埋点是App数据运营中很重要的一个环节。之前我们讨论过用户分群的方式、漏斗转化的改进，但所有App数据的来源是数据采集，很多时候就是App的埋点。
数据只有采集了才能做分析，分析了才能实现价值。
图1. 数据运营微笑模型
上图是数据运营解决问题的思路，但相对的，数据运营分析的需求，也驱动着数据埋点的优化。有时候，我们可能会遇到这样的尴尬：
数到用时方恨少！木有结论肿么破！其实，数据埋点比我们想象得有更多挖掘的空间，有针对性的有条理的埋点能够帮助我们理清用户行为轨迹、抓住用户特征、解析关键路径。
但过多的埋点，可能会给App带来负担，也可能对App用户的流量、网速体验有影响，这都是我们需要考虑的因素。全埋点、多采集，并不是数据分析体系构建的办法，反而是把分析挖掘的工作量后移，给数据分析带来很多负担。
较好的做法是：带着我们的分析目标与数据解读思路去埋点。腾讯移动分析MTA在数据埋点上做过多次优化，能确保多次采集一次上传的数据传输过程，减少对用户流量的影响，优化用户体验。
下面我们分几个层次来讨论埋点问题：
1、用户行为分析通过埋点可以追踪用户的行为，即对App内的关键路径进行监测，这无疑是最常见也是最重要的应用场景。不同的App可能关注的埋点事件有很大不同。例如，电商类App多关注的是订单成交；社区类App可能关注UGC内容的产生；阅读类App则需要关注内容的阅读。
用户埋点的场景很灵活，埋点可以统计的事件数据能和业务数据进行打通。
比如在新闻阅读的App中，将阅读新闻作为自定义事件，每一篇报道都带有不同的参数，可以得到阅读的大盘整合数据，也可以分析每篇报道的价值，甚至可以方便的实现阅读量排行榜等功能。
埋点是因业务场景需要而定的。
比如第二篇时讲到的漏斗细分中，有一个金融用户案例。在绑卡流程转化流失率过高的时候，需要定位每一个输入框的填写方式是否存在问题，这时埋点的密度会比一般情况要高很多。
图2. 定位问题时的埋点示意
上述埋点是基于我们想要定位“为什么绑卡页面转化率低”的需求。埋点之后，在绑卡流程漏斗中，MTA会生成一个详细填写页面的漏斗，从中我们或许能知道用户是在哪一步停止操作的，是否有改进的空间。
图3.漏斗拆解（由于业务数据敏感性，以上数据已做模糊处理）
但如果之后我们修复了问题，我们可能就不需要这么细致的埋点了，或者我们只需要对可能出问题的地方进行埋点监控。
图4.稳定后的埋点示意图
因此，业界所说的全埋点是一种未充分理解自身业务时采用的策略，很多时候也无法满足详细漏斗的追溯要求。而不必要的埋点带来了过量的数据上报，一方面加重了用户的流量负担，另一方面也不利于后期的复盘分析。
当然如果真的是业务上线了，点还没埋上，腾讯移动分析MTA新近推出了可视化埋点功能，可以由产品、运营同学通过web端配置埋点，云端下发至App中，随时调整App内的埋点策略，也是机智而有效的救急措施。
开发GG再也不用担心我漏埋点啦~~
2、用户人群分析根据用户事件、来源渠道、同期群，甚至年龄、性别、地域等，我们可以把自己的App用户切割为很多小群体。比如在订单购买的业务中，将订单金额作为参数上报，能够更好的分析用户的价值。下图是一种消费用户分群的方式，以消费金额Monetary、消费频率Frequency和最近一次消费时间Recency，得到8个象限的用户，可以对不同的用户进行不同的运营推广策略。
图5. 消费用户分群模型
还是看这个电商App，当用于活动运营分析的时候，可能数据分析的视角和方式就不太一样了。
举个例子：618活动时间新注册（同期群）且完成过一次订单的这群用户，他们在活动期结束之后，会有哪些表现？
- 购买VIP会员的转化率高于平均活动水平→某个新的广告渠道带来了优质的新客户，该渠道可以继续投入，持续关注效果；继续参与七夕节的活动→人群可能对活动信息比较敏感，适合推荐促销信息；流失曲线&再次开启时间的关系是：2周内不再开启App的客户，87%都流失了→我们如果在新用户注册后1周左右的时间通过Push、短信、邮箱等手段唤醒用户，能够大幅提高留存。
通过把人群切分，去分析业务特性，能够加深对用户的理解，结合你的App触达手段，能够让你更好的与用户交流互动，实现业务运营的目标。
而这里的人群切分方式，就需要通过埋点定义出自定义事件，通过事件与其他条件的叠加、筛选，与不同事件、报表做交叉分析，就能够凸显核心用户群体的价值，精细化运营不同用户群体。
点击不同按钮、关注不同板块、甚至不同注册时间的人群都有不同的特性。
精细化的分析运营需要对业务的深入理解，需要学会切入分析的角度，解析你的用户的特征，了解你的用户，再由数据的需求去驱动埋点的配置。
3、解析核心路径第三点是基于第二点的应用。通过切割用户人群，再回到业务关键路径上，去发现吸引用户、留住用户的奥秘。举一个比较知名的例子。
在某知名社交App的数据分析运营分享中，通过不同的事件对比，可以发现10天内添加7个好友的留存率大大提高。
我们回溯一下，如果我们想要分析什么才是这个App留存率的关键，我们需要罗列很多的可能性，比如在平台上浏览100条新闻、引荐3名新用户加入、产生UGC内容或者是上传3张照片、玩过平台游戏。那么，我们需要对比这些人群，寻找在这些事件中哪些才是与留存率强相关的？
如果是添加好友的这件事，那么这个时间限是，注册时关注3人，还是一周内关注5人？
或者如果我们发现，引荐5名新用户，留存率非常高，但实际上，真的能引荐5名新用户的人群少之又少，那么这件事也不适宜我们去重点关注，因为给我们带来的成本太高了。
图6.自定义事件与留存相关度的分析实例
从这些关键事件中，我们要通过数据分析找到其中的核心路径，然后倾斜我们的资源去支持它。
好啦，今天的分享就到这里了。总的来说，埋点与数据统计，都是为业务服务的。关注哪些事件、为他们埋点是由于App自身的业务特性所决定。
埋点需要有的放矢，分析才能得到结论，迭代增长也将有迹可循。
相关阅读数据运营实战（一）：细分目标人群，结合用户画像的实践
数据运营实战（二）：细分漏斗画像，改善关键节点
本文由 @腾讯大数据
