CC转做电商产品经理没多久，就接到了一个宇宙巨盘，做数据埋点。
感谢合作方妹纸一路指导，没有放弃治疗我，最后CC终于花了半个月搞定了埋点表，技术花了一周埋点，CC又花了快一周设置图表，其中的心酸无法用言语表达了~
看到这，小伙伴是不是对数据埋点更心存畏惧了？
别怕，其实数据埋点没那么难，科科科~
接下来CC将给大家讲下数据埋点的一些思路~
以下案例均来自神策数据，选择TA是因为大家可以去体验里面的demo，我分享的干巴巴的内容也会变得更加生动、有趣~
神策电商demo：https://ebizdemo.cloud.sensorsdata.cn/clustering/?project=default#id=263
神策如想打广告费给我，请直接微信转账，蟹蟹~
一、基础知识
神策数据的逻辑比较简单，主要有两张表：一张事件表，一张用户表。
事件即人干了啥，比如说我买了个商品，我就触发了购买事件；
用户即埋点事件的实施人，上面的购买事件中的用户就是我啦~
事件表的每个事件、每个用户下都会有不同属性，拿常见的浏览事件来讲，属性就是pv、uv、停留时长等等；用户的话，属性就是用户年龄、所在省份、会员等级等等。
同时每个事件发生时我们都记录了时间，因此我们可以从时间维度（秒级、小时级、天级、累计）来查看用户的操作和跳转路径。
根据数据类型、展示形态的不同，我们还可以采用线图、柱状图、饼图和累计图等图表样式展示。
根据业务类型、用户类型等维度，我们还可以将用户分成不同的组，分组查看用户事件操作情况。
很多数据平台都采用这样的埋点基础，优点是简便易操作，后期维护也比较方便，只需要往第三方平台里面加减事件和事件属性即可。缺点也比较明显，没有动作的数据将没法监测，比如说余额、上架中商品，这两个概念是个持续中的概念，没有人干了啥，所以这类平台就傻B了。
二、事件埋点
（一）事件需要埋哪些点
在此CC给大家展示下电商平台关注的一些事件，具体如下：
浏览、注册/登录和运营这三类事件，换个互联网行业也是需要埋的，具有非常强的普适性。大家掌握了这三类事件，尤其是浏览和注册/登录事件，基本上已经掌握了大半的数据埋点了。
现在的数据平台都支持前端全埋点，好处在于前端再也不用一个页面、一个按钮这样埋点了，大大大大节省了前端的时间，也挽救了他脆弱的神经。不过类似首页这样的核心页面，还是有必要自行埋点，全埋点对关键性按钮的监测、首页热力图分析不是太友好。
（二）事件需要设置哪些属性
事件属性是数据埋点中的重中之重，所幸常用的事件类型，如浏览、注册/登录，第三方等数据平台已经给设好了，无需谋杀自己的脑细胞了。但如果是业务数据，那就需要自己上了。
浏览事件一般都是前端埋点，在此简单说下常见属性，具体如下：
注册/登录事件的属性比较简单，一般统计的是人数。需要注意的是，注册人数和注册次数，登录人数和登录次数一般来说是相等的，如果数据相差过大，就需要找后端开发排查原因了。
这类数据展示平台对大部分注册事件（比如说web注册、APP注册）的支持都是傻瓜操作式的，比较好上手，不过最近几年公众号、小程序崛起，埋点的时候仍需要去了解下机制，避免数据出现错误。
拿web注册事件来讲，一般来说我们都是允许匿名浏览，即游客模式。这个时候，系统会赋予用户一个匿名ID，当用户被平台华丽的内容吸引，觉得非注册不可，提交了自己的注册信息（如手机号、用户名等）后，系统会再赋予用户一个正式的用户ID，并关联原来那个匿名ID，将注册之前的数据继承下来。在此其实发生了3个事件，一为赋予匿名ID，二为赋予正式ID，三为关联ID，那我们如果想要了解下到底注册了多少人，需要统计的事件是二或三（任择一），如果二、三相差很大，那就又需要请后端小哥哥出马了。
如果是公众号、小程序内，用微信授权登录的话，一是一样的。用户如果需要注册，微信会弹窗提示是否授权，用户点击【允许】，我方即可拿到用户的open ID，微信昵称和头像，然后生成一个正式用户ID，关联之前的匿名ID。相比web注册事件，仅仅多了一步获取open ID而已，机制上是雷同的。
除此之外，注册、浏览事件里面有个非常重要的属性，即用户渠道来源。
数据运营的第一课就讲到了一个漏斗的概念，来源于AARRR模型（拉新、促活、留存、转化和分享）。
在漏斗分析当中，必须要了解的就是用户的注册来源。
注册来源的概念来自于百度之类的搜索引擎投放，比如说渠道运营用了3个广告页和10个推广词来获取注册量，如果不做渠道分析的话，他将无法优化转化，提高投入/产出比。但如果仅仅是这样的分析的话，用百度的统计工具就足够了，但在实际工作中，我们还想了解从百度A广告来的用户，后面有没有再次登录、有没有点击我们推荐的新品、购买促销商品，绑定自己的微信号，光查看注册数据已经不能满足需求了，在此就需要采用这类渠道埋点了。
浏览事件也是类似。比如说我们收到10个用户订单，我们想了解下用户是从哪个站内广告进来的，然后才能采取进一步的运营手段，比如说加强带量多的广告，并优化掉无流量的资源位等等。
渠道来源埋点非常简单，只需要在推广链接后面加上spm，然后让前端向后端传递值的时候加上这个spm信息，即可记录了。
再来说说登录事件，在未登录状态下，系统其实是无法知道现在正在浏览的用户是新人还是老人的，只有用户登录之后，才能确定。因此登录/授权时，其实是在拿信息去数据库匹配，看这些信息是不是已存在，已存在的话，就直接拿那个用户信息了，没有的话，才会提示注册，或者直接触发注册事件，新增一个账户，然后进行ID关联。
接下来我们讲讲业务事件埋点的属性。
属性的类型其实比较少，主要有数值、字符串和BOOL值。数值的话，一般是次数、人数、金额等等，可以查看总和、均值、最大值、最小值、人均数等，如下图：
字符串的话，一般是标题、商品名、用户ID等等，因为不具有数字属性，在统计的时候，只能展示去重数，而没有最大数之类的展示，示例如下：
在此需要注意的是一些比较特殊的属性，比如说订单号，有些平台的订单号是一串数字，大家很可能会把它设置为数值，不过这种情况影响不是太大，如果把数值的属性埋成字符串的话，就需要重新埋点了。
BOOL值看上去会很陌生，其实这是一类我们经常会用到的属性，即是/否，通过/不通过的属性，在第三方平台里面默认展示为真/假，如下图：
BOOL值埋点是很容易出错的，大家很容易把是/否、通过/不通理解为字符串，设置为两种类型。在看数据概览的时候这两种区别不大，但是需要做一些逻辑筛选的时候，BOOL值的优势就体现出来了，如果到比较复杂的用户分群功能时，就必须用BOOL值了。
BOOL值埋错的情况挺多的，不仅仅是没啥技术经验的产品会搞错，连经验比较少的开发也会搞错，因此沟通的时候需要特别指出一下。
（三）非要埋没有动作的数据怎么办
没动作的数据一般是进行中的数据，比如说上架中商品数、账户余额、应收款等等，尤其是财务数据，建议最好再搞个专业的财务数据管理系统。
但老板的想法可能跟我们不一样，他考虑的是性价比，喜欢的是全套方案，如果他花钱买了一个服务，你告诉他没法全覆盖，还需要再买个数据系统，他心里一定老不开心了。
这时候苦哈哈的你就需要探索其他不花钱的方法了。比如说统计上架中的商品数，可以定时去线上跑一个脚本，统计商品数，人为触发一个展示事件。又或者自建数据后台，这类数据就自行埋点，不用第三方的了。
三、用户埋点
（一）用户需要埋哪些点
讲完了事件埋点，我们再来讲讲用户埋点。我们电商平台常用到的用户属性如下：
（二）埋用户表有什么用
不知道大家在平时工作中有没有遇到这样的尴尬：
比如说老板拿着个手机突然跑向你，说某个功能他用着不爽，一定要把按钮突出、字体加粗加红。
又或者客服小伙伴接到一个用户反馈，说自己到某一页就是点击不了，或者出现了一些灵异事件，测试搞了半天还是复现不了，用户对于无法复现这个结论肯定是不满意的，说你们怎么那么辣鸡。
这个时候你就会发现针对单个用户的数据埋点是如此的重要。
做了单个用户埋点之后，你可以观察用户的使用路径，比如说什么时候登录的，什么时候签到了，买了啥，简直是讲道理、撕逼、怼脑残需求的必备良品。
对于一个有理想、有追求的产品经理来说，这个功能的优点还在于可以更加细致地观察用户在体验产品的时候究竟经历了什么，真正的用户路径是什么，某些功能是不是真的在自嗨，而有些功能是不是必须要加上，要不然用户用不了了。
不过这类埋点从某种程度上来讲已经侵犯了用户隐私，现在对用户隐私保护越来越重视，我们也需要提前去了解下数据脱敏、用户授权等方面的知识，做好产品设计和用户调研之间的平衡。
（三）传说中的千人千面怎么操作
不知道大家第一次听到淘宝的“千人千面”的时候，有没有被震慑到。其实“千人千面”是靠一个个的用户数据堆积起来的，根据本人用户数据和操作数据来制定个性化推荐方案，来追求更高的购买转化比。
我个人猜测【千人千面】的数据基础主要有以下几个方向：
1、用户→商品；
2、商品→用户；
3、商品→用户→商品；
4、用户→商品→用户。
【用户→商品】很好理解，根据这个用户的个人信息，比如说年龄、有无子女、有无车，25岁以上且有小宝宝的，进口奶粉可以摆在首页了。
如果我们只获取到用户年龄（通过身份证获取），但是不知道有没有宝宝（CC这种剩女就经常遇到这种尴尬的事情，亚马逊老是给我推荐童书），那我们可以通过她购买的商品，比如说经常买进口婴儿奶粉、纸尿裤，来推测出她有没有宝宝，即达到【商品→用户】。
【商品→用户→商品】也是大家经常会碰到的，比如说你在亚马逊买书，详情页里面就会有【喜欢这本书的还看了】、【购买这本书的还买了】这样的推荐。这方面推荐做得比较出色的还有一些非电商平台，比如说流媒体平台奈飞和比我妈还懂我的网易云音乐，感兴趣的小伙伴可以去搜索下这两个平台的推荐策略。
最后一个【用户→商品→用户】就比较厉害了，比如说A是个26岁有个2岁宝宝的妈妈，她住在杭州，学历是本科，除了买进口奶粉外，她还特别喜欢买一个牌子的湿巾和童装，那么我们可以给一个同住在杭州28岁的本科宝妈推荐下这款湿巾和童装看看，因为这两个用户在很多地方是如此相似，说不定还share同一爱好呢，这就是淘宝“千人千面”的进阶版。
据说目前淘宝的【千人千面】考虑的维度还比较简单，试行的仅为年龄、性别和客单价这三项，但是我们在逛淘宝的过程中，已经会有心意相通的默契感了，说不定哪天你想买什么，打开淘宝它正好在你眼前也说不定。
总结一下，今天从事件、用户两个角度给大家分享了数据埋点的小知识，讲了很多，但还是觉得有很多没有分享给大家。希望通过这篇文章，能打消大家对数据埋点的恐惧，打开新世界的的大门，做起数据产品来更加得心应手~
最后再附上一份来自神策数据的教程，里面讲到了很多数据埋点不能不知的干货，大家如果想深入学习，可以去了解一下。
网址：https://www.sensorsdata.cn/manual/web_analytics_term.html
