如何進行埋點數據的分析？

埋點是數據采集的專用術語，在數據驅動型業務中，如營銷策略、產品迭代、業務分析、用戶畫像等，都依賴于數據提供決策支持，希望通過數據來捕捉特定的用戶行為，如頁面訪問、按鈕點擊量、閱讀時長等統計信息。因此，數據埋點可以簡單理解為針對特定業務場景進行數據采集和上報的技術方案，在政采云，前端團隊已經有自研 SDK 來解決這個問題。在數據埋點于政采云的落地實踐過程中，我們發現另一個可供探討的方向，即獲取到數據后，我們要如何進行埋點數據的分析？ 以下我們展開聊一聊埋點數據分析的用戶訴求、團隊的探索實踐和存在的痛點。

一、用戶是誰

關心埋點數據的人群以及他們關注的側重點，可以分為以下幾類：1、產品經理：我的需求上線后，用戶使用量怎么樣？（我并不關心埋點怎么埋，也不關心明細數據，看個日活和趨勢就可以了） 2、研發：一些緊急需求、插入需求、加班需求上線后，及時投放使用了嗎？用戶使用量怎么樣？（這個需求是偽需求嗎？真的要做嗎？看看數據驗證下） 3、Team Leader 及以上管理層：投入產出比怎么樣？人員分配合理嗎？（可以得出什么結論嗎？有一些指導性建議嗎？） 4、BI：我可以挖掘哪些業務價值比較高的信息呢？（這些明細數據有點晦澀，我要怎么分析加工？有簡便的方式嗎？） 可以看到，不同的用戶角色對數據關注的側重點是不一樣的；同樣，她們對數據獲取加工和分析能力也是差別較大?？偨Y下來，用戶對埋點數據的產出訴求可以分為以下幾個階段。

二、用戶訴求

圖片

其中，數據準確性和數據可讀性保證了數據的基本產出但已經無法滿足用戶對數據的更高訴求，他們更期望的是數據易讀性和數據指導性。 數據易讀，即要結合數據分析場景給予用戶恰當優美的數據展示形式，常用表格、折線圖、柱狀圖、餅圖等圖表組件。最好一目了然，降低理解成本。數據指導性，即通過這些數據展示，可以明確得到結論嗎？這些結論對業務有哪些幫助？通常需要人為加工分析。帶著這些疑問和訴求，政采云埋點數據可視化平臺-渾儀，是這樣做的。

三、渾儀的探索與實踐

事件分析

基于事件的指標統計、屬性分組、條件篩選等功能，建立模型對用戶行為或業務過程進行分析。

圖片

展示形式有表格、多維度折線圖、分組柱狀圖。支持下載導出。

圖片

頁面分析

支持按路徑和按頁面編碼雙重方式進行搜索，一鍵獲得頁面全量信息。內置推薦功能，會將路徑與系統內維護的頁面信息進行匹配，提升搜索性能的同時提升數據準確性。

圖片

漏斗分析

漏斗模型主要用于分析一個多步驟過程中每一步的轉化與流失情況。

圖片

路徑分析

以桑基圖的形式展示以目標時間為起點的所選事件組內各頁面間用戶的完整路徑，并支持查詢單一用戶行為路徑。

圖片

總覽看板

默認為用戶處理透出的看板，可查看 PV/UV/平均停留時長關鍵指標外，也透出了用戶類型、瀏覽器、操作系統等重要用戶屬性進行分析，方便用戶感知查詢。

圖片

自定義看板

用戶可以保存事件分析-查詢結果的數據，將會在個人看板中展示保存的數據結果，之后能直接查看所有保存的圖表數據，將多次查詢結果整合對比，提升查詢效率。并且支持分類，編輯、刪除圖表，還可以分享給他人，實現全組共享?？窗逯С謹抵?、條形圖、折線圖、表格四種組件形式自由搭配并自由切換。

圖片

數據報告

通過以上獲得的數據，可以人為分析，加以評論，以數據報告的形式進行整理，得到更好的數據效果。

圖片

以上不同的功能基本覆蓋了用戶不同場景下的數據分析訴求，但也同樣存在著一些用戶痛點。

四、痛點剖析

數據埋點的整個流程是從產品或交互側提出需求開始的，中間經歷了研發人員的代碼植入、配置維護、測試上線等流程，最后才能查看數據。事實上，一個原始需求通常需要拆解成多個“埋點動作”，一個數據查看訴求也是由多個查詢條件組合進行篩選。而查看埋點的人卻不止該需求植入埋點的人，他們對如何組合查詢條件的感知相當薄弱，通常是一頭霧水。由誰查，如何查到想要的數據就成了一個需要平臺團隊日常答疑支持的事項。另外，考慮到埋點數據量過于龐大的問題，僅僅產出明細數據就已經存在查詢性能瓶頸，很難支持數據的二次加工，因此用戶在獲取明細數據時，認為過于晦澀，往往還需要手動加工聚合。

以上，便是政采云埋點團隊對于埋點數據可視化方面的探索和實踐。