埋點是App資料營運中很重要的一個環節。之前我們讨論過使用者分群的方式、漏鬥轉化的改進，但所有App資料的來源是資料采集，很多時候就是App的埋點。
資料隻有采集了才能做分析，分析了才能實作價值。——托馬斯·維尼
圖1. 資料營運微笑模型
上圖是資料營運解決問題的思路，但相對的，資料營運分析的需求，也驅動着資料埋點的優化。
有時候，我們可能會遇到這樣的尴尬：
數到用時方恨少！
木有結論腫麼破！
其實，資料埋點比我們想象得有更多挖掘的空間，有針對性的有條理的埋點能夠幫助我們理清使用者行為軌迹、抓住使用者特征、解析關鍵路徑。
但過多的埋點，可能會給App帶來負擔，也可能對App使用者的流量、網速體驗有影響，這都是我們需要考慮的因素。全埋點、多采集，并不是資料分析體系建構的辦法，反而是把分析挖掘的工作量後移，給資料分析帶來很多負擔。
較好的做法是：帶着我們的分析目标與資料解讀思路去埋點。騰訊移動分析MTA在資料埋點上做過多次優化，能確定多次采集一次上傳的資料傳輸過程，減少對使用者流量的影響，優化使用者體驗。
下面我們分幾個層次來讨論埋點問題：
通過埋點可以追蹤使用者的行為，即對App内的關鍵路徑進行監測，這無疑是最常見也是最重要的應用場景。
不同的App可能關注的埋點事件有很大不同。
例如，電商類App多關注的是訂單成交；社群類App可能關注UGC内容的産生；閱讀類App則需要關注内容的閱讀。
使用者埋點的場景很靈活，埋點可以統計的事件資料能和業務資料進行打通。
比如在新聞閱讀的App中，将閱讀新聞作為自定義事件，每一篇報道都帶有不同的參數，可以得到閱讀的大盤整合資料，也可以分析每篇報道的價值，甚至可以友善的實作閱讀量排行榜等功能。
埋點是因業務場景需要而定的。
比如第二篇時講到的漏鬥細分中，有一個金融使用者案例。在綁卡流程轉化流失率過高的時候，需要定位每一個輸入框的填寫方式是否存在問題，這時埋點的密度會比一般情況要高很多。
圖2. 定位問題時的埋點示意
上述埋點是基于我們想要定位“為什麼綁卡頁面轉化率低”的需求。埋點之後，在綁卡流程漏鬥中，MTA會生成一個詳細填寫頁面的漏鬥，從中我們或許能知道使用者是在哪一步停止操作的，是否有改進的空間。
圖3.漏鬥拆解（由于業務資料敏感性，以上資料已做模糊處理）
但如果之後我們修複了問題，我們可能就不需要這麼細緻的埋點了，或者我們隻需要對可能出問題的地方進行埋點監控。
圖4.穩定後的埋點示意圖
是以，業界所說的全埋點是一種未充分了解自身業務時采用的政策，很多時候也無法滿足詳細漏鬥的追溯要求。而不必要的埋點帶來了過量的資料上報，一方面加重了使用者的流量負擔，另一方面也不利于後期的複盤分析。
當然如果真的是業務上線了，點還沒埋上，騰訊移動分析MTA新近推出了可視化埋點功能，可以由産品、營運同學通過web端配置埋點，雲端下發至App中，随時調整App内的埋點政策，也是機智而有效的救急措施。
開發GG再也不用擔心我漏埋點啦~~
根據使用者事件、來源管道、同期群，甚至年齡、性别、地域等，我們可以把自己的App使用者切割為很多小群體。
比如在訂單購買的業務中，将訂單金額作為參數上報，能夠更好的分析使用者的價值。下圖是一種消費使用者分群的方式，以消費金額Monetary、消費頻率Frequency和最近一次消費時間Recency，得到8個象限的使用者，可以對不同的使用者進行不同的營運推廣政策。
圖5. 消費使用者分群模型
還是看這個電商App，當用于活動營運分析的時候，可能資料分析的視角和方式就不太一樣了。
舉個例子：618活動時間新注冊（同期群）且完成過一次訂單的這群使用者，他們在活動期結束之後，會有哪些表現？
購買VIP會員的轉化率高于平均活動水準→某個新的廣告管道帶來了優質的新客戶，該管道可以繼續投入，持續關注效果；
繼續參與七夕節的活動→人群可能對活動資訊比較敏感，适合推薦促銷資訊；
流失曲線&再次開啟時間的關系是：2周内不再開啟App的客戶，87%都流失了→我們如果在新使用者注冊後1周左右的時間通過Push、短信、郵箱等手段喚醒使用者，能夠大幅提高留存。
通過把人群切分，去分析業務特性，能夠加深對使用者的了解，結合你的App觸達手段，能夠讓你更好的與使用者交流互動，實作業務營運的目标。
而這裡的人群切分方式，就需要通過埋點定義出自定義事件，通過事件與其他條件的疊加、篩選，與不同僚件、報表做交叉分析，就能夠凸顯核心使用者群體的價值，精細化營運不同使用者群體。
點選不同按鈕、關注不同闆塊、甚至不同注冊時間的人群都有不同的特性。
精細化的分析營運需要對業務的深入了解，需要學會切入分析的角度，解析你的使用者的特征，了解你的使用者，再由資料的需求去驅動埋點的配置。
第三點是基于第二點的應用。通過切割使用者人群，再回到業務關鍵路徑上，去發現吸引使用者、留住使用者的奧秘。
舉一個比較知名的例子。
在某知名社交App的資料分析營運分享中，通過不同的事件對比，可以發現10天内添加7個好友的留存率大大提高。
我們回溯一下，如果我們想要分析什麼才是這個App留存率的關鍵，我們需要羅列很多的可能性，比如在平台上浏覽100條新聞、引薦3名新使用者加入、産生UGC内容或者是上傳3張照片、玩過平台遊戲。那麼，我們需要對比這些人群，尋找在這些事件中哪些才是與留存率強相關的？
如果是添加好友的這件事，那麼這個時間限是，注冊時關注3人，還是一周内關注5人？
或者如果我們發現，引薦5名新使用者，留存率非常高，但實際上，真的能引薦5名新使用者的人群少之又少，那麼這件事也不适宜我們去重點關注，因為給我們帶來的成本太高了。
圖6.自定義事件與留存相關度的分析示例
從這些關鍵事件中，我們要通過資料分析找到其中的核心路徑，然後傾斜我們的資源去支援它。
好啦，今天的分享就到這裡了。總的來說，埋點與資料統計，都是為業務服務的。關注哪些事件、為他們埋點是由于App自身的業務特性所決定。
埋點需要有的放矢，分析才能得到結論，疊代增長也将有迹可循。