这不是一篇纯技术文章，仅仅是个人对埋点经验的分享，希望通过浅显易懂的说明，让非技术的伙伴能快速了解这些埋点概念。
●埋点是什么●
在业务逻辑中嵌入数据采集代码的过程，就是“埋点”。它是数据采集的一种方式，主要用来记录和收集终端用户的行为。
●埋点价值●
移动互联网企业越来越重视用户行为数据价值。通过行为数据分析，掌握用户行为路径，行为习惯，用户偏好等，用于运营策略优化，渠道效果评估，产品功能迭代，风险决策等等。
●如何埋点●
埋点流程图
1埋点需求
由业务方提出埋点需求。需要慎重思考采集的埋点数据是用来分析什么指标？以便后续对指标进行拆分。
2埋点设计
产品经理将业务需求转化为埋点设计方案。这个过程要先了解业务流程及用户交互方式。然后再进行埋点事件和属性设计。
最初我们采用excel来管理埋点设计文档。但随着埋点版本一次一次迭代，很难管理全量埋点的修改记录。因此，我们联合借款项目研发，搭建了一个埋点设计平台，帮助业务提升埋点设计效率和准确率。
图1 埋点列表页
图二 新建埋点
3数据采集
数据采集是指对特定行为或事件进行采集和上报。
常见的采集方式主要有：代码埋点，可视化埋点，无埋点（也称全埋点）。
三种采集方式比较如下：
没有最好的采集方式，只有最适合业务需求的。我们业务主要采用的是代码埋点+无埋点方式。
常见的采集对象主要有：前端操作行为，后端日志，设备/浏览器信息等。
4数据处理
将采集的数据进行处理。我们采购的神策私有化服务，会对数据类型错误、重复数据，时间过期等异常数据进行校验和拒绝入库。
同时，为了满足行为数据和行为发生时业务标签结合在一起分析（如，用户点击借款行为和历史借款次数），我们在这个环节中，将会给埋点数据拼接上用户ID和实时业务标签，页面映射等。拼接流程如下图：
5数据分析和挖掘
埋点数据怎么应用？
实时分析：主要使用神策分析后台工具，它提供多种分析模型。可视化页面，操作简单，基本满足产品和分析师日常实时分析需求。
注：下面分析模型的数据来源于神策Demo
【事件分析】：对数据进行筛选，分组和聚合统计分析。可以从多维度进行细分下钻。
例1：App日活用户数
例2：渠道落地页平均访问时长&跳出率
【漏斗分析】：用来分析多步骤行为之间的转化与流失。可以聚焦流程中最有效转化路径，找到可优化的短板，从而降低流失。
例3：授信流程的转化漏斗
【留存分析】：分析用户参与情况与活跃度。考察进行初始行为中，有多少人会进行后续行为。这是用来衡量产品对用户价值高低的重要方法。
例4：APP活跃留存情况
其他分析模型【分布分析】【用户路径】【归因分析】【间隔分析】就不一一列举了，大家可以去神策官网的Demo体验，功能还是很强大的。
离线分析：我们将神策数据T+1同步到大数据平台，并根据事件类型解析出不同离线数仓表。商业分析师或数据挖掘工程师直接使用离线行为表和业务表结合，制作报表、建模分析等。
实时/离线决策：
【实时决策】：在数据处理后，神策会将埋点先写入Kafka中，各个业务可以去实时消费kafka的埋点数据，开发实时行为变量，用于线上实时营销、风险授信决策、风险模型打分等 。
例5：当用户进入首页，根据用户搜索的内容、商品浏览和点击等行为，去分析用户偏好，从而进行个性化商品推荐。
【离线决策】：使用离线行为数据发批量开发行为变量，用于离线策略分析、运营决策等。
例6：用户过去7天激活过APP，但没有完成注册。可以通过App消息Push“新注册用户可领取100元优惠券”进行再次唤醒。
●常见问题●
在数据统计分析时，业务常常会对数据的准确性产生怀疑，或发现采集到的行为数据和后端业务数据对不上，偏差比较大。这主要有以下几种原因：
a.网络异常。比如我们使用APP时，由于网络异常，导致用户的行为数据没有被上报或者请求丢失等。APP 端采集数据的丢失率一般在 1% 左右，而 H5 采集数据的丢失率一般在 5% 左右。
b.统计口径不同。比如说如何定义一个新用户？用户数的统计口径？用户页面的cookie被清理后如何处理等。
c.代码质量问题。比如埋点的研发对曝光触发时机设置错误，或者遗漏某些行为事件的采集。
d.无效请求。比如竞争对手的恶意攻击，spider等进行抓取操作，都会导致数据的异常。
总的来说，我们并不能保证数据的绝对准确，但可以采用一些策略提升数据准确性：
① 采集关键行为，推荐后端埋点；
② 有明确指标统计口径；
③ 加强埋点测试，实时导入监测。
●总结●
在这个大数据时代，在这个数据驱动产品运营和决策的时代，做好数据埋点，获取精确的数据，是做好数据分析的基础。本文针对公司内部埋点流程，分享了个人的经验和想法，当然埋点道路上还有很多问题（坑），希望本篇文章能帮你带来更多的思考。
参考资料：《数据驱动：从方法到实践》
