資料採集的三大要點 1 、全面性 資料量足夠具有分析價值、資料面足夠支撐分析需求。 比如對於「檢視商品詳情」這一行為，需要採集多用户觸發時的環境資訊、會話、以及背後的多用户 id，後需要統計這一行為在某一時段觸發的人數、次數、人均次數、活躍比等。 2 、多維性 資料更重要的是能滿足分析需求。靈活、快速自定義資料的多種屬性和不同型別，從而滿足不同的分析目標。 比如「檢視商品詳情」這一行為，通過埋點，我們才能知道多用户檢視的商品是什麼、價格、型別、商品 id 等多個屬性。從而知道多用户看過哪些商品、什麼型別的商品被檢視的多、某一個商品被檢視了多少次。而不僅僅是知道多用户進入了商品詳情頁。 3 、高效性 高效性包含技術執行的高效性、團隊內部成員協同的高效性以及資料分析需求和目標實現的高效性。 基於以上三點，我們看如何讓資料採集更準確、分析更有用以及團隊內部更高效。 資料分析價值性和高效性 step1：明確資料驅動目標 資料採集切忌大而全，資料分析需求也是隨着產品不斷迭代的，明確長遠和當前階段的分析需求，讓分析更有目的性，技術執行更高效。 場景舉例： 小何是公司的產品經理，小張是技術，近兩人都認識到了資料在產品運營和決策中的重要性，經過幾個資料平台的調研，後，選擇了 SEO 站羣，並且已經明確了當前階段的資料需求… 小何：「小張忙嗎，文件中那個，登入流程、註冊轉化、購買轉化、分享轉化等是長遠需要關注的資料指標，務必埋上哦；對於發現功能呢，兩個禮拜後我們會提交一個新版本，先不埋了啦，辛苦啦。」 小張：「小何，您真棒，一會兒我就給您埋好了呢！」 小何：「哦還有，註冊那個頁面我們有個推薦人選項，需要多用户輸入推薦人賬號，採集的時候別採賬號啊，我只想看註冊多用户是否有推薦人的分佈，把那個屬性處理成判斷哦」 小張：「這簡單。那今晚…」 看着小何轉身要離開了，小張欲言又止，默默地繼續敲代碼了… step2：按需採集資料 帶着需求和分析目標去採資料，不僅避免了資料冗餘帶來的無從下手，也避免了全量採集之後卻不知道要分析什麼的尷尬。 圖示為埋點範例：
圖示文件可由資料分析需求人員整理，表格梳理讓需求人員和技術人員協同更高效，也大大提升了後續的分析價值和效率 step3：多維交叉定位問題 對資料的應用可分為一般分析和探索性分析。一般分析包括對日常資料如新增、活躍、留存、核心漏斗的監測分析，也包括對各部門日常業務的資料監測。監測每日增長，分析異常情況，比如對註冊失敗、支付失敗事件的監控和及時優化。 探索性分析是對資料的高階應用。對核心事件的相關性分析、挖掘產品改進關鍵點等，如促進多用户購買的相關性分析、找到促進留存的 Ahamoment 等。 step4：優化產品、優化運營策略 基於資料反映的問題，做到實時監控和及時解決，基於分析得到的增長啓發，去做 A/B 測試、灰度測試、去 MVP 實踐。 step5：衡量 衡量是資料分析到實踐的後一步，當然，也可能是步。有時候我們看似找到了增長點，但實驗發現，事實並不如預期，不要灰心，不要喪氣，更不要不吃飯，分析過程中對多用户的理解、對業務的深度挖掘可能會讓下一次優化產生累計價值。 資料分析思維 資料採集固然重要，資料分析的方法論也很重要，但不要迷信資料，因為更重要的，可能是人的創造力和想象力！資料分析也從來不是一勞永逸的，產品在不斷迭代，業務在不斷更新，從認知到決策，資料更多的是起到了輔助的作用，從梳理需求、到採集、到分析、到實踐、再到衡量，它是始終迴圈在企業增長的整個過程中的。 後，那些改變世界的程序猿，他們始終希望能用自己的技術創造更多的價值，很多時候，他們要的可能是明確的資料需求、明確的分析目標，以及一套高效協同的方法，畢竟，誰都認為：能準確解決問題、能驅動業務增長，更！重！要！ 資料分析思維的重要性其實是不言而喻的，有些公司有很多資料，但這些資料能幹嘛，不知道。 有些公司沒有資料，因為他們不知道資料能幹嘛，也不知道怎麼去採集。 韓重明拿電商舉例子其實是很聰明的，我認為可能這也是一種本能，因為電商和遊戲，這兩個領域，對於資料的採集、分析、應用，都有很長時間的探索和積累。 但對於大多數其他領域的公司來説，有時候，碰到資料問題，是一臉懵的。 所以，在未來的互聯網，對資料的瞭解越多、運用越熟練的人，就會越發的有價值。 從這個點上説，人人都需要掌握一些資料分析的思維，這樣，您看到的世界會有很大的不同。
