上一篇文章寫了埋點(diǎn)以及基礎(chǔ)技術(shù)，本篇介紹埋點(diǎn)時(shí)常使用的事件模型。

一、事件模型

在傳統(tǒng)的web時(shí)代，我們經(jīng)使用pv、uv來(lái)統(tǒng)計(jì)某個(gè)頁(yè)面/某個(gè)按鍵的使用情況（如：umeng）。

但隨著數(shù)據(jù)精細(xì)化，產(chǎn)品迭代&數(shù)據(jù)分析更期望深度分析用戶行為（新老用戶的行為差異、各渠道用戶轉(zhuǎn)化率、使用app時(shí)的行為路徑），另一方面推薦也需要用戶粒度的行為數(shù)據(jù)以實(shí)現(xiàn)精準(zhǔn)化，但這些是“基于頁(yè)面、按鈕的計(jì)數(shù)統(tǒng)計(jì)”無(wú)法得到，因而事件模型由此出現(xiàn)。

簡(jiǎn)單來(lái)說(shuō)，事件模型非常像5w2h，它通過(guò)（who、when、where、how、what）記錄了誰(shuí)在某個(gè)時(shí)間點(diǎn)、某個(gè)地方、用某種方式、做了某一件事情（某個(gè)行為）。who、when、where、how、what即是事件模型的五個(gè)要素。

1. Who：即誰(shuí)參與了這個(gè)事件，唯一標(biāo)識(shí)（設(shè)備/用戶id），可以是 匿名的設(shè)備id（idfa\idfv\android_id\imei\cookie）、也可以是后臺(tái)生成的賬戶id（user_id,uid）、也可以是其他【唯一標(biāo)識(shí)】?，F(xiàn)在很多公司都有自己的唯一設(shè)備id（基于某個(gè)策略產(chǎn)生的唯一標(biāo)識(shí)），e.g.阿里有OneId。
2. When：即這個(gè)事件發(fā)生的實(shí)際時(shí)間。該時(shí)間點(diǎn)盡可能精確，有利于行為路徑分析行為排序，像神策會(huì)精確到毫秒。
3. Where：即事件發(fā)生的地點(diǎn)。可以通過(guò)ip地址解析國(guó)家、省份、城市；如果期望更細(xì)致的數(shù)據(jù)，如果住宅、商業(yè)區(qū)等，需要額外地理信息數(shù)據(jù)庫(kù)來(lái)做匹配。
4. How：即用戶用某種方式做了這個(gè)事件，也可以理解為事件發(fā)生時(shí)的狀態(tài)。這個(gè)包括的就比較多，可以是進(jìn)入的渠道、跳轉(zhuǎn)進(jìn)來(lái)的上級(jí)頁(yè)面、網(wǎng)絡(luò)狀態(tài)（wifi\4g\3g）、攝像頭信息、屏幕信息（長(zhǎng)x寬）等。而如使用的瀏覽器/使用的App，版本、操作系統(tǒng)類型、操作系統(tǒng)版本、進(jìn)入的渠道等 經(jīng)常設(shè)置為“預(yù)設(shè)字段”。
5. What：即用戶做了什么，也是event模型的主題。這里應(yīng)該盡可能詳細(xì)的描述清楚行為，如搜索（搜索關(guān)鍵字、搜索類型）、觀看（觀看類型、觀看時(shí)長(zhǎng)/進(jìn)度、觀看對(duì)象（視頻id））、購(gòu)買（商品名稱、商品類型、購(gòu)買數(shù)量、購(gòu)買金額、 付款方式）等等。

二、事件模型對(duì)應(yīng)埋點(diǎn)文檔

事件模型反映在埋點(diǎn)上報(bào)，即觸發(fā)一個(gè)事件時(shí)上報(bào)對(duì)應(yīng)日志，記錄who、when、where、how、what。對(duì)應(yīng)的統(tǒng)計(jì)文檔，即埋點(diǎn)文檔，在小型創(chuàng)業(yè)公司通常是excel來(lái)傳遞，有數(shù)據(jù)平臺(tái)部門的公司通常會(huì)有專門的維護(hù)后臺(tái)——埋點(diǎn)管理后臺(tái)，以同步埋點(diǎn)的增刪改查看。

上述所說(shuō)的事件模型的埋點(diǎn)文檔通常會(huì)包括：

1. 事件類型，像“停/啟動(dòng)”、“退出app”這種常規(guī)事件會(huì)設(shè)置為預(yù)設(shè)事件，將自動(dòng)采集，而非預(yù)設(shè)事件則可以支持各種業(yè)務(wù)需求。
2. 事件名稱（英文/中文），能夠準(zhǔn)確描述事件，區(qū)別與其他事件，中文名可以用戶數(shù)據(jù)后臺(tái)顯示。
3. 事件參數(shù)（英文/中文），能夠準(zhǔn)確定義參數(shù)，區(qū)別與其他事件，不同事件的相同參數(shù)盡量保持一致，中文名可以用戶數(shù)據(jù)后臺(tái)顯示。
4. 參數(shù)值，備注合理參數(shù)的范圍，例舉參數(shù)的值。
5. 類型，參數(shù)值記錄的類型。由于不同類型支持?jǐn)?shù)據(jù)分析后臺(tái)查詢方式不同，比如文本類型可以選擇單個(gè)值，數(shù)值類型使用區(qū)間（大于、小于等），定義參數(shù)類型時(shí)切記考慮通用性、以及分析后臺(tái)的便利性。
6. 新增時(shí)間（版本），新增該埋點(diǎn)的時(shí)間點(diǎn)。
7. 刪除時(shí)間（版本），刪除該埋點(diǎn)的時(shí)間點(diǎn)。

三、日志上報(bào)

剛有提到“事件模型反映在埋點(diǎn)上報(bào)，即觸發(fā)一個(gè)事件時(shí)上報(bào)對(duì)應(yīng)日志，記錄who、when、where、how、what。”?相比行為打包上報(bào)（非實(shí)時(shí)數(shù)據(jù)），有效減少數(shù)據(jù)延遲/丟失比例。

非實(shí)時(shí)的日志上報(bào)sdk中，因上報(bào)策略不同，即使是同一指標(biāo)，基于不同的sdk統(tǒng)計(jì)到的數(shù)據(jù)會(huì)有差異，常見問(wèn)題：延遲上報(bào)、數(shù)據(jù)丟失。

上報(bào)策略將會(huì)影響數(shù)據(jù)展示，使業(yè)務(wù)方懷疑數(shù)據(jù)可信度，如：延遲上報(bào)的數(shù)據(jù)，再次處理后會(huì)引起數(shù)據(jù)回流（e.g.第一天上報(bào)90%的行為，相應(yīng)報(bào)表則會(huì)基于這90%統(tǒng)計(jì)展示；第二天再次上報(bào)5%前一天的數(shù)據(jù)，相應(yīng)報(bào)表則會(huì)基于95%統(tǒng)計(jì)展示，引起兩個(gè)時(shí)間點(diǎn)看到的數(shù)據(jù)不一樣。）

• 實(shí)時(shí)：用戶行為發(fā)生后立即上報(bào)；
• 非實(shí)時(shí)：當(dāng)一系列的行為都發(fā)生后，打包上報(bào)、最常見的app退出/下次啟動(dòng)時(shí)上報(bào)當(dāng)次/上一次用戶行為。

當(dāng)前的事件模型上報(bào)日志示例：

{

“uid”:”1234566″ ? ? ? ? ? ? ? ?##唯一標(biāo)識(shí)

“time”:”1534065122″ ? ? ? ?##時(shí)間

“type”:”pre” ?????????????????? ???##預(yù)設(shè)事件

“event”:”start_up” ????????????##事件名稱

parameters：{

“$app_version”:”1.0″? ? ? ? ##預(yù)設(shè)參數(shù)

“$wifi”:”wifi”?????????????? ???##預(yù)設(shè)參數(shù)

“$ip”:”108.66.35.65″? ? ? ?##預(yù)設(shè)參數(shù)

“masterid”:”12345″? ? ? ? ?##事件參數(shù)

“masterrate”:”666″? ? ? ? ?##事件參數(shù)

“videoid”:”987654321″? ? ##事件參數(shù)

“videotype”:”美食”? ? ? ? ? ##事件參數(shù)

“videotime”:”100s”? ? ? ##事件參數(shù)

“playtime”:”60s” ? ? ? ??? ?##事件參數(shù)

}

}

三、事件模型的分析應(yīng)用

事件模型結(jié)合其主體（用戶/設(shè)備）的屬性信息可以支持各種分析模型（漏斗分析模型、留存分析模型、路徑分析模型、用戶分群模型）。

用戶屬性常記錄年齡、性別、職業(yè)、喜好等不易發(fā)生變化的。

（1）事件分析&用戶分群模型：任一事件可以結(jié)合預(yù)設(shè)字段和用戶屬性來(lái)統(tǒng)計(jì)分析，如 18歲以下的女生在這個(gè)事件上的表現(xiàn)，反之也可以得到任一時(shí)間在 屬性維度上的分布，如：這個(gè)事件觸發(fā)用戶的年齡分布、地域分布、機(jī)型分布等。

（2）漏斗分析模型&用戶分群模型：分析一個(gè)多步驟過(guò)程中每一步的轉(zhuǎn)化與流失情況。結(jié)合用戶屬性，可以分析各維度的漏斗，以找到轉(zhuǎn)化低的瓶頸。例如：不同渠道的注冊(cè)漏斗，是否存在某個(gè)渠道在某個(gè)轉(zhuǎn)化過(guò)程中表現(xiàn)異常。

（3）留存分析模型&用戶分群模型：進(jìn)行初始行為的用戶中，有多少人還會(huì)進(jìn)行該行為。結(jié)合用戶屬性，可以細(xì)分群體優(yōu)化增長(zhǎng)、精細(xì)化運(yùn)營(yíng)活動(dòng)。

• 新用戶留存：第一次訪問(wèn)后繼續(xù)訪問(wèn)的用戶占比。
• xxx行為留存率：進(jìn)行xxx行為的用戶中，有多少人還會(huì)進(jìn)行xxx行為，通常來(lái)衡量某個(gè)功能的用戶粘度
• xxx行為后，做yyy行為：進(jìn)行xxx行為的用戶中，有多少人會(huì)進(jìn)行yyy行為。eg.第一天加入購(gòu)物車的用戶中，在第二天付款的占比。

（4）路徑分析模型&用戶分群模型：則可以清晰的看到訪問(wèn)當(dāng)前頁(yè)面的所有用戶中，緊接著有多少進(jìn)入了詳情頁(yè)、有多大比例使用了xx/yy功能、有多大比例進(jìn)入了分類頁(yè)面。結(jié)合不同屬性的用戶在路徑分析模型上的差異點(diǎn)、待優(yōu)化點(diǎn)。

此外，基于“事件模型”采集的數(shù)據(jù)，也更好的服務(wù)于：

1. 可視化/報(bào)表展示；
2. 數(shù)據(jù)分析；
3. 實(shí)時(shí)推薦；
4. ab測(cè)試等。

本文由 @?cecil 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來(lái)自 Pexels，基于 CC0 協(xié)議