做數(shù)據(jù)的同學(xué)都知道，在數(shù)據(jù)分析的道路上，數(shù)據(jù)采集是重中之重。數(shù)據(jù)采集的質(zhì)量直接決定了你的分析是否準(zhǔn)確。而隨著企業(yè)對數(shù)據(jù)的要求越來越高，埋點(diǎn)技術(shù)也被推到了“風(fēng)口浪尖”。所謂，埋的好是高手，埋不好反倒傷了自己。而在數(shù)據(jù)采集的道路上大家經(jīng)常會遇到各種各樣的問題，今天我們就來分析一下埋點(diǎn)是否需要。
數(shù)據(jù)采集的三類問題
1、不知道怎么采，包括采集什么數(shù)據(jù)以及用什么技術(shù)手段采集；
2、埋點(diǎn)混亂，出現(xiàn)埋錯、漏埋這樣的問題；
3、數(shù)據(jù)團(tuán)隊和業(yè)務(wù)工程團(tuán)隊配合困難，往往產(chǎn)品升級的優(yōu)先級大于數(shù)據(jù)采集的優(yōu)先級。
上面這三類問題讓數(shù)據(jù)團(tuán)隊相當(dāng)痛苦，進(jìn)而幻想棄用數(shù)據(jù)采集，而嘗試新方案后，進(jìn)而迎來的是更大的失望。這里我對這三類問題的現(xiàn)狀及應(yīng)對之策做一下分析。
不知道怎么采
一般創(chuàng)業(yè)公司的數(shù)據(jù)采集，分為三種方式：
第一種直接使用友盟、百度統(tǒng)計這樣的第三方統(tǒng)計工具，通過嵌入 App SDK 或 JS SDK，來直接查看統(tǒng)計數(shù)據(jù)。這種方式的好處是簡單、免費(fèi)，因此使用非常普及。對于看一些網(wǎng)站訪問量、活躍用戶量這樣的宏觀數(shù)據(jù)需求，基本能夠滿足。但是，對于現(xiàn)在一些涉及訂單交易類型的產(chǎn)品，僅僅宏觀的簡單統(tǒng)計數(shù)據(jù)已經(jīng)不能滿足用戶的需求了，他們更加關(guān)注一些深度的關(guān)鍵指標(biāo)分析，例如：用戶渠道轉(zhuǎn)化、新增、留存、多維度交叉分析等。這個時候才發(fā)現(xiàn)第三方統(tǒng)計工具很難滿足對數(shù)據(jù)的需求，而出現(xiàn)這樣的問題并不是因?yàn)楣ぞ叩姆治瞿芰Ρ∪酰且驗(yàn)檫@類工具對于數(shù)據(jù)采集的不完整。 通過這種方式 SDK 只能夠采集到一些基本的用戶行為數(shù)據(jù)，比如設(shè)備的基本信息，用戶執(zhí)行的基本操作等。但是服務(wù)端和數(shù)據(jù)庫中的數(shù)據(jù)并沒有采集，一些提交操作，比如提交訂單對應(yīng)的成本價格、折扣情況等信息也沒有采集，這就導(dǎo)致后續(xù)的分析成了“巧婦難為無米之炊”。通過客戶端 SDK采集數(shù)據(jù)還有一個問題就是經(jīng)常覺得統(tǒng)計不準(zhǔn)，和自己的業(yè)務(wù)數(shù)據(jù)庫數(shù)據(jù)對不上，出現(xiàn)丟數(shù)據(jù)的情況。這是前端數(shù)據(jù)采集的先天缺陷，因?yàn)榫W(wǎng)絡(luò)異常，或者統(tǒng)計口徑不一致，都會導(dǎo)致數(shù)據(jù)對不上。
第二種是直接使用業(yè)務(wù)數(shù)據(jù)庫做統(tǒng)計分析。一般的互聯(lián)網(wǎng)產(chǎn)品，后端都有自己的業(yè)務(wù)數(shù)據(jù)庫，里面存儲了訂單、用戶注冊信息等數(shù)據(jù)，基于這些數(shù)據(jù)，一些常用的統(tǒng)計分析都能夠搞定。這種方式天然的就能分析業(yè)務(wù)數(shù)據(jù)，并且是實(shí)時、準(zhǔn)確的。但不足之處有兩點(diǎn)：一是業(yè)務(wù)數(shù)據(jù)庫在設(shè)計之初就是為了滿足正常的業(yè)務(wù)運(yùn)轉(zhuǎn)，給機(jī)器讀寫訪問的。為了提升性能，會進(jìn)行一些分表等操作。一個正常的業(yè)務(wù)都要有幾十張甚至上百張數(shù)據(jù)表，這些表之間有復(fù)雜的依賴關(guān)系。這就導(dǎo)致業(yè)務(wù)分析人員很難理解表含義。即使硬著頭皮花了兩三個月時間搞懂了，隔天工程師又告訴你因?yàn)樾阅軉栴}拆表了，你就崩潰了。另一個不足之處是業(yè)務(wù)數(shù)據(jù)表的設(shè)計是針對高并發(fā)低延遲的小操作，而數(shù)據(jù)分析常常是針對大數(shù)據(jù)進(jìn)行批量操作的，這樣就導(dǎo)致性能很差。
第三種是通過 Web 日志進(jìn)行統(tǒng)計分析。這種方式相較于第二種，完成了數(shù)據(jù)的解耦，使業(yè)務(wù)數(shù)據(jù)和統(tǒng)計分析數(shù)據(jù)相互分離。然而，這種方式的問題是“目的不純”。Web日志往往是工程師為了方便Debug順便搞搞，這樣的日志對于業(yè)務(wù)層面的分析，常?！叭苯锷賰伞?。并且從打印日志到處理日志再到輸出結(jié)果，整個過程很容易出錯，我在百度就花了幾年的時間解決這一問題。
所以，以上三種方式雖然都多多少少解決了一部分?jǐn)?shù)據(jù)采集的問題，但又都解決的不徹底。
埋點(diǎn)混亂
聊完采集方法，再來說說關(guān)于埋點(diǎn)的管理。我曾經(jīng)接觸了一家做了七八年的老牌互聯(lián)網(wǎng)公司，他們的數(shù)據(jù)采集有 400 多個點(diǎn)。每次數(shù)據(jù)產(chǎn)品經(jīng)理提出數(shù)據(jù)采集的需求后，工程師就會按照要求增加埋點(diǎn)，然后交給數(shù)據(jù)產(chǎn)品經(jīng)理去驗(yàn)證。數(shù)據(jù)產(chǎn)品經(jīng)理在試用的時候也感覺不到異常，可等產(chǎn)品上線之后，才發(fā)現(xiàn)埋的不對，再進(jìn)行升級發(fā)版操作，整個過程效率極低。我們發(fā)現(xiàn)，一個公司發(fā)展到了一定程度，沒有專人去負(fù)責(zé)埋點(diǎn)管理工作，數(shù)據(jù)采集就完全沒有準(zhǔn)確性可言。甚至有時產(chǎn)品上線之后，才發(fā)現(xiàn)數(shù)據(jù)采集的工作沒有做，也就是漏埋了。
于是數(shù)據(jù)團(tuán)隊又開始幻想，既然埋點(diǎn)這么容易出問題，有沒有可能不埋點(diǎn)？這就像尋找可以祈求風(fēng)調(diào)雨順的神靈。在 2010 年，我的團(tuán)隊曾經(jīng)做了一個叫 ClickMonkey 的產(chǎn)品，只要頁面上嵌入 SDK，就可以采集頁面上所有的點(diǎn)擊行為，然后就可以繪制出用戶點(diǎn)擊的熱力圖，這種方式對于一些探索式的調(diào)研還是比較有用的。到了2013 年，國外有家數(shù)據(jù)分析公司 Heap Analytics，把這種方式更近一步，將 App 的操作盡量多的采集下來，然后通過界面配置的方式對關(guān)鍵行為進(jìn)行定義，這樣便完成了所謂的“無埋點(diǎn)”數(shù)據(jù)采集。使用這種方案，必須在產(chǎn)品中嵌入 SDK，等于做了一個統(tǒng)一的埋點(diǎn)，所以“無埋點(diǎn)”的叫法實(shí)際上是“全埋點(diǎn)”的代名詞。
另外，這種方式同樣也只能采集前端數(shù)據(jù)，后端服務(wù)器和數(shù)據(jù)庫中的數(shù)據(jù)，依舊是無可奈何的。并且，即便進(jìn)行前端數(shù)據(jù)采集，也無法深入到更細(xì)粒度。比如提交訂單操作，訂單運(yùn)費(fèi)、成本價格之類的維度信息，都丟失掉了，只剩下“提交”這一個行為類型。
對于非技術(shù)人員，容易被這種方式的名稱和直接優(yōu)勢所吸引，但很快又會發(fā)現(xiàn)許多深度數(shù)據(jù)分析需求無法直接滿足，進(jìn)而有種被忽悠的感覺，會感到失望。其實(shí)不止是非技術(shù)人員，即使是技術(shù)人員，也都會讓我解釋一下“可視化埋點(diǎn)”的原理，說明“無埋點(diǎn)”真是個有迷惑性又不甚清晰的概念，難以細(xì)究。這里說一下關(guān)鍵點(diǎn)：一是事先在產(chǎn)品上埋一個 SDK，二是通過可視化的方式，生成配置信息，也就是事件名稱之類的定義，三是將采集的數(shù)據(jù)按照配置重命名，進(jìn)而就能做分析了。
數(shù)據(jù)團(tuán)隊和業(yè)務(wù)工程團(tuán)隊的配合問題
最后，我們再聊一聊數(shù)據(jù)采集中遇到的非技術(shù)性問題。一般來說，公司到了 A 輪以后，都會有專門的數(shù)據(jù)團(tuán)隊或者兼職數(shù)據(jù)人員，對公司的一些業(yè)務(wù)指標(biāo)負(fù)責(zé)。即使為了拿到這些基本的業(yè)務(wù)指標(biāo)，一般也要工程團(tuán)隊去配合做一些數(shù)據(jù)采集工作。這個時候雷軍的“快”理念就起到作用了，天下武功唯快不破。于是所有事情都要給產(chǎn)品迭代升級讓路，快的都沒有時間做數(shù)據(jù)采集了。殊不知沒有數(shù)據(jù)指標(biāo)的支撐，又怎么衡量這個功能升級是不是合理的呢？互聯(lián)網(wǎng)產(chǎn)品并不是功能越多就越好，產(chǎn)品是否經(jīng)得起用戶考驗(yàn)，還是要基于數(shù)據(jù)說話的，然后學(xué)習(xí)新知識，用于下一輪的迭代。
數(shù)據(jù)團(tuán)隊和業(yè)務(wù)工程團(tuán)隊是平級的團(tuán)隊，而數(shù)據(jù)團(tuán)隊看起來總是給業(yè)務(wù)工程團(tuán)隊增加麻煩事兒，似乎也不能直接提升工程團(tuán)隊的 KPI，所以就導(dǎo)致需求不被重視，總是被更高優(yōu)先級的事情擠掉，數(shù)據(jù)的事情難有進(jìn)展。
解決之道
前面給大家拋出了數(shù)據(jù)采集中常見的三類問題，下面我們來看一下應(yīng)對之道。
對于不知道數(shù)據(jù)怎么采的問題，首先從意識上要重視數(shù)據(jù)采集工作。數(shù)據(jù)的事情歸結(jié)起來就兩點(diǎn)：數(shù)據(jù)采集和數(shù)據(jù)分析?？刹荒苤豢吹綌?shù)據(jù)分析而忽略了數(shù)據(jù)采集。事實(shí)上我個人在百度做數(shù)據(jù)的幾年里，最大的心得就是數(shù)據(jù)這個事情要做好，最重要的是數(shù)據(jù)源，數(shù)據(jù)源收集得好，就成功了一大半。數(shù)據(jù)采集的基本原則是全和細(xì)。全就是把多種數(shù)據(jù)源都進(jìn)行采集，而不只是客戶端的用戶數(shù)據(jù)。細(xì)就是強(qiáng)調(diào)多維度，把事件發(fā)生的一系列維度信息，比如訂單運(yùn)費(fèi)、成本價格等，盡量多的記錄下來，方便后續(xù)交叉分析。其次，要有一個數(shù)據(jù)架構(gòu)師，對數(shù)據(jù)采集工作負(fù)責(zé)，每次數(shù)據(jù)采集點(diǎn)的增加或變更，都要經(jīng)過系統(tǒng)化的審核管理，不能順便搞搞。最后，我這里要推薦 Event 數(shù)據(jù)模型，針對用戶行為數(shù)據(jù)，簡化成一張寬表，將用戶的操作歸結(jié)為一系列的事件。
對于埋點(diǎn)混亂的問題，前面提到的數(shù)據(jù)架構(gòu)師的角色，要對這塊的管理負(fù)責(zé)。如果前面完成對 Event 的梳理，這里的埋點(diǎn)就會清晰很多。另外還要推薦盡量從后端進(jìn)行埋點(diǎn)，這樣便無需多客戶端埋點(diǎn)了。當(dāng)然，如果有行為只在客戶端發(fā)生，還是要在客戶端進(jìn)行埋點(diǎn)的。對于業(yè)務(wù)復(fù)雜的情況，只有負(fù)責(zé)人還不夠。目前我們神策分析針對這個問題，推出了埋點(diǎn)管理功能，對于每個采集點(diǎn)的數(shù)據(jù)收集情況，都能夠做到全盤監(jiān)控，并且可以針對一些無效采集點(diǎn)進(jìn)行禁用?？傊窍Ｍ堰@個問題盡量好的解決掉。
對于數(shù)據(jù)團(tuán)隊和工程團(tuán)隊的配合問題，我這里是想說給創(chuàng)業(yè)公司的創(chuàng)始人聽的。兩個平行部門間的推動，是很難的。數(shù)據(jù)的事情一定要自上而下的推動，也就是創(chuàng)始人一定要重視數(shù)據(jù)，把數(shù)據(jù)需求的優(yōu)先級提升，這樣在項(xiàng)目排期時，能夠把數(shù)據(jù)的需求同時做了。我們知道兩軍對戰(zhàn)，情報收集工作的重要性。做產(chǎn)品也是一樣，數(shù)據(jù)收集工作的重要性不言而喻。
最后，期望越來越多的創(chuàng)始人，從拍腦袋決策逐步向數(shù)據(jù)驅(qū)動決策做出轉(zhuǎn)變。
（注：本文作者桑文鋒系神策數(shù)據(jù)創(chuàng)始人兼 CEO，前百度大數(shù)據(jù)部技術(shù)經(jīng)理）
