数据分析学习（五） - 姜海涛的博客| Jht Blog

通过埋点来的。

埋点英文名：event tracking. 监测用户的行为，给后续的产品优化和运营提供数据支持。

这时需要在程序 ... Togglenavigation JhtBlog Home About Tags 埋点 数据分析的数据咋来的呢？通过埋点来的。

埋点英文名：eventtracking 监测用户的行为，给后续的产品优化和运营提供数据支持。

这时需要在程序里加一些监测代码。

埋点的用途 运营获得用户在产品上的使用数据，可以进行： 优化迭代 ABTest 流失分析 漏斗优化 智能推荐 风险识别 埋点的分类 从记录的位置可以分为前端埋点和后端埋点。

前端埋点 从方式上分为：代码埋点，可视化埋点，无埋点。

代码埋点 在APP里集成数据分析服务的SDK，然后在某个事件发生时调用SDK里面相应的数据发送接口发送数据。

可视化埋点 除集成数据分析服务的SDK外，不用额外的写埋点代码。

无埋点 集成数据分析服务的SDK后，SDK便直接开始捕捉和监测用户在应用里的所有行为，并全部上报，不需要开发人员添加额外代码。

无埋点也需要在数据分析服务平台，进行圈选，并设置事件名。

可视化埋点和无埋点区别： 可视化埋点先配置哪些控件的操作数据需要收集 无埋点则是先收集所有的控件的操作数据，然后再配置哪些数据需要分析。

后端埋点 当前后端都可以实现数据采集时，推荐后端埋点。

优缺点 优缺点 代码埋点 可视化埋点 无埋点 后端埋点 采集说明 集成SDK定义事件，并添加事件代码 集成SDK先可视化圈选定义事件 集成SDK后可视化圈选定义事件 接口调用数据结构化 场景 分析无后端交互事件运营初级阶段，产品功能相对简单高度定制，控制精准 界面与业务关联较少界面多且界面元素少适合初步分析 只对界面进行分析从而进行页面优化 精细化运营，多维数据分析数据安全要求高包含用户资产数据、用户账户体系相关数据、风控辅助数据等重要业务数据 优点 按需分析业务信息更完善对数据分析更聚焦 只需业务人员，无需开发支持 只需业务人员，无需开发支持更新无代价全量数据 灵活精确无需发版省流量可靠 缺点 开发工作量大更新代价大数据传输时效性和可靠性差 业务数据少不是所有控件都能监测更新代价稍小数据传输时效性和可靠性差 数据精准度不高数据多，流量高数据维度单一（点击，加载，刷新等） 无后端交互事件缺失无法进行客户端行为事件精确统计（例如：可能点击了3次才提交成功） 埋点设计 漏斗 漏斗思维即维度切分思维。

只要有流程、有转化，就采用漏斗模型作为其中的一种手段来加以监控、分析和管理。

例如： 新用户邀请。

邀请–>邀请页面点击–>注册 活动页面–>优惠活动–>商品页面–>支付页面–>付款成功 实现方式：sessionid，在最外层操作生成sessionid。

例如：订单，战斗副本 扩展 字段可扩展，扩展兼容已有数据。

事件可扩展：例如：item_use，item_add等。

分类 按功能，按模块进行分类。

参考 如何从杂乱的数据中，找到切中要害的关键指标？ 前端埋点和后端埋点，哪个更科学？ 分享到： 微信 微博 豆瓣 Previous 数据分析学习（四） Next 数据分析学习（六） CATALOG FEATUREDTAGS ubuntu linux git jenkins saltstack devops java jvm GC BeyondCompare elk certbot ssl ssh dns bind powerdns analysis