手把手教你从业务价值与产品场景入手进行埋点规划
行业动态 • 数据运营运营技巧
12982
2019-7-10
摘要:
没有埋点规划,就没有隐性数据,就没有科学和精细的数据体系,就没有精细化运营!

本文为友盟+培训专家 张跃在U-Time巡回”用户生命周期高阶实战”中的分享


近三年,我深度接触过上百家头部App客户,诊断和参与过数百次的App数据体系搭建工作。我发现一个特别突出的问题,几乎80%的App都没有科学的埋点规划——只采集显性数据,而更深层的与事件属性相关的隐性数据,都没有采集到。


因为没有埋点规划,就没有隐性数据,就没有科学和精细的数据体系,就没有精细化运营!


那么,埋点规划很难吗,不难!为什么大部分企业都做的不太好?关键在于,埋点规划需要整合产品、运营、技术和业务等跨部门的需求,运营同学不太懂技术、技术同学不太懂业务、产品同学不太懂埋点……


下面我将结合在友盟+多年的工作思考和埋点技巧,从0到1教会你如何结合属性进行结构化埋点,助你迈出精细化数据分析的第一步!


下载完整版PPT请戳:https://at.umtrack.com/CeCi8D

第一部分,埋点的业务价值

埋点可以解决那些业务问题?

围绕生命周期做用户分层,可以分为新手阶段、成长阶段、沉默&流失阶段。例如新手阶段要分析注册转化情况、要对渠道质量进行评估;在成长阶段要分析活跃度、考虑如何提升收益;沉默&流失阶段要进行沉默促活、流失召回。

根据以上举例的场景可以看出,每个阶段的数据分析都与埋点密切相关。例如,新手阶段分析注册转化,就需要把注册的每个环节进行埋点采集,直到注册成功;要评估渠道质量,就需要监测核心转化事件,根据业务需求的不同,转化事件有可能是付费或者是注册等等。所以说,先有埋点规划,后有精细化运营。

 

如何实现结构化埋点,提升数据分析效率?

目前,主流的埋点方式有代码埋点、可视化埋点、全埋点、服务端埋点这四种。

1)可视化埋点和全埋点:运营和产品人员在前端做一些按钮甄选,就可以针对某个点进行监测。优势是操作简单,劣势是采集到的数据分散,分析需要关联和结构化,只能针对客户端的数据采集,服务端数据是采集不到的。

2)服务端埋点,比如电商领域,有交易数据或会员充值数据,都是通过服务端埋点进行采集。

3)代码埋点,支持任意场景,例如采集用户在客户端的操作情况,以及服务端数据,支持结构化处理。代码埋点是“先难后易”,先按照业务逻辑做结构化埋点规划,埋完上线就可直接对事件进行分析。今天重点介绍通过代码埋点怎么做结构化设计。

埋点步骤:3步埋点规划,2步测试上线

从0到1,详解埋点的业务价值与场景实操(附PDF完整版)

事件结构化设计分两部分,埋点规划和测试上线。

第一步明确分析需求和属性结构,进行埋点设计规则;第二步进行埋点实施测试,搭建报表体系。接下来由一个真实案例,说明如何三步把事件规划做好。

上图是一个真实案例,某视频App的目标是提升用户留存。

步骤1:用户群分层,区分有播放用户、无播放用户;

数据发现:

有播放行为用户比无播放行为用户的留存率高30%;

每提高1%的播放用户,整体留存提高3%。

分析场景转化到埋点监测需求:有无视频播放

步骤2:找到无播放(行为)用户群的特征,找到可以优化的环节,即如何提升用户播放视频?从两个方向出发

从0到1,详解埋点的业务价值与场景实操(附PDF完整版)

1)从内容分发入手。数据分析发现无播放用户中,48%使用过搜索引擎,很可能是搜索后没有结果,没有形成播放行为。

2)从播放页面的产品体验入手。数据发现16%的无播放用户已经达到播放页,但是没有最终播放,这是第二个需要做深入分析的方向。

综合以上发现,需要通过两个方式埋点,分发入口对用户使用的情况,播放页对用户使用情况。

分析场景转化到埋点监测需求:分发入口/浏览播放页

步骤3:漏斗分析,找到搜索路径突破点。

从第一个方向出发,客户建立了两个漏斗,分别是有播放漏斗,以及无播放漏斗。

“进入搜索页——真正搜索——有结果——有点击”,发现无播放人群的“有结果”和“有点击”转化率非常差。

关键指标:

提升搜索有结果率,针对搜索结果的展示和内容对用户期望内容的匹配度进行优化;搜索结果点击率,在埋点环节要对搜索引擎进行监测。

分析场景转化到埋点监测需求:搜索功能使用

步骤4:优化播放链路(播放页体验),找到用户不播放的行为原因

16%用户进入到播放页,却没有点击“播放按钮”,为什么?通过人群分析,有50%的人在非Wi-Fi的环境下,这是导致没有播放的主要原因。产品经理决定,在这种场景下提示用户收藏,有Wi-Fi在提醒其播放。

从0到1,详解埋点的业务价值与场景实操(附PDF完整版)

最终通过三个方面的优化,增加一个按纽,增加有结果的叶面的展示,以及内容匹配度,通过这个改变后有播放用户的行为增加了7%。

分析场景转化到埋点监测需求:点击收藏按钮(新功能使用情况)

在每个分析环节应该埋哪些点?

这个案例介绍完了,在每个分析环节应该埋哪些点?

第一步,业务诉求是提升留存,分析需求有四个:有无播放视频、浏览播放页监测、搜索功能使用、点击收藏按纽。

需要把分许需求翻译成埋点需求:

a. 有无播放视频:只需要监测播放视频行为

b. 浏览播放页面:这个需求很直接,就是监测浏览播放页面的行为

c. 搜索功能使用:这个其实是多个需求,可以细分出两个事件,一个是监测搜索行为,另一个就是监测搜索结果页的内容展示

d. 点击收藏按钮:这个需求也很直接,就是监测按钮的点击情况

第二步,知道每个分析需求对应的属性结构

1)播放视频,隐性数据(后面会称之为属性)是当用户有播放行为时,视频会带视频类型、视频ID,用户的观看时长等相关信息,这些都要罗列出来,在后期对用户行为分析有帮助;

2)浏览页的播放,可以看出属性与播放视频基本一致,差异点在于没有用户播放的时长这个属性;

3)搜索词,则需要在用户进行搜索时,把搜索词、词的类型取回来,方便后期分析用户搜了那些词,这些词是自然搜索还是推荐词;

4)搜索页展示,这块需要把搜索是否有结果、展示内容ID、视频类型、哪个词索引过来的,这些相关的属性都取出来,这样后期可以分析搜索有结果率和内容曝光率,并且还可以做内容曝光到内容点击的转化分析;

5)点击收藏,不仅仅是获取用户点击这个按钮的行为,而是要把与视频相关的属性都取回来(视频相关属性与播放视频行为的属性一致)

第三步,开始设计埋点,事件共分为三层,事件、属性、属性值。

前两步梳理清楚后,埋点设计基本上就做好了,可以直接按照事件的三层结构进行整理。为了方便理解,下面详细解释下三层结构:


从产品视角,如何设计埋点
多维度的属性是能够帮助我们更清晰的描述这个事件,比如我们触发了一个播放电视剧的行为,衍生出描述的话“今天+我+搜一部电视剧+第一集+看完了+导演是谁”这句话就把所有的属性都包含了。通过埋点的方式切割成在每个属性当中,后期就可以对视频播放事件进行详细的分析了。

为了方便大家理解,下面在引用三张产品截图来告诉大家如何设计埋点,分别是搜索页面,搜索结果展示页、播放页。


1)针对搜索页面,比如取用户搜索行为,从页面结构可以看出,有自然搜索位置和推荐词位置,那么在属性采集时可以拆出两部分,分别是获取搜索了那些词有这些词的类型;

2)针对搜索结果页的展示,我们需要分析内容曝光的情况,从页面结构可以拆分出两部分,分别是索引词位置与内容展示位置,当这个页面打开时,我们就可以通过一个事件(搜索页面展示),来采集到搜索词和下面内容的相关属性;

3)针对播放页是两个需求,第一要看播放页展示的情况,当页面打开时,通过一个事件(浏览页播放)把展示的视频类型、视频ID等属性采集回来。另一个是要分析收藏按钮的点击情况,当用户触发点击事件时,同样把相关的内容属性都带回来就可以了。

埋点规划的技巧总结

第一,埋点设计需要具有前瞻性。不能是前端分析想到一个点,就添加一个点,那整个数据结构会混乱,效率会很低。先规划后实施,在前期按照业务需求把分析的场景规划好,后面的数据分析会越做越顺。

第二,利用好“属性”进行结构化设计。只有用多维的属性去描述一个用户行为,后面才能够对这个行为进行更细化的拆分,只有这样才能够更好的对用户进行精细化运营。

第三,合理利用一个事件实现多个需求。比如视频播放事件,第一个需求是要了解近期视频内容被用户浏览的热度,这时通过这个事件的“视频ID”属性就可以拆分出来了,另一个需求是想要分析视频都是从那些分发入口导流的,这时还是可以通过这个事件的“来源”属性进行拆分。

小结:结构化事件做好前期规划,后面就可以做到易分析、易查找、易归类,非结构埋点前期埋点简单,但后期分析时只能查看单点数据,无法对同类行为进行归类整合分析;

 

如何让技术看懂你的埋点需求?

技术人员更多的是帮我们去实现需求,但大部分人员对业务不是很了解,这个时候就需要详细地告诉他需要埋哪些点,需要什么时候传数据。经过我们这么长时间的沉淀,大家套用下面的模板就可以简单、清晰的把需求提交给技术。


从0到1,详解埋点的业务价值与场景实操(附PDF完整版)

埋点的技术需求模板包含以下5部分:事件名称、事件上报参数(英文名称)、属性名称、属性上报参数(英文名称)、属性值、事件触发条件。

在上个案例中,要特别注意视频触达条件,不是每个事件都是点击后回传数据,比如视频播放牵扯到使用时长,所以要在页面有刷新或关闭的状态下进行判断,并且把计算好的时长进行回传。

埋点实施测试的五步

回想下文章的开篇,在埋点规划之后是埋点实施测试。

埋点实施测试又分为为五步,集成SDK、事件埋点、App打包、实施测试、发布上线。

从0到1,详解埋点的业务价值与场景实操(附PDF完整版)

友盟+提供两种测试方式,一是通过log去查看日志,但需要技术配合去排查;考虑到释放技术工作量,我们还提供了第二种方式,集成测试模块,在产品后台的测试功能模块里,可以直接设备信息注册上,产品和运营同学就可以在产品后台进行埋点测试了。

搭建分析体系

我发现大部分客户都有自己的BI系统,并且数据是很全的,想要什么报表基本都有,但大多数客户都把报表融合到一起查看,这其实并不利于数据分析。

下面分享两种分析体系的搭建模型,根据自身需求引用一种适合自己业务模型的分析体系搭建。

按业务逻辑进行搭建:

1)概览,宏观数据、留存与渠道数据,便于了解宏观数据变化、及时洞察问题、判断App整体发展状态;

2)广告,曝光、位置、点击数据,便于进行广告内容优化、广告位价格优化;

3)流量,各板块流量数据,便于了解各板块流量变化、进行推荐内容或内容展示优化;

4)内容,内容偏好数据,了解用户内容消费情况以及内容偏好、进行内容展示优化;

5)用户,主要是用户行为数据,便于了解用户行为(核心功能使用)、产品功能优化、(搜索、注册、充值)转化效果优化。

如果这个模型不太适合你,还可以按职能部门搭建数据指标体系,比如运营部门、市场部门、产品部门、技术部门、营销部门相应的数据可以在这里搭建。

从0到1,详解埋点的业务价值与场景实操(附PDF完整版)

第二部分:产品场景实操

为了让大家更有体感,我将以友盟+移动统计U-App AI版为例,为大家详细讲解如何搭建报表体系,并添加到看板中。

U-App AI版主要分四个板块,基础看板、自制看板、用户洞察、用户增长。

精细化分析——事件细分

精细化分析主要落在用户洞察模块,分为行为洞察(事件细分、漏斗分析和自定义留存)和人群洞察(画像、分群)。以“视频播放”事件为例,视频播放的用户都看了哪些内容,直接选属性就可以了,上面都是默认的,下面找到的属性都是自己设计的,比如类型、视频ID等。支持两种计算方式,只算一次,或例行计算。

还有不同属性用户查看视频的差异,可以点筛选数据就可以筛选出来了。

精细化分析——漏斗分析

常规的漏斗可能有注册漏斗、转化漏斗、内容获取漏斗,都可以在这个模块设计。例如搜索漏斗,从搜索有结果到页面播放可以看到每一步转化,在新建漏斗点击以后有一个漏斗部署。

把页面所有点击的按纽通过这个属性传过来,比如第一步是输手机号;第二步通常是获取验证码,直接发送验证码等;第三步第四步还按照这个设计,设计完确认就可以了。

并且支持漏斗的完成周期,根据需求进行转化,加入长链路的漏斗是3-5天,可以把时间设置成5分钟。

从0到1,详解埋点的业务价值与场景实操(附PDF完整版)

漏斗分析还可以看到每一步的转化,点击后把两个人群圈出来,比如将“转化人群”和“没有转化人群”分成两个人群,分群之后能做三件事:第一是看人群画像;第二是人群推送,直接消息下发;第三是导入到事件细分中,看这个人群做了什么,对人群进行再细分。

精细化分析——自定义留存

自定义留存,区别于标准留存。标准留存不能满足日常的业务场景,可以通过自定义留存实现你的需求,新建留存把初始事件、回访事件建立就可以了。可以将这群用户圈出来,只有充值成功,就认为是留存用户等。

上图是复购模型,假如某天留存率比较高,点击后可以圈出这部分人群,对其进行精细分析。

从0到1,详解埋点的业务价值与场景实操(附PDF完整版)

精细化分析——用户分群

用户分群,支持更多的条件,例如支持“做了某事”和“没有做某事”,把近期没有付费或没有注册的用户圈出来;或者监测长期的变化,假如把每天启动App的高粘性的人群圈出,看近一个月呈现的状态,如果增长说明App运营状态是好的。

用户画像可以先找到人群,点击开始分析。这里有对比功能,支持任意两个人群的对比,还支持某个人群全网大盘人群进行画像对比,找到用户群的显著特征。

另外还可以推送,推送在增长模块中,点击“分群推送”,可以选择任意的人群直接进行分群推送。

 

自定义看板

在以上的分析之后,搭建了很多报表,数据比较散乱。U-App AI版提供了自制看板的功能,可以将数据放到业务相关的报表中,按部门或者职能部门进行分类。

如何创建一个报表,先输入一个名称,分别有两个模块,指标和报表。


添加指标,可以选常用的基础指标(日常监测数据),还有自定义指标,如注册事件等。

报表也分两部分,一个是预制好的报表,还有自定义报表,包括洞察、自定义留存等生成的日常报表。比如可以将常用漏斗、细分放进来。并且看板可以进行账号授权,不同权限看到不同的看板数据,保障数据安全。

下载完整版PPT请戳:https://at.umtrack.com/CeCi8D

关注我们
  • 友盟全域数据 前沿的行业数据新风向
  • 友盟数据服务 报告/干货/App/Web数据查询