近三年，我深度接觸過上百家頭部App客戶，診斷和參與過數百次的App數據體系搭建工作。我發現一個特別突出的問題，幾乎80%的App都沒有科學的埋點規劃——只采集顯性數據，而更深層的與事件屬性相關的隱性數據，都沒有采集到。
因為沒有埋點規劃，就沒有隱性數據，就沒有科學和精細的數據體系，就沒有精細化運營！
那么，埋點規劃很難嗎，不難！為什么大部分企業都做的不太好？關鍵在于，埋點規劃需要整合產品、運營、技術和業務等跨部門的需求，運營同學不太懂技術、技術同學不太懂業務、產品同學不太懂埋點……
下面我將結合在友盟+多年的工作思考和埋點技巧，從0到1教會你如何結合屬性進行結構化埋點，助你邁出精細化數據分析的第一步！
下載完整版PPT請戳：https://at.umtrack.com/CeCi8D
第一部分，埋點的業務價值
埋點可以解決那些業務問題？
圍繞生命周期做用戶分層，可以分為新手階段、成長階段、沉默&流失階段。例如新手階段要分析注冊轉化情況、要對渠道質量進行評估；在成長階段要分析活躍度、考慮如何提升收益；沉默&流失階段要進行沉默促活、流失召回。
根據以上舉例的場景可以看出，每個階段的數據分析都與埋點密切相關。例如，新手階段分析注冊轉化，就需要把注冊的每個環節進行埋點采集，直到注冊成功；要評估渠道質量，就需要監測核心轉化事件，根據業務需求的不同，轉化事件有可能是付費或者是注冊等等。所以說，先有埋點規劃，后有精細化運營。
如何實現結構化埋點，提升數據分析效率？
目前，主流的埋點方式有代碼埋點、可視化埋點、全埋點、服務端埋點這四種。
1）可視化埋點和全埋點：運營和產品人員在前端做一些按鈕甄選，就可以針對某個點進行監測。優勢是操作簡單，劣勢是采集到的數據分散，分析需要關聯和結構化，只能針對客戶端的數據采集，服務端數據是采集不到的。
2）服務端埋點，比如電商領域，有交易數據或會員充值數據，都是通過服務端埋點進行采集。
3）代碼埋點，支持任意場景，例如采集用戶在客戶端的操作情況，以及服務端數據，支持結構化處理。代碼埋點是“先難后易”，先按照業務邏輯做結構化埋點規劃，埋完上線就可直接對事件進行分析。今天重點介紹通過代碼埋點怎么做結構化設計。
埋點步驟：3步埋點規劃，2步測試上線
事件結構化設計分兩部分，埋點規劃和測試上線。
第一步明確分析需求和屬性結構，進行埋點設計規則；第二步進行埋點實施測試，搭建報表體系。接下來由一個真實案例，說明如何三步把事件規劃做好。
上圖是一個真實案例，某視頻App的目標是提升用戶留存。
步驟1：用戶群分層，區分有播放用戶、無播放用戶；
數據發現：
有播放行為用戶比無播放行為用戶的留存率高30%；
每提高1%的播放用戶，整體留存提高3%。
分析場景轉化到埋點監測需求：有無視頻播放
步驟2：找到無播放（行為）用戶群的特征，找到可以優化的環節，即如何提升用戶播放視頻？從兩個方向出發
1）從內容分發入手。數據分析發現無播放用戶中，48%使用過搜索引擎，很可能是搜索后沒有結果，沒有形成播放行為。
2）從播放頁面的產品體驗入手。數據發現16%的無播放用戶已經達到播放頁，但是沒有最終播放，這是第二個需要做深入分析的方向。
綜合以上發現，需要通過兩個方式埋點，分發入口對用戶使用的情況，播放頁對用戶使用情況。
分析場景轉化到埋點監測需求：分發入口/瀏覽播放頁
步驟3：漏斗分析，找到搜索路徑突破點。
從第一個方向出發，客戶建立了兩個漏斗，分別是有播放漏斗，以及無播放漏斗。
“進入搜索頁——真正搜索——有結果——有點擊”，發現無播放人群的“有結果”和“有點擊”轉化率非常差。
關鍵指標：
提升搜索有結果率，針對搜索結果的展示和內容對用戶期望內容的匹配度進行優化；搜索結果點擊率，在埋點環節要對搜索引擎進行監測。
分析場景轉化到埋點監測需求：搜索功能使用
步驟4：優化播放鏈路（播放頁體驗），找到用戶不播放的行為原因
16%用戶進入到播放頁，卻沒有點擊“播放按鈕”，為什么？通過人群分析，有50%的人在非Wi-Fi的環境下，這是導致沒有播放的主要原因。產品經理決定，在這種場景下提示用戶收藏，有Wi-Fi在提醒其播放。
最終通過三個方面的優化，增加一個按紐，增加有結果的葉面的展示，以及內容匹配度，通過這個改變后有播放用戶的行為增加了7%。
分析場景轉化到埋點監測需求：點擊收藏按鈕（新功能使用情況）
在每個分析環節應該埋哪些點？
這個案例介紹完了，在每個分析環節應該埋哪些點？
第一步，業務訴求是提升留存，分析需求有四個：有無播放視頻、瀏覽播放頁監測、搜索功能使用、點擊收藏按紐。
需要把分許需求翻譯成埋點需求：
a. 有無播放視頻：只需要監測播放視頻行為
b. 瀏覽播放頁面：這個需求很直接，就是監測瀏覽播放頁面的行為
c. 搜索功能使用：這個其實是多個需求，可以細分出兩個事件，一個是監測搜索行為，另一個就是監測搜索結果頁的內容展示
d. 點擊收藏按鈕：這個需求也很直接，就是監測按鈕的點擊情況
第二步，知道每個分析需求對應的屬性結構
1）播放視頻，隱性數據（后面會稱之為屬性）是當用戶有播放行為時，視頻會帶視頻類型、視頻ID，用戶的觀看時長等相關信息，這些都要羅列出來，在后期對用戶行為分析有幫助；
2）瀏覽頁的播放，可以看出屬性與播放視頻基本一致，差異點在于沒有用戶播放的時長這個屬性；
3）搜索詞，則需要在用戶進行搜索時，把搜索詞、詞的類型取回來，方便后期分析用戶搜了那些詞，這些詞是自然搜索還是推薦詞；
4）搜索頁展示，這塊需要把搜索是否有結果、展示內容ID、視頻類型、哪個詞索引過來的，這些相關的屬性都取出來，這樣后期可以分析搜索有結果率和內容曝光率，并且還可以做內容曝光到內容點擊的轉化分析；
5）點擊收藏，不僅僅是獲取用戶點擊這個按鈕的行為，而是要把與視頻相關的屬性都取回來（視頻相關屬性與播放視頻行為的屬性一致）
第三步，開始設計埋點，事件共分為三層，事件、屬性、屬性值。
前兩步梳理清楚后，埋點設計基本上就做好了，可以直接按照事件的三層結構進行整理。為了方便理解，下面詳細解釋下三層結構：
從產品視角，如何設計埋點
多維度的屬性是能夠幫助我們更清晰的描述這個事件，比如我們觸發了一個播放電視劇的行為，衍生出描述的話“今天+我+搜一部電視劇+第一集+看完了+導演是誰”這句話就把所有的屬性都包含了。通過埋點的方式切割成在每個屬性當中，后期就可以對視頻播放事件進行詳細的分析了。
為了方便大家理解，下面在引用三張產品截圖來告訴大家如何設計埋點，分別是搜索頁面，搜索結果展示頁、播放頁。
1）針對搜索頁面，比如取用戶搜索行為，從頁面結構可以看出，有自然搜索位置和推薦詞位置，那么在屬性采集時可以拆出兩部分，分別是獲取搜索了那些詞有這些詞的類型；
2）針對搜索結果頁的展示，我們需要分析內容曝光的情況，從頁面結構可以拆分出兩部分，分別是索引詞位置與內容展示位置，當這個頁面打開時，我們就可以通過一個事件（搜索頁面展示），來采集到搜索詞和下面內容的相關屬性；
3）針對播放頁是兩個需求，第一要看播放頁展示的情況，當頁面打開時，通過一個事件（瀏覽頁播放）把展示的視頻類型、視頻ID等屬性采集回來。另一個是要分析收藏按鈕的點擊情況，當用戶觸發點擊事件時，同樣把相關的內容屬性都帶回來就可以了。
埋點規劃的技巧總結
第一，埋點設計需要具有前瞻性。不能是前端分析想到一個點，就添加一個點，那整個數據結構會混亂，效率會很低。先規劃后實施，在前期按照業務需求把分析的場景規劃好，后面的數據分析會越做越順。
第二，利用好“屬性”進行結構化設計。只有用多維的屬性去描述一個用戶行為，后面才能夠對這個行為進行更細化的拆分，只有這樣才能夠更好的對用戶進行精細化運營。
第三，合理利用一個事件實現多個需求。比如視頻播放事件，第一個需求是要了解近期視頻內容被用戶瀏覽的熱度，這時通過這個事件的“視頻ID”屬性就可以拆分出來了，另一個需求是想要分析視頻都是從那些分發入口導流的，這時還是可以通過這個事件的“來源”屬性進行拆分。
小結：結構化事件做好前期規劃，后面就可以做到易分析、易查找、易歸類，非結構埋點前期埋點簡單，但后期分析時只能查看單點數據，無法對同類行為進行歸類整合分析；
如何讓技術看懂你的埋點需求？
技術人員更多的是幫我們去實現需求，但大部分人員對業務不是很了解，這個時候就需要詳細地告訴他需要埋哪些點，需要什么時候傳數據。經過我們這么長時間的沉淀，大家套用下面的模板就可以簡單、清晰的把需求提交給技術。
埋點的技術需求模板包含以下5部分：事件名稱、事件上報參數（英文名稱）、屬性名稱、屬性上報參數（英文名稱）、屬性值、事件觸發條件。
在上個案例中，要特別注意視頻觸達條件，不是每個事件都是點擊后回傳數據，比如視頻播放牽扯到使用時長，所以要在頁面有刷新或關閉的狀態下進行判斷，并且把計算好的時長進行回傳。
埋點實施測試的五步
回想下文章的開篇，在埋點規劃之后是埋點實施測試。
埋點實施測試又分為為五步，集成SDK、事件埋點、App打包、實施測試、發布上線。
友盟+提供兩種測試方式，一是通過log去查看日志，但需要技術配合去排查；考慮到釋放技術工作量，我們還提供了第二種方式，集成測試模塊，在產品后臺的測試功能模塊里，可以直接設備信息注冊上，產品和運營同學就可以在產品后臺進行埋點測試了。
搭建分析體系
我發現大部分客戶都有自己的BI系統，并且數據是很全的，想要什么報表基本都有，但大多數客戶都把報表融合到一起查看，這其實并不利于數據分析。
下面分享兩種分析體系的搭建模型，根據自身需求引用一種適合自己業務模型的分析體系搭建。
按業務邏輯進行搭建：
1）概覽，宏觀數據、留存與渠道數據，便于了解宏觀數據變化、及時洞察問題、判斷App整體發展狀態；
2）廣告，曝光、位置、點擊數據，便于進行廣告內容優化、廣告位價格優化；
3）流量，各板塊流量數據，便于了解各板塊流量變化、進行推薦內容或內容展示優化；
4）內容，內容偏好數據，了解用戶內容消費情況以及內容偏好、進行內容展示優化；
5）用戶，主要是用戶行為數據，便于了解用戶行為（核心功能使用）、產品功能優化、（搜索、注冊、充值）轉化效果優化。
如果這個模型不太適合你，還可以按職能部門搭建數據指標體系，比如運營部門、市場部門、產品部門、技術部門、營銷部門相應的數據可以在這里搭建。
第二部分：產品場景實操
為了讓大家更有體感，我將以友盟+移動統計U-App AI版為例，為大家詳細講解如何搭建報表體系，并添加到看板中。
U-App AI版主要分四個板塊，基礎看板、自制看板、用戶洞察、用戶增長。
精細化分析——事件細分
精細化分析主要落在用戶洞察模塊，分為行為洞察（事件細分、漏斗分析和自定義留存）和人群洞察（畫像、分群）。以“視頻播放”事件為例，視頻播放的用戶都看了哪些內容，直接選屬性就可以了，上面都是默認的，下面找到的屬性都是自己設計的，比如類型、視頻ID等。支持兩種計算方式，只算一次，或例行計算。
還有不同屬性用戶查看視頻的差異，可以點篩選數據就可以篩選出來了。
精細化分析——漏斗分析
常規的漏斗可能有注冊漏斗、轉化漏斗、內容獲取漏斗，都可以在這個模塊設計。例如搜索漏斗，從搜索有結果到頁面播放可以看到每一步轉化，在新建漏斗點擊以后有一個漏斗部署。
把頁面所有點擊的按紐通過這個屬性傳過來，比如第一步是輸手機號；第二步通常是獲取驗證碼，直接發送驗證碼等；第三步第四步還按照這個設計，設計完確認就可以了。
并且支持漏斗的完成周期，根據需求進行轉化，加入長鏈路的漏斗是3-5天，可以把時間設置成5分鐘。
漏斗分析還可以看到每一步的轉化，點擊后把兩個人群圈出來，比如將“轉化人群”和“沒有轉化人群”分成兩個人群，分群之后能做三件事：第一是看人群畫像；第二是人群推送，直接消息下發；第三是導入到事件細分中，看這個人群做了什么，對人群進行再細分。
精細化分析——自定義留存
自定義留存，區別于標準留存。標準留存不能滿足日常的業務場景，可以通過自定義留存實現你的需求，新建留存把初始事件、回訪事件建立就可以了。可以將這群用戶圈出來，只有充值成功，就認為是留存用戶等。
上圖是復購模型，假如某天留存率比較高，點擊后可以圈出這部分人群，對其進行精細分析。
精細化分析——用戶分群
用戶分群，支持更多的條件，例如支持“做了某事”和“沒有做某事”，把近期沒有付費或沒有注冊的用戶圈出來；或者監測長期的變化，假如把每天啟動App的高粘性的人群圈出，看近一個月呈現的狀態，如果增長說明App運營狀態是好的。
用戶畫像可以先找到人群，點擊開始分析。這里有對比功能，支持任意兩個人群的對比，還支持某個人群與全網大盤人群進行畫像對比，找到用戶群的顯著特征。
另外還可以推送，推送在增長模塊中，點擊“分群推送”，可以選擇任意的人群直接進行分群推送。
自定義看板
在以上的分析之后，搭建了很多報表，數據比較散亂。U-App AI版提供了自制看板的功能，可以將數據放到業務相關的報表中，按部門或者職能部門進行分類。
如何創建一個報表，先輸入一個名稱，分別有兩個模塊，指標和報表。
添加指標，可以選常用的基礎指標（日常監測數據），還有自定義指標，如注冊事件等。
報表也分兩部分，一個是預制好的報表，還有自定義報表，包括洞察、自定義留存等生成的日常報表。比如可以將常用漏斗、細分放進來。并且看板可以進行賬號授權，不同權限看到不同的看板數據，保障數據安全。
