撰稿编者按：大家是否知道，什么是流量数据？为什么要做流量数据分析管理体系？又该什么样做流量数据分析管理体系呢？本文作者紧紧围绕这四个问题，为他们作出了详尽地答疑，让你知道有关流量分析管理体系的司佥事。

1. 什么是流量数据

流量数据主要就以用户出访产品/网页时，从启动到采用产品等一连串的过程单厢造成很多流量数据。流量数据表述为用户出访产品时/网页时造成的数据，需要企业透过数据收集来获取数据。

2. 为什么要做流量数据分析管理体系

现阶段市售居高不下的信用卡业务成本，对新用户，可能将仅关上一场app就外流。监控流量数据，确诊数据极度，明显改善业务逻辑，推动产品投资收益。

3. 什么样做流量数据分析管理体系

用户出访产品/网页时，从启动到采用产品等一连串的过程单厢造成很多流量数据。流量数据大 都透过埋点呈报造成，透过数据处理与研磨逐步形成质量高、更易分析的数据金融资产，历经数据分析为重大决策提供数据全力支持与穿鞘。

3.1 数据制造

3.1.1 业务需求——埋点数据需求

MA78LMT的DA老师接到的业务政治理念经常是“期许能那个机能的采用情况”等，而这时如果仅得出两个机能采用uv、pv，是不够的，需要全各方面的介绍业务政治理念，并将其抽象化为埋点需求。

直面“期许能那个机能的采用情况”业务需求时，需要介绍：

业务的短、中、长期发展战略，e.g.中长期发展战略为用户下陷； 为什么上架那个机能； 那个机能可能将会影响其它机能。

介绍后，依照业务大背景、需求、目地，将其抽象化为“埋点需求”。

业务的短、中、长期发展战略，e.g.中长期发展战略为用户下陷，用户下陷采用卫星城级别、收入数额等来分割； 为什么上架那个机能：介绍到是为的是提高用户黏度，需要监控采用该机能的用户存留、活跃日数。并透过对照分析获得与其它机能的差别表现； 那个机能可能将会影响其它机能： 赢得与该机能可能将与此相反的机能点，监控数据表现，防止“业务预期外”的冲刷现像；获取期许相辅的机能点，监控数据表现，防止“超乎意料”。

3.1.2 埋点设计

设计埋点需求前，需要介绍下事件模型（who、when、where、how、what），基于事件模型全各方面的刻画埋点。

3.1.2.1 埋点要素

WHO：

即谁参与了那个事件，唯一标识（设备/用户id），可以是匿名的设备id（idfa\idfv\android_id\imei\cookie）、也可以是后台生成的账户id（user_id,uid）、也可以是其它【唯一标识】。

现在很多公司都有自己的唯一设备id（基于某个策略造成的唯一标识），e.g.阿里有OneId。埋点时，该参数通常采用 业务所用的唯一id；在埋点设计文档中，如果没有特殊处理，无需特别声明。

WHEN：

即那个事件发生的实际时间。

该时间点尽可能将精确，有利于行为路径分析行为排序，像神策会精确到毫秒。如果公司内已有数据统计sdk且该埋点采用，则无需特别说明。

WHERE：

即事件发生的地点。

可以透过ip地址解析国家、省份、卫星城；如果期许更细致的数据，如果住宅、商业区等，需要额外地理信息数据库来做匹配。地点信息和时间信息一样，是每两个行为事件都需要呈报的信息，基本上会是统计sdk的预设字段，也无需特别说明。

HOW：

即用户用某种方式做了那个事件，也可以理解为事件发生时的状态。

那个包括的就比较多，可以是进入的渠道、跳转进来的上级网页、互联网状态（wifi\4g\3g）、摄像头信息、屏幕信息（长x宽）等。

而如采用的浏览器/采用的App，版本、操作系统类型、操作系统版本、进入的渠道等 经常设置为“预设字段”，也无需特别说明。

WHAT：

即用户做了什么，结合用户行为/操作以及业务所需的数据粒度，需要透过埋点尽可能将详尽的描述清楚行为，也是埋点设计文档最为重要的部分。

如搜索（搜索关键字、搜索类型）、观看（观看类型、观看时长/进度、观看对象（视频id））、购买（商品名称、商品类型、购买数量、购买数额、 付款方式）等等。

3.2.2.2 埋点示例

以“启动”事件、“播放”事件为例，设计埋点。

3.1.3 埋点开发

埋点在形式上，全力支持代码埋点、可视化埋点、全埋点。代码埋点时，可以客户端埋点，也可以服务端埋点；统计SDK，APPSDK、webSDK、小程序SDK、H5SDK等。

可视化埋点、全埋点背后对应的是统计SDK针对“某些事件”的自动呈报，埋点开发相关知识点可以查看历史文章。

统计SDK是埋点开发提效的工具，填写需要呈报的参数即可，统计SDK的格式大多基于事件模型，较为通用的事件模型可以参考神策分析。

3.1.4 埋点测试验收

埋点测试验收，需要从逻辑、数据 两各方面测试验收，以确保埋点的正确性、顺序性、完整性。

正确性：确认数据是否上发，并检查上方数据内容格式是否与需求文档一致； 顺序性：数据呈报的顺序正确，间接性验证埋点代码的正确性； 完整性：针对各场景均需要测试，确保不同来源、不同场景下均有数据呈报。

埋点平台通常均有针对性测试的模块，像umeng可以注册测试设备后，查看埋点的测试数据，埋点上架后也需要进一步观察数据是否有极度。

3.2 流量数据的研磨

3.2.1 数据质量的保障

历经数据处理的埋点数据，需要保障 完整性、准确性、一致性、及时性。

完整性：完整性是指数据的记录和信息是否完整，是否存在数据缺失情况，是数据质量最基础的保障； 准确性：指数据中记录的信息和数据是否准确、是否存在极度或者错误的信息； 一致性：指在多处数据记录中，数据一致； 及时性：保障数据的及时产出才能体现数据的价值。

3.2.2 数据模型

有了埋点数据，透过数据处理，该过程就不详尽讲了。

数据标准化后，通常会存在于三张表：事件表；用户属性表；目标对象表（三张表仅是按照采用表的目地而言，为的是提高查询效率等，通常会将三张表按照事件过程再拆分）。

基于这三张表的查询模型，将可以全力支持一般数据量级的各种分析模型，超大数据量下查询速度会降低，如需提高查询速度，则需要透过存储换查询，例如将高频查询结果进行缓存、设置数据加速等。

事件表：每条记录描述两个用户在某个时间点、某个地方、以某种方式完成某个具体的事件； 用户属性表：主体为用户，每两个用户有一条记录，属性包括了用户属性（包括平台、互联网、服务商、手机型号、地域等等自然属性；也包括用户级别、是否为大V等非自然属性），透过用户可以关联到事件表分析。 目标对象表：主体为目标对象，目标对象通常是两个业务的主要就载体，比如短视频APP，目标对象为视频（id），透过目标对象可以关联事件表分析。

3.3 流量数据的应用

3.3.1 常用流量分析

3.3.1.1 事件分析

事件分析法常用语研究某行为事件的发生 对产品价值的影响以及影响程度，透过研究与事件相关的所有因素来分析用户行为事件变化的原因。

在日常工作中，运营、市场、产品、数据分析师等不同角色的业务老师，经常依照实际工作情况关注不同的事件、以及事件对应的指标。

例如：上周来自北京的用户拍摄视频的去重用户数是多少？

事件分析是紧紧围绕事件表而来的。描述的是两个用户在某个时间点、某个地方、以某种方式完成某个具体的事件。

3.3.1.2 漏斗分析

漏斗分析重在过程，现代营销观念也认为控制了过程就控制了结果。漏斗分析是流程分析，它能够反应从起点至终点各阶段用户转化情况。

狭义上是以用户为单位将步骤串联起来，进入后续步骤的用户，一定是完成了该漏斗前序步骤。广义上的漏斗分析，仅仅是用漏斗这种形态来描述，即将液体从大口导入，从小口漏出。

例如一款游戏产品 用户从激活到购买皮肤：激活app、注册账号、进入游戏、玩游戏、购买皮肤。

漏斗分析应用：

（1）全流程监控转化过程：对业务流程相对规范、周期较长、环节较多的流程分析，能够直观地发现问题。

多维度切分找到低转化的问题点——这里以广告的点击，因而关注“广告的曝光->点击”的漏斗分析。

（2）透过对照不同渠道的该漏斗过程，可以找到最佳投放广告的渠道：如下图展示可以看到baidu的总体转化率高于全部 6个点，明显优质。当然实际的场景中，还需要结合更多的价值衡量标准来筛选优质渠道。

（3）对照分析不同用户群体的漏斗，从差别角度找优化点。这里以新增用户的关键行为转化过程为例，透过漏斗分析找到用户群体的差别性，再依照差别性做更细粒度的引导。

关键行为的转化漏斗如下“启动app->登录->进入直播间->直播互动->送礼物”，透过对照查看不同国家，发现中国与总体在后两个转化中差别大于1%，尤其是在进入直播间->直播互动，当然差别的背后还可以进一步的洞察，更好的利用那个差别点。

3.3.1.3 存留分析

存留分析是一种用来分析用户参与情况的分析模型，考察进行初始行为的用户中有多少人会进行后续行为，能有效衡量产品对用户价值。

透过存留分析，延长用户的生命周期，增加每两个用户生命周期价值。针对新用户，可以描述出由不文明的那个的用户转化为活跃用户、稳定用户、忠诚用户的过程。

存留分析可以：

（1）介绍新用户的同期群

上周上架了新版本，目地是提升新用户存留，透过对照上架前的同期群存留表现，发现新版本没有明显变好。

（2）找到目标用户

长期存留的用户是忠实度较高的用户，反过来可以结合用户属性分析获得“什么样”的用户，自身存留较好。

（3）找到用户视角的产品核心价值

同一批用户，透过什么样的行为后，存留提升了。

存留分析在衡量用户黏度的时候，还需要结合用户出访日数（一定周期内），存留相同的工具型、内容型产品，通常工具型的用户出访日数低于内容型的。

3.3.1.4 路径分析

app日志按照用户的采用过程、采用频率，可以呈现出“明确的”用户现存路径。透过路径的指标表现，发现路径问题，采用户尽可能将短路径体验到产品核心价值。

路径分析可以：

（1）在路径分析中，经常会发现产品/运营设计之外的采用路径，尤其是发生在大型产品上。产品、运营均清楚自己负责的模块，与其它模块的配合协作过程较模糊，甚至不清晰。

这时的第一反应是“用户的真实操作是这样么？怎么会，超出了我现阶段自己产品的认知”。基于事件的事序数据展示，将能够解决那个问题。

（2）多维度切分找到关键路径上的用户群体：如上发生A->B路径的用户有谁？他们在对应时间点是如何采用产品的，是在什么样的互联网条件下？

（3）此外，路径分析还可以用来展示用户流向，操作A行为的用户中有多少外流了，又有多少操作了其它行为，其它行为的占比达致为多少？

3.3.2 报表

流量数据多以报表形式展示。清晰的展示展示关键数据，完整的描述数据故事，往往对看板制作有较高要求。

流量数据具有标准的数据结构，这有助于提高流量数据看板制作的效率——透过沉淀常用数据数据分析模型的图表，快速形成看板。

3.3.3 行为标签

行为标签数据是用户画像、用户分群的基础数据，而流量数据是行为标签的主要就数据来源。行为标签由于处理方式不同，分为以下几种：

事实标签：通常也称为规则标签，是基于用户行为数据和规则造成的标签，e.g. 无效用户—“APP启动后没有采用核心机能”；新增用户—“7日内的新增”； 模型标签：是透过数据模型获得的标签，e.g. 消费能力高； 预测标签：和模型标签一样，也是透过模型获得，但不同的是预测标签是对未来的预估，e.g. 潜在外流用户。