App关键页面埋点基础

现在做产品经理越来越难了，天天撕完情怀还要来撕数据。数据分析能力虽然说是产品经理的一项基本功，但是我了解到的产品经理其实都对数据分析有一种淡淡疏远心理，特别的是非技术的产品经理更是对数据敬而远之。

我想来想去，原因就一个：大家现在越来越不爱数学。其实通常意义上的产品数据分析用不了多少数据知识，用到的也都是非常简单加减乘除。但是要注意到，其实加减乘除是非常强大的，可以解决大部分的问题，而且成本非常低，你使用了复杂的算法，可能精确度也只能上升不到5个百分点。

我观察而言，对于传统网页的数据分析已经有很多资料了，但是针对于移动端的数据分析资料往往较少。随着H5应用的普及，app其实和网页一样可以使用网站传统的分析方法达到相应的目的。但是针对移动互联网的特点，和传统网站又有一些差异。比如app更重视DAU、MAU等指标。但是这些都是针对一个app的整体而言的一些指标，我这次要讲的是针对转化而且进行的一些数据统计方面的内容。

什么样的页面需要自己来埋点？

我们有很多统计工具，比如CNZZ、GA、Umeng来实现针对app全局的数据掌控。所谓埋点其实就是自定义统计，通常来讲我们只针对于特定页面进行自定义统计，比如购买页面、特定转化页面等等。但是这个还是具体看分析人员的侧重点，这样才能知道那些页面那个位置最适宜进行埋点。

一、埋点原则

具体怎么来埋呢？这是大家最关心的问题，我分析方法供大家参考。

下面这个表，是一个能实现基本功能的埋点规则。我们依次选取了：PV、UUID、新用户数、出口1、出口2、…其中，我解释一下出口的含义，别的大家应该都清楚。所谓出口其实就是所有能够离开页面的出口，任何一个点都不能漏，比如返回、购买等等，只要离开了该页面，就成为一个出口。出口数量是按照页面请求数来统计，也可以是去重之后按照UUID数量进行统计，看不同分析重点。我们的例子按照请求数量进行统计。

随着日子的积累，每个页面都会形成这样一个表。

二、分析步骤

我们分析主要按照以下步骤进行：

• 对出口进行分类
• 按页面依次分析
• 分析页面流
  

按出口进行分类

每个页面很多出口，可能多达20个也不无可能。这么多的出口我们需要将相似的出口归为同一类，比如一个商品列表页不同的商品，同类商品的出口可以归为一类。将出口归类可以方便的进行统计规划而且不会使得统计变得非常凌乱。

按照页面依次分析

每个页面我们都会产生一个上面的表格，每个页面需要进行详细的分析。我们需要得出每个出口的跳出比例、每类出口的跳出比例、每个页面停留时间与出口类型的关系（回归分析）。

分析页面流

在分析完每个页面的出口之后，可以大体的看出用户对页面的走向。比如50%会从页面1跳转到页面2，30%的用户会从页面1跳转到页面3，这是一类很重要的结论。可以验证我们的引流是否成功。当观察到引流没有按照我们预计结果进行时，就代表着我们的流程或者用户体验出了问题。

我下面举一个具体的例子来说明上述分析是如何进行的。

下面是一个图书购买app的购买页面，我们分析其中3个页面来说明上述的分析方法。由于我们能给出的页面不完整，很多对应的出口页面没有给出，所以在此仅就分析方法的使用进行说明，诸多不严谨的地方请各位产品大牛海涵。

上面三个图是最简单产品购买流程页面，分别是产品列表页、产品详情页、购买页面。我们假设点击确认购买按钮完成一次转化，我们的主要目的就是为了让更多的用户去点击确认购买按钮。我们用10天的数据来做说明

                                                        页面1的统计数据

第一步：出口分类

我们可以将出口分为4类。

• 第一类：搜索入口。出口1，这个出口可以直接通向搜索页面，代表用户无法通过列表页面快速定位找到自己想要的书籍，需要通过搜索页面查找。
• 第二类：广告页面。出口6，这个出口是由大幅banner展现，可以体现广告的价值。
• 第三类：列表内容。出口2-1，2-2，2-3都是这类，该类出口通往各栏目的详情页面。
• 第四类：其他类目。出口3，4，5都属于这类出口，直接将用户引导到其他内容页面。
  

第二步：各类页面依次分析

1.分析各个出口的流量占比

出口1是搜索引擎的一个入口，说明大约有10%的用户被诱导到了搜索页面。于此同时，对于广告出口6，波动比较大，说明和推广内容非常相关。我们可以推测，可能是由于用户差异分化严重而导致。按照这个方式，将所有的出口都进行统计后比较，可以看出用户主体是流向那个出口。这部分工作都可以在埋点中直接体现，在大家熟悉的Umeng中自定义事件中就可以完成。

2.分析各类出口的流量占比

通过以上行为，将我们所说的出口合并后集中统计，便可以知第几类出口占比是多少。

3.对出口结构与停留时间进行回归化分析

每个页面的停留时间和出口种类有什么样联系，具体相关性是多少，这个问题我们通过回归分析来解决。回归过程暂且省却。拟合结果，此处省略假设检验

ans =

-61.4292     %截距项

0.0008    %出口1

0.0005    %出口2-1

0.0011    %出口2-2

0.0005    %出口2-3

-0.0002    %出口3

-0.0009    %出口4

-0.0048    %出口5

-0.0004    %出口6

我们可以看出，对于第一类出口和第三类出口对该页面的停留时间为正相关，其他出口对该页面的停留时间为负相关，我们需要考虑该页面的性质来进行判定。同时，如果我们完成对全页面的分析，可以对各个页面的停留时间对转换数目进行建模，这样可以看出哪些页面停留时间与付费转换的关系。

第三步：分析页面流

看看将几个页面人数最多的出口串联起来，验证自己的引流是否符合自己当初的设计。如果引流和转化的方向不一致，则需要及时调整页面重新构思引流方式。

找出每个页面的出口流量，分析出用户使用流程：

如果我们发现出口2-1的流量最大，说明用户来到了书籍详情，我们又发现书籍详情页中出口1流量最大，说明用户来到了购买页面。这样我们的引流就是成功。其实这个也是最基本的埋点方式，在大家熟悉的Umeng中，页面的扭转早已有了非常成熟的可视化图表。

三、数据推动产品发展

对于数据如何推动产品发展，其实这里很难用一个例子来说清楚。因为一个产品的推动在于功能的改进同时观察数据的变化行为，以此来判断功能改进是否正确。如此循环往复，通过数据来决策未来的功能，通过数据来验证已经实现的功能。简单说说我理解分为下面几步：

1. 确定数据表中的唯一核心数据（OMTM）

确定数据表中的核心数据是我们分析的起点，一般来讲移动互联网我们讲活跃度作为评价app的一个重要指标。

2. 不同版本间的核心数据比对

针对不同版本优化的不同功能，我们观察核心指标的变化情况。一方面验证我们核心指标的准确性，一方面判定功能改进对核心指标的影响。

3. 功能优化放大

在确定功能与核心指标的关系后，迅速放大该功能并观察核心指标的变化。

总之，数据推动产品实现是一个过程，需要一定数据积累与数据比对。只要产品行程自己的节奏并且形成相应的数据集，就可以用数据的力量来促进产品的发展。