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
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
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。
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。
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。
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。
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。
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。
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，还支持某个人群与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。