一、数据采集的三大要点

1、全面性

数据量足够具有分析价值、数据面足够支撑分析需求。

比如对于“查看商品详情”这一行为，需要采集用户触发时的环境信息、会话、以及背后的用户id，最后需要统计这一行为在某一时段触发的人数、次数、人均次数、活跃比等。

2、多维性

数据更重要的是能满足分析需求。灵活、快速自定义数据的多种属性和不同类型，从而满足不同的分析目标。

比如“查看商品详情”这一行为，通过埋点，我们才能知道用户查看的商品是什么、价格、类型、商品id等多个属性。从而知道用户看过哪些商品、什么类型的商品被查看的多、某一个商品被查看了多少次。而不仅仅是知道用户进入了商品详情页。

3、高效性

高效性包含技术执行的高效性、团队内部成员协同的高效性以及数据分析需求和目标实现的高效性。

基于以上三点，我们看如何让数据采集更准确、分析更有用以及团队内部更高效。

二、数据分析价值性和高效性

step1：明确数据驱动目标

数据采集切忌大而全，数据分析需求也是随着产品不断迭代的，明确长远和当前阶段的分析需求，让分析更有目的性，技术执行更高效。

场景举例：

小葛是公司的产品经理，小诸是技术，最近两人都认识到了数据在产品运营和决策中的重要性，经过几个数据平台的调研，最后，选择了诸葛io，并且已经明确了当前阶段的数据需求...

• 小葛：“小诸忙吗，文档中那个，登录流程、注册转化、购买转化、分享转化等是长远需要关注的数据指标，务必埋上哦；对于发现功能呢，两个礼拜后我们会提交一个新版本，先不埋了啦，辛苦啦。”
• 小诸：“小葛，你真棒，一会儿我就给你埋好了呢！”
• 小葛：“哦，还有，注册那个页面我们有个推荐人选项，需要用户输入推荐人账号，采集的时候别采账号啊，我只想看注册用户是否有推荐人的分布，把那个属性处理成判断哦”
• 小诸：“这简单。那今晚...”

看着小葛转身要离开了，小诸欲言又止，默默地继续敲代码了...

step2：按需采集数据

带着需求和分析目标去采数据，不仅避免了数据冗余带来的无从下手，也避免了全量采集之后却不知道要分析什么的尴尬。

图示为埋点范例：

图示文档可由数据分析需求人员整理，表格梳理让需求人员和技术人员协同更高效，也大大提升了后续的分析价值和效率

step3：多维交叉定位问题

对数据的应用可分为一般分析和探索性分析。一般分析包括对日常数据如新增、活跃、留存、核心漏斗的监测分析，也包括对各部门日常业务的数据监测。监测每日增长，分析异常情况，比如对注册失败、支付失败事件的监控和及时优化。

探索性分析是对数据的高级应用。对核心事件的相关性分析、挖掘产品改进关键点等，如促进用户购买的相关性分析、找到促进留存的Ahamoment等。

step4：优化产品、优化运营策略

基于数据反映的问题，做到实时监控和及时解决，基于分析得到的增长启发，去做A/B测试、灰度测试、去MVP实践。

step5：衡量

衡量是数据分析到实践的最后一步，当然，也可能是第一步。有时候我们看似找到了增长点，但实验发现，事实并不如预期，不要灰心，不要丧气，更不要不吃饭，分析过程中对用户的理解、对业务的深度挖掘可能会让下一次优化产生累计价值。

三、数据分析思维

数据采集固然重要，数据分析的方法论也很重要，但不要迷信数据，因为更重要的，可能是人的创造力和想象力！数据分析也从来不是一劳永逸的，产品在不断迭代，业务在不断更新，从认知到决策，数据更多的是起到了辅助的作用，从梳理需求、到采集、到分析、到实践、再到衡量，它是始终循环在企业增长的整个过程中的。

最后，那些改变世界的程序猿，他们始终希望能用自己的技术创造更多的价值，很多时候，他们要的可能是明确的数据需求、明确的分析目标，以及一套高效协同的方法，毕竟，谁都认为：能准确解决问题、能驱动业务增长，更！重！要！