产品周期管理范式(从数据产品经理视角)

上一篇文章写了埋点以及基础技术,本篇介绍埋点时常使用的事件模型。

产品周期管理范式(从数据产品经理视角)(1)

一、事件模型

在传统的web时代,我们经使用pv、uv来统计某个页面/某个按键的使用情况(如:umeng)。

但随着数据精细化,产品迭代&数据分析更期望深度分析用户行为(新老用户的行为差异、各渠道用户转化率、使用app时的行为路径),另一方面推荐也需要用户粒度的行为数据以实现精准化,但这些是“基于页面、按钮的计数统计”无法得到,因而事件模型由此出现。

简单来说,事件模型非常像5w2h,它通过(who、when、where、how、what)记录了谁在某个时间点、某个地方、用某种方式、做了某一件事情(某个行为)。who、when、where、how、what即是事件模型的五个要素。

  1. Who:即谁参与了这个事件,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)、也可以是其他【唯一标识】。现在很多公司都有自己的唯一设备id(基于某个策略产生的唯一标识),e.g.阿里有OneId。
  2. When:即这个事件发生的实际时间。该时间点尽可能精确,有利于行为路径分析行为排序,像神策会精确到毫秒。
  3. Where:即事件发生的地点。可以通过ip地址解析国家、省份、城市;如果期望更细致的数据,如果住宅、商业区等,需要额外地理信息数据库来做匹配。
  4. How:即用户用某种方式做了这个事件,也可以理解为事件发生时的状态。这个包括的就比较多,可以是进入的渠道、跳转进来的上级页面、网络状态(wifi\4g\3g)、摄像头信息、屏幕信息(长x宽)等。而如使用的浏览器/使用的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”。
  5. What:即用户做了什么,也是event模型的主题。这里应该尽可能详细的描述清楚行为,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、购买金额、 付款方式)等等。

二、事件模型对应埋点文档

事件模型反映在埋点上报,即触发一个事件时上报对应日志,记录who、when、where、how、what。对应的统计文档,即埋点文档,在小型创业公司通常是excel来传递,有数据平台部门的公司通常会有专门的维护后台——埋点管理后台,以同步埋点的增删改查看。

上述所说的事件模型的埋点文档通常会包括:

  1. 事件类型,像“停/启动”、“退出app”这种常规事件会设置为预设事件,将自动采集,而非预设事件则可以支持各种业务需求。
  2. 事件名称(英文/中文),能够准确描述事件,区别与其他事件,中文名可以用户数据后台显示。
  3. 事件参数(英文/中文),能够准确定义参数,区别与其他事件,不同事件的相同参数尽量保持一致,中文名可以用户数据后台显示。
  4. 参数值,备注合理参数的范围,例举参数的值。
  5. 类型,参数值记录的类型。由于不同类型支持数据分析后台查询方式不同,比如文本类型可以选择单个值,数值类型使用区间(大于、小于等),定义参数类型时切记考虑通用性、以及分析后台的便利性。
  6. 新增时间(版本),新增该埋点的时间点。
  7. 删除时间(版本),删除该埋点的时间点。

产品周期管理范式(从数据产品经理视角)(2)

三、日志上报

刚有提到“事件模型反映在埋点上报,即触发一个事件时上报对应日志,记录who、when、where、how、what。” 相比行为打包上报(非实时数据),有效减少数据延迟/丢失比例。

非实时的日志上报sdk中,因上报策略不同,即使是同一指标,基于不同的sdk统计到的数据会有差异,常见问题:延迟上报、数据丢失。

上报策略将会影响数据展示,使业务方怀疑数据可信度,如:延迟上报的数据,再次处理后会引起数据回流(e.g.第一天上报90%的行为,相应报表则会基于这90%统计展示;第二天再次上报5%前一天的数据,相应报表则会基于95%统计展示,引起两个时间点看到的数据不一样。)

  • 实时:用户行为发生后立即上报;
  • 非实时:当一系列的行为都发生后,打包上报、最常见的app退出/下次启动时上报当次/上一次用户行为。

当前的事件模型上报日志示例:

{

“uid”:”1234566″ ##唯一标识

“time”:”1534065122″ ##时间

“type”:”pre” ##预设事件

“event”:”start_up” ##事件名称

parameters:{

“$app_version”:”1.0″ ##预设参数

“$wifi”:”wifi” ##预设参数

“$ip”:”108.66.35.65″ ##预设参数

“masterid”:”12345″ ##事件参数

“masterrate”:”666″ ##事件参数

“videoid”:”987654321″ ##事件参数

“videotype”:”美食” ##事件参数

“videotime”:”100s” ##事件参数

“playtime”:”60s” ##事件参数

}

}

三、事件模型的分析应用

事件模型结合其主体(用户/设备)的属性信息可以支持各种分析模型(漏斗分析模型、留存分析模型、路径分析模型、用户分群模型)。

用户属性常记录年龄、性别、职业、喜好等不易发生变化的。

(1)事件分析&用户分群模型:任一事件可以结合预设字段和用户属性来统计分析,如 18岁以下的女生在这个事件上的表现,反之也可以得到任一时间在 属性维度上的分布,如:这个事件触发用户的年龄分布、地域分布、机型分布等。

(2)漏斗分析模型&用户分群模型:分析一个多步骤过程中每一步的转化与流失情况。结合用户属性,可以分析各维度的漏斗,以找到转化低的瓶颈。例如:不同渠道的注册漏斗,是否存在某个渠道在某个转化过程中表现异常。

(3)留存分析模型&用户分群模型:进行初始行为的用户中,有多少人还会进行该行为。结合用户属性,可以细分群体优化增长、精细化运营活动。

  • 新用户留存:第一次访问后继续访问的用户占比。
  • xxx行为留存率:进行xxx行为的用户中,有多少人还会进行xxx行为,通常来衡量某个功能的用户粘度
  • xxx行为后,做yyy行为:进行xxx行为的用户中,有多少人会进行yyy行为。eg.第一天加入购物车的用户中,在第二天付款的占比。

(4)路径分析模型&用户分群模型:则可以清晰的看到访问当前页面的所有用户中,紧接着有多少进入了详情页、有多大比例使用了xx/yy功能、有多大比例进入了分类页面。结合不同属性的用户在路径分析模型上的差异点、待优化点。

此外,基于“事件模型”采集的数据,也更好的服务于:

  1. 可视化/报表展示;
  2. 数据分析;
  3. 实时推荐;
  4. ab测试等。

本文由 @ cecil 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

,

免责声明:本文仅代表文章作者的个人观点,与本站无关。其原创性、真实性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容文字的真实性、完整性和原创性本站不作任何保证或承诺,请读者仅作参考,并自行核实相关内容。文章投诉邮箱:anhduc.ph@yahoo.com

    分享
    投诉
    首页