详解设计埋点过程中的“who when where how what”

吴必秀 2023-07-21 21:52:38

上次写了一篇《如何用数据驱动产品迭代》，其中提到了一点设计埋点的方法，很多朋友留言说需要设计埋点的指南，像我这种从来不拒需求的人，这两天下班闲下来之后就整理了一下埋点设计的一些知识，希望能有所帮助。

在诸多招聘 JD 中提到的数据分析能力，主要是数据利用能力，利用数据的前提是有数据，并且在真正做数据分析的时候，经常会出现数据不足的情况，需要通过设计埋点去采集，当你有数据需求的时候，连需求都不知道怎么提，这岂不是产品经理最大的悲哀。

所以我们不仅要学会利用数据，更要知道如何通过埋点来采集数据，接下来说一说如何设计埋点。

一、想清楚为什么埋

1. 想验证什么？

《如何用数据驱动产品迭代》中，我们明确了要验证的指标（北极星指标、方向指标、负面指标和行为指标），方向指标和负面指标是我们的项目中的关键指标（没理解的话可以先看上一篇文章），通过埋点验证这两个项目指标，这就是我们的需求。

2. 确定分析思路

一个页面那么多行为，也不能都埋点啊，我的埋点原则是：没有需求就别加，既能解决问题，又不浪费资源是最好的平衡点。

在真正设计埋点之前，就要想好怎么分析这些埋点，因为只有确定好了分析思路，你才知道需要哪些埋点，数据分析的方式比较多，这里不重点拆开说，列一些我们常用的一些分析方式，如果需要拆开讲，请继续提需求。

常用的分析思路：

对比分析

通常用于对比前后变化，比如功能上线前后日活人数对比。

分布分析

通常用于分析一个行为的在某个维度的分布情况，如美团外卖APP，点外卖这个行为，一天24h的下单量分布，来确定运力（骑手）高峰期。

多维度拆解

通常用于定位问题原因，如摩拜APP12月份使用人数暴跌，通过地区、版本等不同维度拆解，发现只有东北地区的使用数据暴跌，因为12月处于冬季，大冬天的东北，你想想骑车不得冻死手啊，这就找到了原因。

漏斗分析

评估一个使用路径的流畅程度，比如电商下单流程的转化率。

路径分析

分析用户的流向和路径，比如从首页开始，有多少去了商品详情页，然后又有多少去看李佳琪直播了，接着又去了哪里。

留存分析

留存的定义有很多：活跃留存、新增留存和精准留存。精准留存较少被提及，精准留存可以更好地评估功能价值，比如进过李佳琪直播间的用户列为精准用户，那这部分用户之后的留存情况，就一定程度反映了李佳琪对这个平台的影响效果了。

粘性分析

评估一个功能对用户的粘性，比如一个月内进李佳琪直播间29天，那这个用户粘性达到了29次/月，粘性很高，就是李佳琪的忠实粉丝无疑了（OMG，买ta！！哈哈）。

这是一些常用的分析思路，除此之外还有很多，如果不是做深入数据分析的话足够用了，而且不同的分析思路之间组合使用，可以得出更多结论，这些分析思路组合使用可以指数级提升分析能力。

好，根据验证指标，明确分析思路之后，接下来就需要梳理埋点了。

3.梳理埋点

怎么埋呢？很像我们阐述需求背景，无非“who when where how what”这些信息，但是一旦细究就很可怕，但这都是我们需要和开发同学明确好的，来一个个看。

who

设备区分
账号区分

设备区分多用于不需要登录的产品，通过设备独有的编码来标记用户。账号区分是常用的方式，通过账号id、手机号等信息来标记用户。

when

设备时间
服务器时间（时间戳）

设备时间可能会因为不同时区的原因，用户之间各不相同，比如跨国业务，需要分析用户的使用时间分布，北京的白天就已是美国的深夜，通过设备时间分析会更方便，北京的8:00不是美国的8:00，但都是早晨。

服务器时间就是常说的Unix时间戳，是全球统一时间，不受时区的干扰，如果不考虑业务特殊情况，一般都是使用服务器时间。

where

GPS定位
IP判断

常用的就是获取用户的定位权限，然后通过gps进行定位，还有就是通过设备ip判断用户位置。

how

操作系统
设备品牌和型号
运营商
屏幕尺寸
用户来源等等

用户是怎么完成这个行为的，像上述这些信息都算，不止于此，看业务需要，可以继续扩充。

what

商品下单（事件）
- 商品ID（属性）
- 期望收货时间
- 快递方式
商品退货
- 商品ID
- 退货原因
- 退货价格
- 商品是否已寄回

what就要看业务行为了，举了上面两个例子，并引入了“事件”和“属性”两个概念，事件是指具体的行为，属性是指行为相关的一些信息，如商品下单这个事件：

商品ID属性用来分析什么商品卖的好；
期望收货时间的属性用来分析物流方面的高峰期；
快递方式用来判断哪个合作物流对用户服务质量更好。

这个要根据不同的业务需要，在埋事件的同时，增加必要的属性，以便深入分析数据。

想验证什么 → 明确分析思路 → 梳理埋点，就明确了我们的埋点需求，接下来就要把我们的埋点表达出来。

二、说明白怎么埋

1. 前端埋？后端埋？

这个问题江湖上也是议论纷纷，说哪个好的都有，我没有明确的结论，更喜欢和开发哥哥沟通协定，技术层面他们更专业，以下是我对这种埋点方式的一些看法，仅供参考。

前端埋的弊端
- 需要发版，出现问题时调整不及时且成本高
- 影响性能，影响用户体验（微乎其微的那种）
- 数据不足，相比于后端数据量少，脱离用户使用层的数据缺失
后端埋的弊端
- 不易验证前端页面设计效果，诸多交互行为不易记录
- 也会出现数据不足，比如页面停留时长等数据，需要前端专门提供

我建议还是和拉着前后端开发哥哥一起聊聊，让他们在技术层面会给出专业的建议，我们得到一系列专业信息之后再去做决策，这才是我们擅长的事情。

2. 埋点的技巧和注意事项

a.漏斗分析要闭环

这也是《如何用数据驱动产品迭代》中讲过的，不赘述了。

b.上报时机要准确

一个行为的发生要经历事件触发（前端） → 数据入库（后端） → 事件发生（前端）的过程，以电商购买这个操作为例，点击购买按钮（事件触发） → 后端验证库存等信息后返给前端结果（数据入库） → 跳转到下单页（事件发生）。

我们应该选哪个环节上报呢？高精度的埋点需求建议如下：

后端埋点：数据入库环节，数据入库时上报
前端埋点：事件发生环节，收到后端返回结果时上报

以上这两种方式可以保证数据结果的准确性，我们也会有一些低精度的埋点需求，比如只想大致了解一下页面各按钮和操作的使用情况，可以采用事件触发环节上报。

c.事件要尽量合并

出于维护和使用方便的考虑，能用属性解决就不要徒增事件。

还是以商品下单流程为例，我们想验证直播带货的能力，就需要区分直播间下单和普通浏览下单，有以下两种方案：

方案1：两种下单方式各埋一个点，也就是两个下单成功事件。
方案2：只埋一个点，一个下单成功事件，然后增加一个“下单来源”的属性，属性值分别是“直播间下单”和“普通浏览下单”。

从埋点的简洁性和易用性来看，第二种方案是更好的，便于分析的同时，避免了埋点的臃肿。就像写代码一样，很多种写法都能实现需求，但是三行代码就是比三十行代码优秀！

d.抽离出公共属性

在上面的“who when where how what”中，罗列了很多埋点信息，其中有些属性是很多事件中都会用到的，比如用户身份是否vip、省份，以及使用的设备型号和操作系统，这些属性我们可以抽离出来作为公共属性，不需要每个事件都单独上报这些属性，统一上报，这样做了之后，追求代码效率的开发哥哥肯定会喜欢你的。

一些不常用的属性就不要抽离出来了，比如商品退货行为中的“退货原因”这个属性，只有在退货这一个行为中有，在其他地方都是用不到的，所以在退货事件上单独上报更合适。