数据产品-指标体系和埋点设计

在整个数据链路过程中，数据的获取是链路源头，而其中埋点就是最为常见的数据源头之一，其数据之丰富，量级之庞大，灵活且多变。因此，对数据埋点的精确设计和高效采集可以说是每个希望通过数据驱动增长的公司所需重点关注的。源头数据有问题，一切的后续动作只会是空中楼阁。本篇文章讲分享自己在了解神策的数据埋点之后，对数据埋点设计过程中的一些关键点的思考和理解

一、数据采集前的说明

1、用数据的方式描述用户行为

事件模型（Event 模型）：事件模型包括事件（Event）和用户（User）两个核心实体，其中事件的设计是能够基于业务指标体系拆解下来后进行设计

2、埋点位置说明

①客户端埋点：一般建议某个行为只在前端发生，对后端没有任何请求，比如常见的曝光、点击这些事件
②后端埋点：除客户端的埋点外，其他动作都建议采用后端埋点，主要理由是：
A、很多行为，如下单等，他们的很多字段在前端（App 和 Web 界面）是拿不到的。再比如线下消费的数据，只有后端埋点才能采集到
B、App 端收集数据会有丢失的风险，并且上传数据也不及时，因为其是打包多条数据记录一起上报，存在数据延时上报和丢失的风险

3、标识用户

①常见的用户标识方法：设备ID和用户ID
标识方案：在用户未登录的情况下，神策会选取设备 ID 作为唯一标识，登录状态下选取登录 ID 或者 userid，一个用户既有设备ID（亦称作“匿名ID”）又有登录ID。接下来，通过“用户关联”将同一个用户的设备ID 和登录 ID 关联到一起
设备标识说明：
A、安卓

B、ios

C、web网站
使用cookie_id作为设备ID
D、微信小程序
使用openid作为设备ID

②除了上述的两种情况，针对同一产品的标识，但产品生态达到一定程度，需要实现多产品多场景的ID-Mapping，及如何将多用户多种登录形态下的用户识别是否为同一用户，现在很多会基于手机号，同个用户的手机号一般变化比较小。当然也有其他例外，还有有些软件是不需要用户登录就能使用的，特别是广告分析，在分析广告收益的时候，只在乎用户的观看。因为就需要进行相似ONEID识别，定位同一个用户，进行全方位的分析。

③相似用户的oneID识别：对于腾讯的用户表示，以微信或QQ为中心，进行中心化的用户标识，能够采用此做法的原因是，一般的中心化标识选择是以社交型的产品为核心，并在该产品能够实现极大多数人群的渗透的前提，简而言之，就是通过微信或QQ，因为这两个APP已经覆盖了中国大部分的人群了。能够与其他任何APP进行绑定，则在进行数据资产整理之时，能够通过微信或QQ所映射的ID实现ID-MAPPING，标识出一个唯一的用户，对该用户进行全方位的分析；一般采用中心化的方式是有产品具有高社交化、高渗透的前提，因为其用户粘性比较强，渗透比较广。像工具型的产品一般不用来做中心化标识的依据，因为其粘性不是很强，渗透也没那么广

④而像阿里这种没有强社交型和高渗透、高粘性的app，比如不能采用钉钉作为中心化产品，因为不是所有人都会使用钉钉，其用户群体还是比较窄的，就只能采用软识别模式的ID-MAPPING，即通过多ID的综合分析，赋予每种登录形式一定的权重，并进行计算得出不同登录模式下的该用户ID是否是针对同一个用户，再进行后续的多场景分析

3、埋点需求文档（DRD）

实际的事件设计过程要结合实际的情况进行设计
事件的设计：
①根据业务流程或用户的关键行为设计事件
②为事件添加相对应的属性

二、指标体系的搭建和数据采集说明

数据埋点是能够基于业务需求进行设计，这样设计出来的埋点数据才具有分析意义。而能够概览业务分析最好的方式是指标体系的构建，通过对业务的理解，拆解业务下的指标体系，基于指标体系去构建每个指标所需的埋点事件设计

1、指标分类说明

①进攻性指标和防守性指标：进攻性指标是根据生命周期的阶段定阶段性的关键性指标，同时为了解决和长期目标的矛盾，需要设置防守型指标，比如活跃率不能低于多少，保证整个长期趋势的发展路径
②数据归因指标：通过不同阶段的指标分析，分析真正促使用户达到既定目标的维度标签，进行持续监控，得出用户转化触点
③先见性指标：预测未来，比如漏斗指标，可以预测有多少成交用户
④后见性指标：反应问题，用户流失概率

2、指标体系搭建

具体指标体系怎么构建，不用的业务需求会有不同的构建想法，比如可以基于AARRR模型去拆解针对一个APP不同阶段的所需关注的指标，对应针对这些指标去设计埋点事件；也可以针对业务场景，比如：短视频模块，去梳理短视频内容创作者、内容消费者、平台三方所关注的指标维度，并对应去设计埋点事件
案例说明：
①基于AARRR模型拆解各个阶段的关注点

②基于上述的指标，我们就知道每个指标需要采集的数据是什么，根据神策的埋点模板去对应设计每个指标的事件，注意在设计每个事件时，需要明确每个事件的类型（登录、曝光、浏览、点击、购买、使用等等）、包含的属性以及每个事件的触发时机

③数量完全部指标对应的事件和属性之后，会有重合的属性，可以考虑进行属性归整，对于常用且一般不变的属性，可以归整进公共属性表中

2、数据采集说明

基于上述的埋点说明表之后，形成埋点的PRD就可以沟通投入开发。而数据采集之后需进行数据验证和事件管理，能够保证数据的准确性和后续事件的管理预利用，主要就是进行元数据的管理

三、数据管理

1、元数据管理

元数据管理可以统一管理所追踪数据元信息和配置，比如，修改事件的显示名、修改事件属性的显示名、修改事件属性的单位、修改用户属性的显示名等

说明：针对指标体系下的每一个事件进行可视化的追踪，跟踪每个事件的数据入库情况，检测每个事件的属性维度是否正常采集等，包括对事件的事件属性维度的管理、事件用户属性维度的管理，包括属性调用基本信息修改、数据入库的开与闭，以及基础事件和基础属性的二次加工形成新的事件和属性等一系列动作

2、数据血缘管理

数据的血缘管理更多的是在数据表层面，主要是展示表之间的关联和依赖关系，能够在应用侧明确关联，便于数据分析和数据问题排查等动作。这个在阿里云的Dataworks应用比较多