編輯導(dǎo)語(yǔ)：大家是否知道，什么是流量數(shù)據(jù)？為什么要做流量數(shù)據(jù)分析體系？又該怎樣做流量數(shù)據(jù)分析體系呢？本文作者圍繞這三個(gè)問(wèn)題，為我們做出了詳細(xì)地解答，讓你知道關(guān)于流量分析體系的那點(diǎn)事。

1. 什么是流量數(shù)據(jù)

流量數(shù)據(jù)主要以用戶訪問(wèn)產(chǎn)品/頁(yè)面時(shí)，從啟動(dòng)到使用產(chǎn)品等一系列的過(guò)程都會(huì)產(chǎn)生許多流量數(shù)據(jù)。流量數(shù)據(jù)定義為用戶訪問(wèn)產(chǎn)品時(shí)/頁(yè)面時(shí)產(chǎn)生的數(shù)據(jù)，需要企業(yè)通過(guò)數(shù)據(jù)采集來(lái)獲取數(shù)據(jù)。

2. 為什么要做流量數(shù)據(jù)分析體系

當(dāng)前市面上居高不下的獲客成本，對(duì)于新用戶，可能僅打開一次app就流失。監(jiān)測(cè)流量數(shù)據(jù)，診斷數(shù)據(jù)異常，改善業(yè)務(wù)邏輯，促進(jìn)產(chǎn)品收益。

3. 怎樣做流量數(shù)據(jù)分析體系

用戶訪問(wèn)產(chǎn)品/頁(yè)面時(shí)，從啟動(dòng)到使用產(chǎn)品等一系列的過(guò)程都會(huì)產(chǎn)生許多流量數(shù)據(jù)。流量數(shù)據(jù)大 都通過(guò)埋點(diǎn)上報(bào)產(chǎn)生，通過(guò)數(shù)據(jù)處理與加工形成質(zhì)量高、易于分析的數(shù)據(jù)資產(chǎn)，經(jīng)過(guò)數(shù)據(jù)分析為決策提供數(shù)據(jù)支持與洞見。

3.1 數(shù)據(jù)生產(chǎn)

3.1.1 業(yè)務(wù)需求——埋點(diǎn)數(shù)據(jù)需求

組里的DA同學(xué)收到的業(yè)務(wù)訴求常常是“期望能這個(gè)功能的使用情況”等，而此時(shí)如果僅給出一個(gè)功能使用uv、pv，是不夠的，需要全方面的了解業(yè)務(wù)訴求，并將其抽象為埋點(diǎn)需求。

面對(duì)“期望能這個(gè)功能的使用情況”業(yè)務(wù)需求時(shí)，需要了解：

1. 業(yè)務(wù)的短、中、長(zhǎng)期戰(zhàn)略，e.g.中長(zhǎng)期戰(zhàn)略為用戶下沉；
2. 為什么上線這個(gè)功能；
3. 這個(gè)功能可能會(huì)影響其他功能。

了解后，根據(jù)業(yè)務(wù)背景、需求、目的，將其抽象為“埋點(diǎn)需求”。

1. 業(yè)務(wù)的短、中、長(zhǎng)期戰(zhàn)略，e.g.中長(zhǎng)期戰(zhàn)略為用戶下沉，用戶下沉使用城市等級(jí)、收入金額等來(lái)劃分；
2. 為什么上線這個(gè)功能：了解到是為了提高用戶粘度，需要監(jiān)測(cè)使用該功能的用戶留存、活躍天數(shù)。并通過(guò)對(duì)比分析得到與其他功能的差異表現(xiàn)；
3. ?這個(gè)功能可能會(huì)影響其他功能： 獲得與該功能可能相斥的功能點(diǎn)，監(jiān)測(cè)數(shù)據(jù)表現(xiàn)，避免“業(yè)務(wù)預(yù)期外”的侵蝕現(xiàn)象；獲取期望相輔的功能點(diǎn)，監(jiān)測(cè)數(shù)據(jù)表現(xiàn)，避免“出乎意料”。

3.1.2 埋點(diǎn)設(shè)計(jì)

設(shè)計(jì)埋點(diǎn)需求前，需要了解下事件模型（who、when、where、how、what），基于事件模型全方面的刻畫埋點(diǎn)。

3.1.2.1 埋點(diǎn)要素

WHO：

即誰(shuí)參與了這個(gè)事件，唯一標(biāo)識(shí)（設(shè)備/用戶id），可以是匿名的設(shè)備id（idfa\idfv\android_id\imei\cookie）、也可以是后臺(tái)生成的賬戶id（user_id,uid）、也可以是其他【唯一標(biāo)識(shí)】。

現(xiàn)在很多公司都有自己的唯一設(shè)備id（基于某個(gè)策略產(chǎn)生的唯一標(biāo)識(shí)），e.g.阿里有OneId。埋點(diǎn)時(shí)，該參數(shù)通常使用 業(yè)務(wù)所用的唯一id；在埋點(diǎn)設(shè)計(jì)文檔中，如果沒有特殊處理，無(wú)需特別聲明。

WHEN：

即這個(gè)事件發(fā)生的實(shí)際時(shí)間。

該時(shí)間點(diǎn)盡可能精確，有利于行為路徑分析行為排序，像神策會(huì)精確到毫秒。如果公司內(nèi)已有數(shù)據(jù)統(tǒng)計(jì)sdk且該埋點(diǎn)使用，則無(wú)需特別說(shuō)明。

WHERE：

即事件發(fā)生的地點(diǎn)。

可以通過(guò)ip地址解析國(guó)家、省份、城市；如果期望更細(xì)致的數(shù)據(jù)，如果住宅、商業(yè)區(qū)等，需要額外地理信息數(shù)據(jù)庫(kù)來(lái)做匹配。地點(diǎn)信息和時(shí)間信息一樣，是每一個(gè)行為事件都需要上報(bào)的信息，基本上會(huì)是統(tǒng)計(jì)sdk的預(yù)設(shè)字段，也無(wú)需特別說(shuō)明。

HOW：

即用戶用某種方式做了這個(gè)事件，也可以理解為事件發(fā)生時(shí)的狀態(tài)。

這個(gè)包括的就比較多，可以是進(jìn)入的渠道、跳轉(zhuǎn)進(jìn)來(lái)的上級(jí)頁(yè)面、網(wǎng)絡(luò)狀態(tài)（wifi\4g\3g）、攝像頭信息、屏幕信息（長(zhǎng)x寬）等。

而如使用的瀏覽器/使用的App，版本、操作系統(tǒng)類型、操作系統(tǒng)版本、進(jìn)入的渠道等 經(jīng)常設(shè)置為“預(yù)設(shè)字段”，也無(wú)需特別說(shuō)明。

WHAT：

即用戶做了什么，結(jié)合用戶行為/操作以及業(yè)務(wù)所需的數(shù)據(jù)粒度，需要通過(guò)埋點(diǎn)盡可能詳細(xì)的描述清楚行為，也是埋點(diǎn)設(shè)計(jì)文檔最為重要的部分。

如搜索（搜索關(guān)鍵字、搜索類型）、觀看（觀看類型、觀看時(shí)長(zhǎng)/進(jìn)度、觀看對(duì)象（視頻id））、購(gòu)買（商品名稱、商品類型、購(gòu)買數(shù)量、購(gòu)買金額、 付款方式）等等。

3.2.2.2 埋點(diǎn)示例

以“啟動(dòng)”事件、“播放”事件為例，設(shè)計(jì)埋點(diǎn)。

3.1.3 埋點(diǎn)開發(fā)

埋點(diǎn)在形式上，支持代碼埋點(diǎn)、可視化埋點(diǎn)、全埋點(diǎn)。代碼埋點(diǎn)時(shí)，可以客戶端埋點(diǎn)，也可以服務(wù)端埋點(diǎn)；統(tǒng)計(jì)SDK，APPSDK、webSDK、小程序SDK、H5SDK等。

可視化埋點(diǎn)、全埋點(diǎn)背后對(duì)應(yīng)的是統(tǒng)計(jì)SDK針對(duì)“某些事件”的自動(dòng)上報(bào)，埋點(diǎn)開發(fā)相關(guān)知識(shí)點(diǎn)可以查看歷史文章。

統(tǒng)計(jì)SDK是埋點(diǎn)開發(fā)提效的工具，填寫需要上報(bào)的參數(shù)即可，統(tǒng)計(jì)SDK的格式大都基于事件模型，較為通用的事件模型可以參考神策分析。

3.1.4 埋點(diǎn)測(cè)試驗(yàn)收

埋點(diǎn)測(cè)試驗(yàn)收，需要從邏輯、數(shù)據(jù) 兩方面測(cè)試驗(yàn)收，以確保埋點(diǎn)的正確性、順序性、完整性。

• 正確性：確認(rèn)數(shù)據(jù)是否上發(fā)，并檢查上方數(shù)據(jù)內(nèi)容格式是否與需求文檔一致；
• 順序性：數(shù)據(jù)上報(bào)的順序正確，間接性驗(yàn)證埋點(diǎn)代碼的正確性；
• 完整性：針對(duì)各場(chǎng)景均需要測(cè)試，確保不同來(lái)源、不同場(chǎng)景下均有數(shù)據(jù)上報(bào)。

埋點(diǎn)平臺(tái)通常均有針對(duì)性測(cè)試的模塊，像umeng可以注冊(cè)測(cè)試設(shè)備后，查看埋點(diǎn)的測(cè)試數(shù)據(jù)，埋點(diǎn)上線后也需要進(jìn)一步觀察數(shù)據(jù)是否有異常。

3.2 流量數(shù)據(jù)的加工

3.2.1 數(shù)據(jù)質(zhì)量的保障

經(jīng)過(guò)數(shù)據(jù)處理的埋點(diǎn)數(shù)據(jù)，需要保障 完整性、準(zhǔn)確性、一致性、及時(shí)性。

• 完整性：完整性是指數(shù)據(jù)的記錄和信息是否完整，是否存在數(shù)據(jù)缺失情況，是數(shù)據(jù)質(zhì)量最基礎(chǔ)的保障；
• 準(zhǔn)確性：指數(shù)據(jù)中記錄的信息和數(shù)據(jù)是否準(zhǔn)確、是否存在異?；蛘咤e(cuò)誤的信息；
• 一致性：指在多處數(shù)據(jù)記錄中，數(shù)據(jù)一致；
• 及時(shí)性：保障數(shù)據(jù)的及時(shí)產(chǎn)出才能體現(xiàn)數(shù)據(jù)的價(jià)值。

3.2.2 數(shù)據(jù)模型

有了埋點(diǎn)數(shù)據(jù)，通過(guò)數(shù)據(jù)處理，該過(guò)程就不詳細(xì)講了。

數(shù)據(jù)標(biāo)準(zhǔn)化后，通常會(huì)存在于三張表：事件表；用戶屬性表；目標(biāo)對(duì)象表（三張表僅是按照使用表的目的而言，為了提高查詢效率等，通常會(huì)將三張表按照事件過(guò)程再拆分）。

基于這三張表的查詢模型，將可以支持一般數(shù)據(jù)量級(jí)的各種分析模型，超大數(shù)據(jù)量下查詢速度會(huì)降低，如需提高查詢速度，則需要通過(guò)存儲(chǔ)換查詢，例如將高頻查詢結(jié)果進(jìn)行緩存、設(shè)置數(shù)據(jù)加速等。

• 事件表：每條記錄描述一個(gè)用戶在某個(gè)時(shí)間點(diǎn)、某個(gè)地方、以某種方式完成某個(gè)具體的事件；
• 用戶屬性表：主體為用戶，每一個(gè)用戶有一條記錄，屬性包括了用戶屬性（包括平臺(tái)、網(wǎng)絡(luò)、服務(wù)商、手機(jī)型號(hào)、地域等等自然屬性；也包括用戶等級(jí)、是否為大V等非自然屬性），通過(guò)用戶可以關(guān)聯(lián)到事件表分析。
• 目標(biāo)對(duì)象表：主體為目標(biāo)對(duì)象，目標(biāo)對(duì)象通常是一個(gè)業(yè)務(wù)的主要載體，比如短視頻APP，目標(biāo)對(duì)象為視頻（id），通過(guò)目標(biāo)對(duì)象可以關(guān)聯(lián)事件表分析。

3.3 流量數(shù)據(jù)的應(yīng)用

3.3.1 常用流量分析

3.3.1.1 事件分析

事件分析法常用語(yǔ)研究某行為事件的發(fā)生 對(duì)產(chǎn)品價(jià)值的影響以及影響程度，通過(guò)研究與事件相關(guān)的所有因素來(lái)分析用戶行為事件變化的原因。

在日常工作中，運(yùn)營(yíng)、市場(chǎng)、產(chǎn)品、數(shù)據(jù)分析師等不同角色的業(yè)務(wù)同學(xué)，常常根據(jù)實(shí)際工作情況關(guān)注不同的事件、以及事件對(duì)應(yīng)的指標(biāo)。

例如：上周來(lái)自北京的用戶拍攝視頻的去重用戶數(shù)是多少？

事件分析是圍繞事件表而來(lái)的。描述的是一個(gè)用戶在某個(gè)時(shí)間點(diǎn)、某個(gè)地方、以某種方式完成某個(gè)具體的事件。

3.3.1.2 漏斗分析

漏斗分析重在過(guò)程，現(xiàn)代營(yíng)銷觀念也認(rèn)為控制了過(guò)程就控制了結(jié)果。漏斗分析是流程分析，它能夠反應(yīng)從起點(diǎn)至終點(diǎn)各階段用戶轉(zhuǎn)化情況。

狹義上是以用戶為單位將步驟串聯(lián)起來(lái)，進(jìn)入后續(xù)步驟的用戶，一定是完成了該漏斗前序步驟。廣義上的漏斗分析，僅僅是用漏斗這種形態(tài)來(lái)描述，即將液體從大口導(dǎo)入，從小口漏出。

例如一款游戲產(chǎn)品 用戶從激活到購(gòu)買皮膚：激活app、注冊(cè)賬號(hào)、進(jìn)入游戲、玩游戲、購(gòu)買皮膚。

漏斗分析應(yīng)用：

（1）全流程監(jiān)控轉(zhuǎn)化過(guò)程：對(duì)于業(yè)務(wù)流程相對(duì)規(guī)范、周期較長(zhǎng)、環(huán)節(jié)較多的流程分析，能夠直觀地發(fā)現(xiàn)問(wèn)題。

多維度切分找到低轉(zhuǎn)化的問(wèn)題點(diǎn)——這里以廣告的點(diǎn)擊，因而關(guān)注“廣告的曝光->點(diǎn)擊”的漏斗分析。

（2）通過(guò)對(duì)比不同渠道的該漏斗過(guò)程，可以找到最佳投放廣告的渠道：如下圖展示可以看到baidu的總體轉(zhuǎn)化率高于全部 6個(gè)點(diǎn)，明顯優(yōu)質(zhì)。當(dāng)然實(shí)際的場(chǎng)景中，還需要結(jié)合更多的價(jià)值衡量標(biāo)準(zhǔn)來(lái)篩選優(yōu)質(zhì)渠道。

（3）對(duì)比分析不同用戶群體的漏斗，從差異角度找優(yōu)化點(diǎn)。這里以新增用戶的關(guān)鍵行為轉(zhuǎn)化過(guò)程為例，通過(guò)漏斗分析找到用戶群體的差異性，再根據(jù)差異性做更細(xì)粒度的引導(dǎo)。

關(guān)鍵行為的轉(zhuǎn)化漏斗如下“啟動(dòng)app->登錄->進(jìn)入直播間->直播互動(dòng)->送禮物”，通過(guò)對(duì)比查看不同國(guó)家，發(fā)現(xiàn)中國(guó)與總體在后兩個(gè)轉(zhuǎn)化中差異大于1%，尤其是在進(jìn)入直播間->直播互動(dòng)，當(dāng)然差異的背后還可以進(jìn)一步的洞察，更好的利用這個(gè)差異點(diǎn)。

3.3.1.3 留存分析

留存分析是一種用來(lái)分析用戶參與情況的分析模型，考察進(jìn)行初始行為的用戶中有多少人會(huì)進(jìn)行后續(xù)行為，能有效衡量產(chǎn)品對(duì)用戶價(jià)值。

通過(guò)留存分析，延長(zhǎng)用戶的生命周期，增加每一個(gè)用戶生命周期價(jià)值。針對(duì)新用戶，可以描述出由不文明的那個(gè)的用戶轉(zhuǎn)化為活躍用戶、穩(wěn)定用戶、忠誠(chéng)用戶的過(guò)程。

留存分析可以：

（1）了解新用戶的同期群

上周上線了新版本，目的是提升新用戶留存，通過(guò)對(duì)比上線前的同期群留存表現(xiàn)，發(fā)現(xiàn)新版本沒有明顯變好。

（2）找到目標(biāo)用戶

長(zhǎng)期留存的用戶是忠實(shí)度較高的用戶，反過(guò)來(lái)可以結(jié)合用戶屬性分析得到“什么樣”的用戶，自身留存較好。

（3）找到用戶視角的產(chǎn)品核心價(jià)值

同一批用戶，通過(guò)什么樣的行為后，留存提升了。

留存分析在衡量用戶粘度的時(shí)候，還需要結(jié)合用戶訪問(wèn)天數(shù)（一定周期內(nèi)），留存相同的工具型、內(nèi)容型產(chǎn)品，通常工具型的用戶訪問(wèn)天數(shù)低于內(nèi)容型的。

3.3.1.4 路徑分析

app日志按照用戶的使用過(guò)程、使用頻率，可以呈現(xiàn)出“明確的”用戶現(xiàn)存路徑。通過(guò)路徑的指標(biāo)表現(xiàn)，發(fā)現(xiàn)路徑問(wèn)題，使用戶盡可能短路徑體驗(yàn)到產(chǎn)品核心價(jià)值。

路徑分析可以：

（1）在路徑分析中，常常會(huì)發(fā)現(xiàn)產(chǎn)品/運(yùn)營(yíng)設(shè)計(jì)之外的使用路徑，尤其是發(fā)生在大型產(chǎn)品上。產(chǎn)品、運(yùn)營(yíng)均清楚自己負(fù)責(zé)的模塊，與其他模塊的配合協(xié)作過(guò)程較模糊，甚至不清晰。

此時(shí)的第一反應(yīng)是“用戶的真實(shí)操作是這樣么？怎么會(huì)，超出了我當(dāng)前自己產(chǎn)品的認(rèn)知”?；谑录氖滦驍?shù)據(jù)展示，將能夠解決這個(gè)問(wèn)題。

（2）多維度切分找到關(guān)鍵路徑上的用戶群體：如上發(fā)生A->B路徑的用戶有誰(shuí)？他們?cè)趯?duì)應(yīng)時(shí)間點(diǎn)是如何使用產(chǎn)品的，是在怎樣的網(wǎng)絡(luò)條件下？

（3）此外，路徑分析還可以用來(lái)展示用戶流向，操作A行為的用戶中有多少流失了，又有多少操作了其他行為，其他行為的占比達(dá)致為多少？

3.3.2 報(bào)表

流量數(shù)據(jù)多以報(bào)表形式展示。清晰的展示展示關(guān)鍵數(shù)據(jù)，完整的描述數(shù)據(jù)故事，往往對(duì)看板制作有較高要求。

流量數(shù)據(jù)具有標(biāo)準(zhǔn)的數(shù)據(jù)結(jié)構(gòu)，這有助于提高流量數(shù)據(jù)看板制作的效率——通過(guò)沉淀常用數(shù)據(jù)數(shù)據(jù)分析模型的圖表，快速形成看板。

3.3.3?行為標(biāo)簽

行為標(biāo)簽數(shù)據(jù)是用戶畫像、用戶分群的基礎(chǔ)數(shù)據(jù)，而流量數(shù)據(jù)是行為標(biāo)簽的主要數(shù)據(jù)來(lái)源。行為標(biāo)簽由于處理方式不同，分為以下幾種：

• 事實(shí)標(biāo)簽：通常也稱為規(guī)則標(biāo)簽，是基于用戶行為數(shù)據(jù)和規(guī)則產(chǎn)生的標(biāo)簽，e.g. 無(wú)效用戶—“APP啟動(dòng)后沒有使用核心功能”；新增用戶—“7日內(nèi)的新增”；
• 模型標(biāo)簽：是通過(guò)數(shù)據(jù)模型得到的標(biāo)簽，e.g. 消費(fèi)能力高；
• 預(yù)測(cè)標(biāo)簽：和模型標(biāo)簽一樣，也是通過(guò)模型得到，但不同的是預(yù)測(cè)標(biāo)簽是對(duì)未來(lái)的預(yù)估，e.g. 潛在流失用戶。

本文由 @cecil 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自Unsplash，基于CC0協(xié)議