八大數據分析模型之——事件模型（二）

諸葛君說：在平常的數據分析中，經常使用的有8大模型：用戶模型（點我回顧）、事件模型、漏斗分析模型、熱圖分析模型、自定義留存分析模型、粘性分析模型、全行爲路徑分析模型、用戶分羣模型，其中，「事件模型」對於不少業務人員來講相對比較陌生，但他倒是用戶行爲數據分析的第一步，也是分析的核心和基礎。

事件模型中的邏輯結構、事件的準確性、自定義能力和對事件的管理是「事件模型」的幾大要素。對這一模型有了深入的認識和理解，那用戶行爲數據的採集邏輯也就基本掌握。下文咱們稍做展開。

1、什麼是事件？

在平常工做中，不一樣崗位、不一樣角色所關注的事件各不相同，好比，市場人員可能關注點擊進入落地頁的人數以及進入落地頁後用戶是否點擊核心按鈕，好比「當即註冊/當即購買」等？運營人員可能更關注某次邀請好友活動中老用戶是否點擊該活動頁面，是否將邀請海報分享到朋友圈？PM可能更關心新功能上線後用戶是否點擊打開？在洞察諸如此類的指標過程當中，事件模型就起到了相當重要的做用。

那麼，什麼叫作「事件」呢？簡單講，就是用戶在產品上的行爲，它是用戶行爲的一個專業描述，用戶在產品上的全部得到的程序反饋均可以抽象爲事件，由開發人員經過埋點進行採集，通俗講就是：將一段代碼放入對應的頁面/按鈕，用戶進入頁面/點擊按鈕的本質是在加載背後的代碼，同時再加載事件採集代碼，這樣就被SDK所記錄下來了。

2、事件的採集

其實，要說明白事件模型這個事，就像咱們寫做文，記敘文的六要素：時間、地點、人物，原由、通過、結果，也就是：誰，在什麼時間，在哪兒作了一件什麼事兒，相應的，數據分析就像是經過數據/指標來說述用戶與產品之間的故事，咱們舉個例子來講明。

某電商JS平臺-商品詳情頁

如上圖所示：當用戶點擊進入蘋果7 plus手機的商品詳情頁時，用戶可能發起的行爲有：點擊選擇了顏色：黑色，選擇了版本128G，選擇了購買方式：聯通優惠購，選擇了優惠類型：買手機省話費，這一系列行爲都須要分別採集下來，若是該電商經營的數碼產品品類達上千SKU，相應的就有上千個商品詳情頁，那麼，若是每一頁都按照上文中的埋點採集方式來操做，那無疑是一項龐大的工做，該如何讓事件採集更高效、更有可操做性呢？

爲了最大化還原用戶使用場景，咱們引入3個概念：事件-屬性-值：

事件：用戶在產品上的行爲

屬性：描述事件的維度

值：屬性的內容

之因此引入這一組概念，是由於靈活運用事件-屬性-值的結構，將極大地節省事件量，提升工做效率，使後續的數據洞察和交叉分析更精準。

繼續以某電商JS產品（上圖）爲例，事件記錄了用戶的行爲，咱們能夠知道用戶A幾點幾分進入了商品詳情頁，但不少分析場景下咱們更須要知道用戶進入的是哪一個商品頁以及其餘業務屬性，經過屬性能夠採集當前頁面的商品名稱、商品ID、商品類型等。

將數據採集需求交由開發人員，進行埋點，將下文這段代碼放入對應的頁面。

zhuge.track('進入商品詳情頁', {

'商品名稱' : '【聯通贈費版】Apple iPhone 7 Plus 128G 黑色 移動聯通電信4G手機',

'商品價格' : 6588.00,

'商品一級分類' : 手機,

'商品品牌' : 'Apple'});

PS：屬性名稱不能超過255個字符，屬性值不能超過200個字符

再聊聊採集時機，一般有3種採集時機，包括：用戶點擊（click）、網頁加載完成、服務器判斷返回。在設計埋點需求文檔時，採集時機的說明尤其重要，也是保證數據準確性的核心。

舉個例子，在採集過程當中若是沒有明確時機，當用戶點擊了註冊按鈕，因爲用戶輸入了錯誤的註冊信息實際沒有註冊成功，可能仍然會進行記錄，這樣在統計註冊成功事件的時候就不是準確的。而正確的採集時機描述應該是「服務器返回註冊成功的判斷」。

固然，同一用戶行爲或動機，能夠基於採集需求進行屢次標記，好比註冊按鈕，既採集用戶的click行爲（用戶點擊註冊就代表有註冊動機），也能夠採集註冊結果。事件設計爲「用戶點擊當即註冊」「註冊成功」，採集時機對應「click」和「服務器返回註冊成功的判斷」。

3、事件的分析

當咱們對事件代碼採集後，他只是一個基於時間序列的記錄（用戶A，幾點幾分，在什麼樣的網絡環境設備環境下發生了什麼行爲），想要指導業務增加，須要構建一些分析模型。對事件的分析一般有事件觸發人數、次數、人均次數、活躍比四個維度的計算。

人數：某一事件（行爲）有多少人觸發了

次數：某一事件（行爲）觸發了多少次

人均次數：某一事件（行爲）平均觸發多少次

活躍比：在一個時間區間內，觸發某一事件的人數佔當前時間段內全部活躍人數的比

事件以及「事件-屬性-值」的結構，讓咱們在平常的業務分析中，能夠更直接快速的掌握數據波動趨勢。

一、人數：觸發某一事件的用戶數

諸葛io教育培訓demo（虛擬數據）

如上圖所示，最近7天，經過「查看課程詳情-搜索課程-在線試聽」的人數分別爲1764人、1049人、609人。

二、次數：某一事件被用戶觸發的次數

諸葛io新零售demo（虛擬數據）

經過對用戶羣、事件屬性的篩選和對比，咱們發現，與來自搜狗的用戶相比，來自百度的用戶更喜歡使用微信支付。

三、人均次數：觸發某一事件的次數/人數

諸葛io新零售demo（虛擬數據）

比值指標，更科學的描述事件。

四、活躍比

在用戶行爲數據分析的過程當中，活躍比是經常使用指標，活躍比=觸發事件的人數/活躍人數，即，觸發某一事件的人數佔當時活躍人數的比率。

舉個例子，某電商產品在近7天，活躍人數有1000人，觸發過「查看商品詳情」的有300人，那麼在最近7天內，「查看商品詳情」事件的活躍比是30%。

諸葛io新零售demo（虛擬數據）

4、事件的管理

企業不管是自建用戶行爲數據分析平臺仍是採購第三方，對事件的管理都是產品、運營等業務人員工做流中很是重要的一環。當採集和分析數量很是多（可能會多達幾百上千）的用戶行爲事件時，事件查找和組織就變得不夠方便。

諸葛io教育培訓demo（虛擬數據）

所以，事件的分組和重要事件（星標事件）的標註就顯得尤其重要，當事件不少時，能夠對事件進行分門別類地管理。同時，能夠從產品業務角度將重要的用戶行爲標註出來，以即可以在分析時方便、快捷地查找經常使用、重要的事件。

數據驅動增加，從科學的構建事件模型開始，以事件-屬性-值爲邏輯的事件模型，極大地提升採集效率，更真實且全面的還原用戶與產品的交互過程，經過研究與事件發生關聯的全部因素來挖掘用戶行爲事件背後的緣由，快速定位影響轉化的關鍵點，提升運營效率。此外，事件模型也是漏斗模型、自定義留存模型、全行爲路徑分析模型的基礎，後續咱們將陸續解讀，每週二更新敬請關注。