[北京|结业弟子]PM-韩阳|2017年09月17日的日报-技能树.IT修真院

发表于： 2017-09-17 21:22:10

1 910

数据分析一直不是特别好，so:

这几种就不错

-- 神策数据（Sensors Data）：CEO桑文锋是知乎的活跃用户，他的专栏写得还挺不错的，记录了自己在百度从零搭建数据分析平台的经历，虽然内容偏技术，但不算晦涩难懂，当然最近的文（软）章（文）毫无疑问地详细的讲述了“如何使用神策对产品进行数据分析”[微笑]。

-- GrowingIO：CEO张梦溪是PMCAFF的活跃用户，可以去看看他分享的文（软）章（文），也是毫无疑问地详细的讲述了“如何使用GrowingIO对产品进行数据分析”[微笑]。

-- 友盟：这个感觉在走下坡路哦😷~~~

这些第三方应该基本上可以符合你的要求，比如

-- 用户访问路径分析

我想要知道某个按钮在某个页面上的点击概率，也就是进入下级页面的概率。

-- 用户行为事件统计

一个分享，分享次数

最后，简单谈谈我对数据埋点的一些理解，希望对你有所帮助～

一、数据分析平台的几个环节

所有的数据分析平台大致都可以归位四个环节：

1. 数据采集。

首先说说数据源，就是数据来自哪里。一般自己研发数据平台的公司都采用日志（Log）作为数据源，并有专门的人员对Log进行处理提取、转换、装载（ETL）处理，来获得有用的结构化信息。然而绝大多数野生创业公司并不重视数据分析，也不愿意花钱（嗯，老板宁可多花这个钱招一个更漂亮的前台小姐姐或秘书小姐姐）招一个专业ETL人员（当然很多人也不愿意做这个苦力活）。所以呢，野生创业公司的产品狗就要肩负这份责任与荣耀，部分机智的产品狗就发明了一个新事物——埋点，解放了广大野生产品狗的双手。

所谓埋点，其实很简单的。

第一步，确定一个用户行为，并优雅的称其为“事件”。如：点击购物车中的“下单”按钮，优雅地称其为“下单”事件。

第二步，确定该行为的指标数据，并优雅的称其为“属性”。如：下单事件中包含的“订单金额”属性、“订单商品类别”属性、“下单时间”属性、“下单用户”属性等等。

嗯，这就是一个埋点。还不懂吗？也可以这么说吧：你想看你男朋友有没有被你闺蜜勾引，这是你埋点的目的。所以你去翻看他的聊天记录，这是一个事件。你恶狠狠地看着那个聊天内容、时间，这就是属性。哈哈哈哈～

附：OAD模型

这是我当时整理埋点时使用的一种方法，虽然后来觉得事件-属性的形式会更清晰，你也可以试试，用这个方式将所有内容分别列在一张由对象、行为、数据组成的表格中，其任意搭配即可组成事件-属性。

2. 数据建模

数据建模就是对数据进行结构化的过程。ETL就是把大量Log日志数据过滤、转换，形成数据分析所需要的结构化数据的过程。埋点也是一样，不过埋点产生的数据一般已经是数据分析所需要的数据，而所谓的结构化，你可以将其简单的理解为存在一张大表中的数据（就像你去商场买点一大推新衣服，你的发票就是结构化数据，里面有商品名称、单价、数量、总价）。

所以呢，再你确定你要研究的事件，以及该事件所需要的属性之后，工程师会将这些内容列入一张或多张大表中。

其中，神策的做法相对更为简单、优秀一些，其将所有信息存入两张表：事件（Events）、用户（Profile），故我们可以进行简单的事件分析、用户画像分析，也可进行用户、事件的交叉分析，研究特定用户群的特定行为事件数据。

3. 数据分析

经过数据采集与数据建模后，你就可以在数据仓库或是数据库中获得所需要的信息进行数据分析了。我把数据分析归位三个层次：统计、分析、挖掘。统计是简单数据汇总、筛选；分析是将数据进行对比，分析数据增长或减少的原因；挖掘是对未来走势的一种预测。在此不多累述。

4. 数据展示

数据展示就是以图标的形式将数据信息展示给业务方使用，常见的有折线图、柱状图、堆积图等等，推荐你去百度·图说看看，里面有很多图标样式，选择合适的即可，在此不再累述。

二、多维分析模型

这里再简单的分享一种采用埋点数据进行数据分析的有效方法。刚才我们将埋点抽象成事件-属性这么一个东西，那么我们首先选取一个事件，比如说“下单”事件。这个事件中记录了很多属性，例如：下单用户年龄、下单地点、下单金额等等。我们把年龄、地点作为自变量，下单金额作为因变量，我们即可研究不同年龄段、不同地域用户的客单价数据。