如何做埋点数据分析？

一位读者朋友发来问题：“公司数据库有许多数据表，行为埋点也做了，数据中台也建好了，但是不知道能做什么分析，感觉挺浪费的，你有没有什么好的思路？”。
这个问题在工作中经常遇到，坦白说，回答起来很难，但是咱们毕竟是个知识号，不能直接回复“这题我不会”，还是得持有良好的态度与专业的水准，来看看这道题怎么盘？

在企业中，数据建设需要经历有数据记录->有统计数据->用数据->发挥作用的过程，是什么意思呢？
有数据记录，即有标准化、结构化的数据记录，如：订单流水、客户信息表、客户操作流水等，在这个过程中会出现“数据中台”、“数仓”这些概念和角色；
有统计数据，即呈现的数据是经过二次加工、符合阅读习惯的数据，如：订单量、交易额等，市场上会有大量服务于这个阶段的数据工具，如：帆软BI、神策分析、网易有数，当然也包括Excel、R、Python；
用数据与发挥作用，这两个过程强调经营者思维，即从经营业务的角度来思考如何利用数据、做出行动，有行动才会产生价值，这个过程中可能会用到算法。

本文就围绕这位朋友的核心问题来讨论，“如何做埋点数据分析？”，也就是从有数据记录到有统计数据的过程，希望读完本篇可以对你有帮助。

1. 什么是数据埋点？
2. 埋点分析包括哪些内容？

一、什么是数据埋点？

首先，就博主对市场的了解而言，会使用行为数据做埋点分析，这一技能已经成为互联网岗位的基础能力，同时随着国家推动数字化建设，一定会有越来越多的数字化信息，涵盖线上与线下的全场景行为。

我们按照自上而下，从宽泛到具体的思路，来开始埋点的讨论吧：
1. 为什么要做数据埋点，它的服务目标是什么？
2. 什么是行为数据？它是如何记录的？
3. 有哪些数据记录方式？它长什么样子？

为什么要做数据埋点：数据埋点主要是为了采集用户在客户端的行为数据，以反馈产品的使用情况、以及为后续的产品迭代提供数据支撑，总的来说是服务于销售目标；
什么是行为数据：当我们打开APP/小程序/网页，点击搜索，展示搜索结果页，点击一个宝贝，打开商品详情页，随后点击加入购物车，把这些行为用数据以日志方式记录下来就是行为数据；
如何采集数据：在客户端接入第三方SDK（Software Development Kit，软件开发工具包），当指定行为发生时，会将SDK收集到的数据，传输至指定服务器/数据库；
数据采集有哪些方式：有全埋点（自动埋点）与自埋点（手动埋点）两种，全埋点使用三方SDK实现，可以自动实现数据采集，缺点是有时候难以满足特定的需求，自埋点需要研发人员手动加入采集代码，才能实现对应的数据采集，实践中我们通常是结合使用两种埋点；（一般情况下我们用是否带有$符号来判断是哪种采集方式，带有$符号就是神策全埋点，其他为自埋点）
数据记录长什么样子：行为数据是完全随着人与客户端的交互动作，每个行为记录一行，打开APP、曝光、浏览、点击、关闭APP是最常见的5类行为，来看个数据示例吧，如下图所示。（行为数据的特点：多维度延展，数据量庞大。）

二、埋点分析包括哪些内容？

目前博主常用的埋点分析工具是神策分析，其提供的分析组件可以实现大部分的分析场景，但问题在于：它是一个分析工具，而不是体系化的分析思路。（也就是用神策分析的前提是：知道要分析哪些维度和指标。）

形成体系化的数据分析方法论有两个关键路径：
1> 实践，积累大量业务需求，总结痛点从而形成体系；
2> 读书，积累知识框架，用MECE（Mutually Exclusive Collectively Exhaustive，相互独立完全穷尽）方法+逻辑树，枚举数据场景、维度、指标。
接下来直接分享我总结出的数据方法，主要来自于路径1，根据不同的分析视角，体现不同的数据指标，总的来说分成了5个模块，将整个产品刻画出来。

【模块一：APP概况】
假设要分析的APP是一家服装店，要了解这家店，可以从哪些维度来刻画？如：客流量、顾客在店里会停留多久、喜欢什么时间来购物？其实线上行为分析与线下行为是相似的，做个逻辑迁移即可。
1> 流量：DAU、WAU、MAU、每天分时段DAU、工作日与非工作日DAU、各城市DAU；
2> 时间：访问时长、各个功能模块的访问时长、打开频次、下单时长；
3> 设备：下载渠道、操作系统、版本更新频率...
先从基础指标开始，如果有个性化的行为，再进行指标拓展。
PS：看似习惯的行为背后有其原因所在，比如分时段DAU、工作日与非工作日DAU的分析，帮助我们选择营销触达的时间点。

【模块二：流量】
就博主了解到的信息而言，大部分企业没有成体系的功能使用数据，或者说缺少用户角度的数据，无法直观地看到用户在客户端的使用情况。（有些是通过‘页面’的形式来查看数据的，谈不上优劣，能看数据其实就可以满足需求了，只是对问题发现缺少全局视角，比如：流量在不同模块间的迁移。）
1> 外部来源：下载渠道、广告曝光点击率、渠道带来的流量转化情况；
2> 内部流量分配：流量分布、点击率与访问率、访问趋势...
做功能迭代的调研，不可一味跟着数字走，要深度思考规划的初始逻辑。
PS：功能入口点击率、功能主页访问率对比看看，此入口是否是唯一的流量来源？

【模块三：转化】
转化包括横向转化和纵向转化，纵向转化主要是对核心下单流程进行漏斗拆分，如：从打开客户端->支付成功、不同商品类型的下单转化漏斗，横向转化包括单个功能的使用转化漏斗、用户分层的转化漏斗，更加细分与灵活。
1> 整体转化：DAU->商品点击->加入购物袋->提交订单->点击支付->支付成功；
2> 商品转化：曝光->点击->加车->支付；
3> 功能转化：对每个细致功能做拆解，DAU->功能到访->关键动作点击。
对于用户分层，可以在任何一个漏斗上进行拆分。

【模块四：用户】
数据研究做得是否深入，关键在于用户分析，如：客户的浏览习惯、下单习惯、颜色偏好、商品偏好、价格偏好、回访率、功能使用情况等。

【模块五：独立产品分析】
有一个标准的产品功能分析5件套，可以把一个产品功能完整地描述出来，相当好用：
1> 流量，功能核心页面的流量趋势；
2> 分页流量，功能各个子页面的流量趋势；
3> 按钮点击率，功能页面内各个按钮的点击情况；
4> 转化漏斗，从DAU->功能到访->关键动作点击主漏斗；
5> 逐级转化漏斗，对转化漏斗做逐层数据转换。

文末：
1. 发现问题：通篇来看，可以了解整体的情况，但大概率看不出什么问题和优化点，这时候就需要深入到部门、岗位，寻找业务细节，再来看数据可以解决哪一部分问题；
2. 可视化：不得不说，博主偷懒了，本文所使用的的图表都是非常基础的图表类型，如果有时间，建议可以做一些杀手图表，即对基础图表加工组合，形成多维度图表，显得更专业、美观，也是深度思考的体现；
3. 深度分析：目前了解到的方法是通过问题共有者、利益相关者头脑风暴来实现，这个等我研究出来再来分享吧。