时间: 2021-07-30 09:17:25 人气: 12 评论: 0
这篇文章拖了好久，终于是写完了，然后发出来了，和大家聊一聊关于数据埋点的基础认识，喜欢，请分享。
数据埋点，对于产品迭代而言，有很重要的指向意义。
数据分析是我们获得需求的来源之一，通过对数据的比对，对数据趋势的分析，能让我们发现哪些环节存在问题，哪些环节有提高空间。同时，数据分析也是检验功能是否有效，是否受欢迎的重要佐证。
非常的直观，以一种数据的形式呈现出来，而这些数据有大部分都来自于对数据的埋点。学习数据埋点，首先认识一下他的实现原理。
以APP举例，我们可以简单的分为四个层级，表层是UI层，底层是数据表和日志。（必要时，我们可以将层级分的更加清晰。）
数据埋点的发生场景便是在表层-UI层里，其作用是监控用户在UI层产生的行为。也就是用户对界面的操作。
数据埋点其实无法统计有多少用户发布了朋友圈，但可以统计有多少用户点击了朋友圈的发布按钮，以及有多少用户在朋友圈发布页点击了确认发布的按钮。
数据埋点我们可以分成两类，其一是页面统计，其二是行为统计。
页面统计可以帮我们知晓某个页面被多少人访问了多少次。
其本质是监控页面加载的行为，尽管此时用户并没有对UI产生行为，但却是由上一个点击行为触发的一个结果。除了访问的人数与次数，也可以监控到用户在某个页面停留的时长，部分产品希望用户在某个页面停留的时间越长越好。
追求停留时间的产品，典型的便是信息流产品。这表示用户正在持续的进行阅读，停留的时间越长，表示内容对用户的吸引力越高，这样才能产生持续的阅读行为。
（诸如微博，朋友圈等以短信息为主要内容的信息流，长信息**更加侧重跳转详情页的数值）
行为统计是指用户在界面上的操作行为，应用最为广泛的便是按钮的点击次数。
其实，通过数据埋点捕捉到的数据，有三层，第一层是基础层，比较通用的数据，像是日活，新增，第二层是页面访问，第三层就是行为统计，名词上来讲通常被称为“事件统计”
通过对UI界面响应事件的捕捉，我们能够得知某个按钮的点击数及对应的点击率。
数据分析是很一门很复杂的学科，对于PM而言，是一个重要的需求源，而我们用来分析数据采用的方法，也非常的多，并且复杂的分析方法，可以复杂到让我们怀疑人生~~这里结合文章提到的内容，给大家做个应用分享，属于简单的分析方法。
APP里，有的页面是存在唯一的主次关系，意思是B页面仅能从A页面进入。
此时，我们结合两个页面的访问数值，就能得到A页面到B页面的转化率。并以此判断两个页面是否存在可优化空间。
数据里所隐藏的优化空间，往往是存在多种可能性的。
A页面与B页面具备唯一主次关系， B页面仅能从A页面跳转进入，（如：微信的，某人的相册，仅能从个人资料进入）
若 A页面访问人数为100人，B页面访问人数只有10人。
分析结果就有两种可能性：
（1）A页面转化部分设计有问题，就像文章的阅读数和标题息息相关，我们可能需要优化入口的设计。
（2）B页面留存有问题，无法让用户产生二次访问行为，以及无法让用户形成更高频率的访问。
此概念类似于“复购率”和“复购频次”
对于 有多个入口的页面，页面路径的分析方法就没有作用了，此时，我们就需要借助行为统计。
“行为统计–页面访问率”
一些基础的功能，往往被多个页面应用，也能通过两个以上的页面进入，也就是我们所熟知的“多个入口”的概念。
此时，我们可以借助 指定入口页的访问人数，入口按钮的点击人数，来判断该页面的转化率。页面可以通过ACD三个页面点击对应按钮进入，我们想要知道A页面到B页面的转化率是多少。若A页面访问人数是100，按钮点击人数是30，B页面访问人数是40，问题就变成了，在A页面点击按钮的点击率，其分析价值与页面访问率相同。
第二种分析方法，更多的是侧重对入口所在页的分析，通常提到的转化率，也是指类似的分析方法。
对于第二种方法，比较典型的是广告转化率提升的设计方法。
此类型产品，几乎不考虑“复购”问题，其追求的目标是最大限度，在不影响原有用户体验的基础之上，提高用户点击广告的几率。
与之对应的产品设计方法，更多的在于视觉的设计，类似加粗，图**，特殊形状，诱惑性的文案等。
数据相关的知识非常庞大，足以支撑一个独立的职位（数据分析师，数据型产品经理）。文中所提到的都是基础的分析方法，并且还不全面。数据是产品经理的一个重要的需求源，在我们成长的过程中，如何利用数据，如何挖掘数据，如何分析数据都是必须经历的阶段。
其作用，远不止第三方平台直接呈现的部分，诸如各个数据每日对比，可以得到趋势，借助趋势，也能进行预判。可以说第三方所呈现出来的结果性数据，只是冰山一角。尝试去分析数据吧，然后驾驭数据，做一位理性的产品经理。
枯叶，微信公众号：枯叶咖啡馆。人人都是产品经理专栏作家。近6年经验的产品经理，擅长社交、社区、细分群体挖掘。
本文原创发布于人人都是产品经理。未经许可，禁止转载。
题图来自 Pexels，基于 CC0 协议
