产品
解决方案
产品说明
关于我们

Data Analytics

这是一款用于企业数据可视化分析的自助式敏捷BI产品,可以针对企业业务数据进行自由维度的探索式分析,释放IT压力,真正将数据分析工作交还给最懂业务的人,提高企业决策效率。

典型客户:小米、克丽缇娜、雀巢、联合利华.....

Data Analytics 点击试用

Data MAX

这是一款用于企业数据可视化展示呈现的标准+自由定制化产品,将业务数据经过处理后以实时的炫酷的可视化形式展示出来,广泛应用于领导驾驶舱、指挥中心、展览展会等场景。

典型客户:人民日报、富力集团、OPPO、民生银行.....

Data Max 点击试用

咨询电话

400-1024-262

关注DH小助手

可随时微信沟通

首页 > 关于我们 > 行业信息 > 文章详情
数据产品经理告诉你:从埋点系统搭建到数据可视化落地
2020-03-13

数据是产品的宝藏,数据分析就是产品设计中,挖宝藏的过程。

 

「数据分析指导产品设计」的这一整套流程,可能是产品经理在产品设计中最享受的部分了。而数据分析的基础就是数据源,数据源一般分为两部分,一部分叫用户行为数据,主要在APP的前后端埋点;另一部分,叫业务数据,一般存储在后台数据库。

 

这两种数据,会随着用户的操作,源源不断地产生。比如:

 

花生酱打开了某宝准备买一把键盘,搜索之后,浏览了3页商品,在某一页商品的详情里看到了键盘排行榜的入口,然后发现排名第一的正是自己这款键盘,于是选型号、加入购物车,最后和本在购物车里的一箱屈臣氏苏打水一起下单、支付,完成购买。

 

这一整套流程,花生酱跳转了8个页面,进行了8次点击操作,触发了n次信息流曝光,完成了一次电商线上购物流程,包括购物车收藏、订单确认、订单支付等三个阶段流程。

 

在这个流程中,前后端埋点会按时上报,在极少量损失的情况下,上传到服务器并存储在埋点数据表里。同时,花生酱的订单、交易、钱包、会员等相关数据,也因为这次交易的发生,做了相应的变化。
 

 

APP的产品经理,通过分析花生酱这类用户的行为数据,得出了以下结论:

 

1. 用户查看排行榜后,80%选择对排行第一的产品进行下单购买,15%选择购买排名第二的产品,其它5%没有发生购买。(行为数据分析)

 

2. 花生酱在后台被打上了高级用户标签,这种用户人数占活跃用户数的30%,但贡献了60%的交易额,同时这个标签群体的退货率不到2%。(业务数据分析)

 

3. 84%的用户在商品列表页翻页时,最多翻到4页就选择跳出,而最多翻页的用户,剔除极端异常数据后,一般是翻到10页左右。通常搜索结果在10页以上且发生购买的情况下,前五页商品被下单的概率高达88%。(行为数据、业务数据结合分析)

 

于是,产品经理依照分析结论,按照产品优先级,在下一个迭代中加入了「排行榜展示及详情维度策略优化」等需求,上线后新版本排行榜购买率提升1%,GMV同比新增0.02%。

 

以上就是数据分析指导产品设计的理想流程。但要实现这种设计流程,可能需要整个研发团队的倾力协作去做好数据体系的搭建,往往费时费力,且有很多坑。

 

笔者总结了搭建数据体系过程中的三大常见难点,即:

 

1. 埋点流程及体系

2. 数据报表及后台

3. 数据监控及可视化

 

接下来我们将依次详述。

 
 
一、埋点流程及体系
 

埋点是数据分析的底层设施。

 

但埋点不是凭空出现的,埋点往往是研发同事一个个做上去的,是有一定开发量的。同时,也需要大量的测试人力来验证,否则,一两个数据指标埋点错乱的话,后续的后果不堪设想。

 

那么有开发量,就代表有需求。

 

埋点的需求,一般来说是随页面需求走的。也就是说,通常不单单要做需求方案评审,还要做埋点评审。由数据产品经理,对每次有页面变更需求的埋点文档进行评审。

 

埋点文档,一般是随需求文档,由需求提出的产品经理来撰写,形式不限。但主要目的是能够标注清楚每一个点位的位置、上报逻辑、上报字段参数。

 

通常,有页面跳转关系的,叫页面埋点。即,花生酱点击商品列表页的商品图片,进入商品详情页,此时APP就要上报这个埋点,假设编号为P02。这个埋点的意思是,花生酱从编号为P01的列表页,通过点击商品图片,跳转到编号为P02的详情页,同时,上报字段包括商品的参数good_id。这时通过上报的埋点数据,我们可以知道花生酱从哪个页面去到了哪个页面,又查看了哪个商品,从哪个入口进行下一步操作。

 

而APP内不单单有页面跳转,还有同一页面的操作和信息的曝光。

当花生酱在购物车页面时,发现自己之前添加了一把键盘,但是没有今天看到的喜欢,于是在购物车页面选取那个键盘进行了删除。这个时候,就需要上报事件埋点,并携带被删除商品的good_id及加入购物车时间等参数,假设埋点编号为C01。也就是说,在购物车页面(假设为P03)下,有N个事件,其中,删除事件的埋点编号为C01,上报时携带了删除商品信息等字段。

 

在曝光方面,花生酱在浏览商品列表时,并没有把第三页的商品看完,只看到了前三个,还有后3个没有曝光在花生酱的手机屏幕上。于是,在花生酱手机屏幕停下的时候,一次曝光埋点被上报了,这次上报的商品信息仅包括3个商品,并不包括此页面还没有曝光的后三个。

 

以上我们分别讲述了:埋点文档,以及埋点文档包括的页面埋点、点击事件埋点和曝光事件埋点。通过规范埋点流程、定义埋点需求、完善埋点系统的方式,才能建立起一个APP进行用户行为数据分析的必要底层数据基础。

 
 
二、数据报表及后台

 

和埋点需求一起确认的,应该还有报表需求,因为两者是相辅相成的。

 

埋点是报表分析的基础,而报表分析提供了埋点的思路和方向。一个产品功能往往承载了指标提升的任务,比如上面说到的排行榜,可能是为了拉升下单转化率。而该目标是否实现,是要靠数据报表来体现的。比如为了衡量排行榜的产品价值,我们可以搭建一个时间维度的报表,字段诸如:排行榜入口曝光量、排行榜引流其它商品量、排行榜跳转购物车量、排行榜直接购买量等。

 

只要是产品核心价值不变,往往上述需要定期分析的数据指标就不会变,这个时候,做成报表就会节省很多重复工作,也更加方便跟产品之外的人来汇报,或发定期报表给关联方进行知会。

 

但报表并不是数据分析的全部,还有部分无法固化下来的内容。

 

比如,短期运营活动的数据、ABtest的数据、其它维度的灵活数据分析等。短期运营活动的数据很好理解,一般都周期较短,可能加工成报表的开发时间比活动时间都长,故临时手工支持即可。ABtest也一样,有专门的ABtest分析系统,且动作偏过程化,没有定论,不建议体现在报表中。而其它灵活维度的数据分析,比如新增事件、位置调整等,就需要埋点分析后台来支持,待方案稳定落地后,再逐步提需求到报表中。
 

 

一般的数据分析后台,比如天眼、神策等,这种平台已经把常用的分析方法和功能沉淀下来了,接入APP后,产品经理可以在管理后台快速上手进行分析。具体的分析维度,要根据目标来定。比如内部产品,可能不需要看留存等数据,更多需要关注漏斗转化和性能,而C端产品,留存分析就重要一些。

 
 
三、数据监控及可视化

 

除了分析,监控和可视化也是很重要的。

 

数据监控指的是,要定期跑一些数据看看,有没有异常情况发现。比如每小时跑一下排行榜打开的数据,如果排行榜人均打开次数10次左右,而某天有个别用户单日打开100次,那可能是异常数据,要追查原因了,看看是统计问题,还是机器刷量,再对症下药来解决。

 

而可视化,通常是在报表基础上,更进一步的表现形式。

 

通常可视化有几种:表达一串操作的衰减情况时,通常采用漏斗模型;表达功能用量或关键数据时,通常采用线状趋势图,来表达增减趋势情况;分析渠道占比或其它横向类比时,往往采用饼状图,这些都是最基本的可视化形态。
 

 

更高级的可视化应用有很多,比如我见过的有动线系统。

 

动线起源于商业地产,在商场中,某一个顾客从入口到逛街到购买到出口的全流程,他行动的线路,就叫顾客动线。依据对动线的分析,商场的每一个门店、每一个楼梯、每一个收银台的位置设置都有讲究的,能够最大化用户体验,最大化购物转化率。

 

同样的,在APP中,用户也存在一定动线。比如用户同样完成一个购买行为,可能是通过列表页-详情页-购物车-付款的动线,也可能是通过活动页-详情页-直接下单-付款的动线。如果能够把这些动线通过可视化的方式展示出来,我们就可以看出动线之间的关系,以及每条动线的优劣势,从而跳脱出现有功能,而从整体规划这个流程的最优动线。

 

类似的可视化手段还有热力图,可以看到用户在某一个页面的点击情况,从而分析出用户的真实操作和我们产品设计的视觉引导之间的关系,如果存在偏差,可以有目的性地来调整视觉和交互。

 
 
四、总
 
数据分析,是有范围和目的性的。也就是说,一个团队要先有数据指导产品设计的需求,才能培养起全员的意识,才能建立起数据分析和埋点的机制,才能建设好底层埋点等设施。
 
埋点的方式,根据页面和场景的不同,采用最合适的方法,其核心是业务目标或用户行为目标的反馈,要从产品价值进行梳理。
 
通过报表、监控和可视化,能够洞察到产品运行中的机会点和优化点,逐步走向最优。
 
如果你作为一个产品经理,想做好团队的数据分析工作,就从以上几项入手吧。
热门文章
免费试用DataHunter产品
Data Analytics
业务驱动型BI工具
免费试用
Data MAX
极致性价比的大屏可视化产品
免费试用
Data Formula
敏捷型数据中台
免费试用
Copyright © 2018 北京数猎天下科技有限公司 | 京ICP备16063904号-1