从数据产品经理视角 聊聊事件模型

　　上一篇文章写了埋点以及基础技术，本篇介绍埋点时常使用的事件模型。更多资讯尽在96编辑宝：http://www.96weixin.com/

　　一、事件模型

　　在传统的web时代，我们经使用pv、uv来统计某个页面/某个按键的使用情况(如：umeng)。

　　但随着数据精细化，产品迭代&数据分析更期望深度分析用户行为(新老用户的行为差异、各渠道用户转化率、使用app时的行为路径)，另一方面推荐也需要用户粒度的行为数据以实现精准化，但这些是“基于页面、按钮的计数统计”无法得到，因而事件模型由此出现。

　　简单来说，事件模型非常像5w2h，它通过(who、when、where、how、what)记录了谁在某个时间点、某个地方、用某种方式、做了某一件事情(某个行为)。who、when、where、how、what即是事件模型的五个要素。

　　Who：即谁参与了这个事件，唯一标识(设备/用户id)，可以是 匿名的设备id(idfaidfvandroid_idimeicookie)、也可以是后台生成的账户id(user_id,uid)、也可以是其他【唯一标识】。现在很多公司都有自己的唯一设备id(基于某个策略产生的唯一标识)，e.g.阿里有OneId。

　　When：即这个事件发生的实际时间。该时间点尽可能精确，有利于行为路径分析行为排序，像神策会精确到毫秒。

　　Where：即事件发生的地点。可以通过ip地址解析国家、省份、城市;如果期望更细致的数据，如果住宅、商业区等，需要额外地理信息数据库来做匹配。

　　How：即用户用某种方式做了这个事件，也可以理解为事件发生时的状态。这个包括的就比较多，可以是进入的渠道、跳转进来的上级页面、网络状态(wifi4g3g)、摄像头信息、屏幕信息(长x宽)等。而如使用的浏览器/使用的App，版本、操作系统类型、操作系统版本、进入的渠道等 经常设置为“预设字段”。

　　What：即用户做了什么，也是event模型的主题。这里应该尽可能详细的描述清楚行为，如搜索(搜索关键字、搜索类型)、观看(观看类型、观看时长/进度、观看对象(视频id))、购买(商品名称、商品类型、购买数量、购买金额、 付款方式)等等。

　　二、事件模型对应埋点文档

　　事件模型反映在埋点上报，即触发一个事件时上报对应日志，记录who、when、where、how、what。对应的统计文档，即埋点文档，在小型创业公司通常是excel来传递，有数据平台部门的公司通常会有专门的维护后台——埋点管理后台，以同步埋点的增删改查看。

　　上述所说的事件模型的埋点文档通常会包括：

　　事件类型，像“停/启动”、“退出app”这种常规事件会设置为预设事件，将自动采集，而非预设事件则可以支持各种业务需求。

　　事件名称(英文/中文)，能够准确描述事件，区别与其他事件，中文名可以用户数据后台显示。

　　事件参数(英文/中文)，能够准确定义参数，区别与其他事件，不同事件的相同参数尽量保持一致，中文名可以用户数据后台显示。

　　参数值，备注合理参数的范围，例举参数的值。

　　类型，参数值记录的类型。由于不同类型支持数据分析后台查询方式不同，比如文本类型可以选择单个值，数值类型使用区间(大于、小于等)，定义参数类型时切记考虑通用性、以及分析后台的便利性。

　　新增时间(版本)，新增该埋点的时间点。

　　删除时间(版本)，删除该埋点的时间点。

　　三、日志上报

　　刚有提到“事件模型反映在埋点上报，即触发一个事件时上报对应日志，记录who、when、where、how、what。” 相比行为打包上报(非实时数据)，有效减少数据延迟/丢失比例。

　　非实时的日志上报sdk中，因上报策略不同，即使是同一指标，基于不同的sdk统计到的数据会有差异，常见问题：延迟上报、数据丢失。

　　上报策略将会影响数据展示，使业务方怀疑数据可信度，如：延迟上报的数据，再次处理后会引起数据回流(e.g.第一天上报90%的行为，相应报表则会基于这90%统计展示;第二天再次上报5%前一天的数据，相应报表则会基于95%统计展示，引起两个时间点看到的数据不一样。)

　　实时：用户行为发生后立即上报;

　　非实时：当一系列的行为都发生后，打包上报、最常见的app退出/下次启动时上报当次/上一次用户行为。

　　当前的事件模型上报日志示例：

　　{

　　“uid”:”1234566″ ##唯一标识

　　“time”:”1534065122″ ##时间

　　“type”:”pre” ##预设事件

　　“event”:”start_up” ##事件名称

　　parameters：{

　　“$app_version”:”1.0″ ##预设参数

　　“$wifi”:”wifi” ##预设参数

　　“$ip”:”108.66.35.65″ ##预设参数

　　“masterid”:”12345″ ##事件参数

　　“masterrate”:”666″ ##事件参数

　　“videoid”:”987654321″ ##事件参数

　　“videotype”:”美食” ##事件参数

　　“videotime”:”100s” ##事件参数

　　“playtime”:”60s” ##事件参数

　　}

　　}

　　三、事件模型的分析应用

　　事件模型结合其主体(用户/设备)的属性信息可以支持各种分析模型(漏斗分析模型、留存分析模型、路径分析模型、用户分群模型)。

　　用户属性常记录年龄、性别、职业、喜好等不易发生变化的。

　　(1)事件分析&用户分群模型：任一事件可以结合预设字段和用户属性来统计分析，如 18岁以下的女生在这个事件上的表现，反之也可以得到任一时间在 属性维度上的分布，如：这个事件触发用户的年龄分布、地域分布、机型分布等。

　　(2)漏斗分析模型&用户分群模型：分析一个多步骤过程中每一步的转化与流失情况。结合用户属性，可以分析各维度的漏斗，以找到转化低的瓶颈。例如：不同渠道的注册漏斗，是否存在某个渠道在某个转化过程中表现异常。

　　(3)留存分析模型&用户分群模型：进行初始行为的用户中，有多少人还会进行该行为。结合用户属性，可以细分群体优化增长、精细化运营活动。

　　新用户留存：第一次访问后继续访问的用户占比。

　　xxx行为留存率：进行xxx行为的用户中，有多少人还会进行xxx行为，通常来衡量某个功能的用户粘度

　　xxx行为后，做yyy行为：进行xxx行为的用户中，有多少人会进行yyy行为。eg.第一天加入购物车的用户中，在第二天付款的占比。

　　(4)路径分析模型&用户分群模型：则可以清晰的看到访问当前页面的所有用户中，紧接着有多少进入了详情页、有多大比例使用了xx/yy功能、有多大比例进入了分类页面。结合不同属性的用户在路径分析模型上的差异点、待优化点。

　　此外，基于“事件模型”采集的数据，也更好的服务于：

　　可视化/报表展示;

　　数据分析;

　　实时推荐;

　　ab测试等。

　　作者：cecil

　　来源：人人都是产品经理