羣切分方式，就須要經過埋點定義出自定義事件，經過事件與其餘條件的疊加、篩選，與不一樣事件、報表作交叉分析，就可以凸顯核心用戶羣體的價值，精細化運營不一樣用戶羣體。

點擊不一樣按鈕、關注不一樣板塊、甚至不一樣註冊時間的人羣都有不一樣的特性。

精細化的分析運營須要對業務的深刻理解，須要學會切入分析的角度，解析你的用戶的特徵，瞭解你的用戶，再由數據的需求去驅動埋點的配置。

三、解析核心路徑

第三點是基於第二點的應用。經過切割用戶人羣，再回到業務關鍵路徑上，去發現吸引用戶、留住用戶的奧祕。

舉一個比較知名的例子。

在某知名社交App的數據分析運營分享中，經過不一樣的事件對比，能夠發現10天內添加7個好友的留存率大大提升。
咱們回溯一下，若是咱們想要分析什麼纔是這個App留存率的關鍵，咱們須要羅列不少的可能性，好比在平臺上瀏覽100條新聞、引薦3名新用戶加入、產生UGC內容或者是上傳3張照片、玩過平臺遊戲。那麼，咱們須要對比這些人羣，尋找在這些事件中哪些纔是與留存率強相關的？

若是是添加好友的這件事，那麼這個時間限是，註冊時關注3人，仍是一週內關注5人？

或者若是咱們發現，引薦5名新用戶，留存率很是高，但實際上，真的能引薦5名新用戶的人羣少之又少，那麼這件事也不適宜咱們去重點關注，由於給咱們帶來的成本過高了。

圖6.自定義事件與留存相關度的分析示例

從這些關鍵事件中，咱們要經過數據分析找到其中的核心路徑，而後傾斜咱們的資源去支持它。

好啦，今天的分享就到這裏了。總的來講，埋點與數據統計，都是爲業務服務的。關注哪些事件、爲他們埋點是因爲App自身的業務特性所決定。

埋點須要有的放矢，分析才能獲得結論，迭代增加也將有跡可循。

關於咱們：

騰訊大數據平臺關注大數據平臺構建、數據挖掘、數據應用等。信息共享，促進行業交流。經過多年產品建設，騰訊大數據已成功爲開發者提供騰訊移動分析（MTA）、騰訊移動推送（信鴿）、騰訊推薦等數據產品，同時與騰訊雲合做，推出大數據處理套件（數智），對外提供了可靠、安全、易用的大數據處理能力。