如何高效进行数据采集，这里有一套完整方案

假设一个场景：我们想要采集一个广告投放页的数据。

首先，我们与技术同学描述用户进入 App 开屏页所面临的场景：浏览—点击—跳转到广告页；接着，我们提出埋点需求。

点击数据分为有效点击和无效点击两类，但是由于技术侧同学并不会纠结此问题。他便随便从网上下载了一个闪屏页框架，集成到项目中。

在该框架下，点击动作被拆解为：按下，抬起。而我们平时认为的点击动作应该是：短时间内按下和抬起两个动作同时出发。

由于框架的目标是增加点击率，即让看到广告详情页的人变多。所以，当用户按下的时候，就已经触发了跳转到详情页的操作。

大部分非目标客户都会很急躁的退出广告详情页，而真正看到广告并感兴趣的人员则会主动进入广告详情页。

由此带来的洞察结果是：点击率高，转化效果差。市场侧的同学误认为是广告设计的失败，这会影响下次广告投放的视觉效果或投放策略。

通过上述例子，我们得出结论：数据采集的时机和技术侧的实现方式会大大影响业务侧的决策。

“九层之台，起于累土。”在形成一套可被洞察的数据之前，数据采集是最基础也是最关键的步骤。只有数据采得准，这个洞察结果才能在你做商业决策时提供帮助。否则将适得其反，再漂亮的数据分析也带不来实际的效果。

但是在埋点方案的实际实施过程中，我们可能会遇到以下困惑：

• 如何和技术端沟通你的埋点需求?
• 技术同学是否很快理解并落地?
• 最终数据生产结果是否符合你的预期?

• 前期沟通业务不明确。例如程序员不清楚有效点击和无效点击的区别，只是单纯地从技术层面完成埋点；
• 采集时机口径对不齐。你希望采集数据的那个时机，技术同学并不明确；
• 采集点没有统一管理。如果没有统一的渠道去管理点击、浏览等数据，你的埋点方案将因繁琐的程序而无法落地；
• 版本更新。比如你在新旧版本之间进行比对时，无法发现数据的变化。

数据采集关乎数据质量，它需要产品及业务侧同事做出让技术同学“看得懂、埋的对、实施快”的技术落地方案。

什么是无埋点？我们先来看看你是否遇到过以下这些场景：

• 做了一场运营活动，需要在用户的每一次点击行为上都埋点，却缺乏产研资源；
• 想衡量交互细节以推测用户行为之间的关联，却苦恼于繁琐的工序；
• 想查看用户在访问时的一切行为轨迹，探索用户使用产品场景；
• 想要快速地对比新旧版本，衡量发版效果；
• 想要分析的事件，没有事先埋点；
• 新功能上线时，发现有一个重要的元素没有埋点。

针对以上问题，无埋点都可以很好的解决。其实无埋点就是人物、时间、地点、内容、方式的数据采集方式，通过 GrowingIO 的圈选（可视化定义工具）功能，我们可以所见即所得地定义指标。

• 人物：人的属性，包括 ID、性别、所在区域等；
• 时间：触发行为的时间；
• 地点：行为发生的城市、地区浏览器等；
• 内容：行为的对象，如按钮等；
• 行为：行为的操作方式，如浏览、点击、输入等。

无埋点能够定义常见事件类型，尽可能地减少代码的使用，减少开发工作量。通过 GrowingIO 的圈选功能，我们能快速采集数据、定义指标、查看实时数据。

2.埋点和无埋点如何选择？

新的无埋点虽然简单便捷，但也有它自身的局限性。同时，我们离不开业务数据维度，所以传统埋点也不能放弃。

埋点和无埋点各有优势，面对不同的场景，我们需要明确目的、结合具体情况综合判断，选择数据采集的最优方式。

（1）埋点

• 优势
  • 数据定义清晰，稳定性高，用户一旦触发事件，数据就能上报；
  • 可以多次添加业务属性，以支持维度拆解和下钻分析。
• 劣势
  • 需要提前规划，和开发团队沟通业务需求，跨团队协作确定埋点方案；
  • 历史数据无法回溯，在下一个版本中才能看到。
• 适用于「监控与分析式」数据场景：
  • 核心 KPI 数据
  • 需要长期监控和存储
  • 业务属性丰富

（2）无埋点

• 优势
  • 自主性高，可实时查看数据，便于灵活采集；
  • 无需等到发版便可回溯过去 7 天数据。
• 劣势
  • 受制于产品开发框架和开发规范，任何一个路径发生改变都会产生影响；
  • 维度预定义，无法拆分事件级维度，且无法采集滑动等行为。
• 适用于「探索式」数据场景：
  • 交互属性强
  • 突发问题快速及时分析
  • 作为补充数据相互印证

综合以上，我们整理出了以下表格，方便大家更好的理解和选择：

当我们选择无埋点还是埋点时，只需要关注：该行为非核心指标且存在预定义无埋点指标中。

如果存在该预定义指标(即无埋点)，且预定义维度也满足需求，那么，我们就要针对该无埋点的指标和维度进行观察，可放心选择无埋点。如果不存在或预定义维度无法满足观察该指标的角度，则需要通过埋点指标进行上报。

这最终会导致我们空有体系，无数可看。

如果将一整套的数据采集方案直接给到研发侧，业务场景描述和逻辑理解的差异会造成大量的沟通成本，最终导致低迷的实施效率。

所以，我们需要将条理化的指标体系梳理成实施需求。而解决该问题的关键点在于以下 4 个步骤：

1.确认事件与变量

• 事件：这是我们最终要分析的数据来源.，是一个结果性指标，比如支付成功；
• 变量：事件的维度或属性，比如用户性别、商品的种类；

• 需要思考：什么时间才是记录事件的合理时机。例如“分享成功” 事件面临 2 个时机：用户点击“微信”发生分享动作；用户分享后跳转到相应页面。不同的时机会带来不同的“分享成功率”。
• 所有数据使用者需要明确这一时机。

举个例子：某客户给双十一活动命名时采用拼音与英文结合的方式，这会使得程序员产生混淆，错误埋点。而规范的命名有利于程序员理解业务需求，高效落地埋点方案。

• 动词+名词 or 名词+动词：如加入购物车、商品点击。
• 使用驼峰法，即首字母小写，随后每一个关键单词的首字母大写：如 addToCart。
• 确保事件命名规范一致。

• 业务部门必须基于业务指标，明确实施埋点的优先级。因为对于大量事件，开发部门不可能一次性完成所有埋点。以电商为例，购买流程的关键事件应当优先实施，与此冲突的都需往后排列；
• 考虑技术实现成本，比如有的埋点需要跨越多个接口，应该优先落实能够最快落地的，以确保技术准确性；
• 如果技术实现成本相同，就优先实施业务数据价值更高的。

以下表格是我们整理出的模板，该表格完整承接埋点方案设计的四要素，可直接交给技术方进行埋点。

• 快：需求方希望方案快速落地，快速产生数据，以推动决策；这需要需求方、数据规划师、开发团队三方有序协作。
• 准：需要确保数据的数据质量和业务含义，保证数据采集的准确度和决策的正确性。

• 需求产生，需求方对业务指标进行拆解和设计，与数据规划师沟通，确认合理的采集点，形成埋点方案；
• 三方探讨技术实现成本，确认埋点方案；
• 开发团队和数据规划师执行方案，沟通埋点落实情况，呈现数据；
• 数据规划师进行数据校验，检查埋点时机和指标是否正确，过程是否完整；
• 程序发版上线，实现数据监控和分析。

2.具体场景演示

接下来将以某 App 的注册场景为例，帮助大家理解埋点方案落地的具体流程。

（注册首页填写手机号——注册验证输入短信验证码—注册信息 A、B、C——进入 App 首页）

可见，业务方单纯关心该流程间步骤的转化流程，那么我们就要关注用户的浏览行为动作，可以把指标定义为各个步骤间的页面。

具体来讲，登录动作从登录首页到进入登录后的首页共 6 步，而且我们的关注角度如机型、地区、国家等不属于业务范畴，都在预定义维度中，这就很符合我们无埋点指标的定义规则。

所以，我们可以快速定义出 6 个浏览页面指标，即可完成对于数据的分析。

客户的需求是：查看完成注册的用户中，填写实习行业和性别的分布情况。

根据完整埋点方案设计的四要素，我们应逐一确认：

• 事件：注册完成；
• 维度：实习行业、性别；
• 采用无埋点还是埋点指标：很明显，实习行业和性别是与业务相关的指标，我们需要通过埋点采集相关数据；
• 埋点的触发时机：在注册完成的回调中拿到性别及行业信息；
• 确认命名：事件——registerSuccess 注册完成；维度——practiceVocation 实习行业、sex 性别。

数据采集完毕后，还需要进行最终的确认，也就是我们通常所说的数据校验。

对此，GrowingIO 有一套完整的数据校验工具，可以快速定位数据产生的流程。如浏览了哪些页面、是否触发事件 、埋点事件是否与定义字段对应等。