埋点数据采集和应用生命周期

埋点数据采集和应用生命周期

​作者介绍

@hrd-0.618（栩梵）

新网银行数据分析师。

专注于数据分析、埋点采集及用户行为分析、BI 数据可视化。

“数据人创作者联盟”成员。

1 背景介绍

产品的精细化运营、千人千面的个性化推荐等各类业务，均依赖于标准化、高质量的埋点数据。但是，埋点数据的上送、解析、存储、分析的整个流程较长，涉及多团队协作，为了让感兴趣的读者有个整体认识，本节将结合工作实践，重点介绍 H5 埋点数据采集和应用的生命周期。

2 埋点采集内容

3 埋点数据流向

3.1 数据上送至日志采集服务

前端+后端——>日志采集服务

前、后端数据以类 json 的格式，实时异步送行为事件到日志采集服务进行解析。

3.1.1 用户事件：user

{data:[{    userid:用户唯一标识ID     ,equipment:{               //header中获取，包括浏览器、设备、网络等        equipment_os:操作系统       , equipment_os_version:操作系统版本      , equipment_brand:品牌        …      }      ,location:{        gps:{             gps_lon:经度                  ,gps_lat:维度                  ,gps_country:gps国家                       ,gps_province:gps省                  ,gps_city:gps市                       ,gps_district:gps区                  }                 ,ip:{                 …                }             }           }]               ,time:时间                ,cookie:串联码                ,event_type:user                ,from:{                 channel:渠道                 ,product:产品                     }            }

3.1.2 页面事件：page

{data:[{    page_id:页面ID   ,page_name:页面名称   ,page_url:页面url   ,src_page_url:来源页url }]    ,time:时间     ,cookie:串联码     ,event_type:page     ,from:{        channel:渠道         ,product:产品           }  }

3.1.4 接口事件：interface

{data:[{    interface_id:接口ID   ,interface_name:接口名称   ,result:接口调用结果   ,result_remarks:接口调用说明   ,response_time:接口响应时长 }]    ,start_time:接口调用开始时间    ,end_time:接口调用结束时间    ,cookie:串联码    ,event_type:interface    ,from:{       channel:渠道          ,product:产品         } }

3.2 实时数仓建模

日志采集服务——>实时数仓（kafka）

3.2.1 基础字段处理

a. 将日志采集服务采集到的 4 种事件的 json 数据进行解析，得到 4 个事件的基础字段，并实时写入 kafka 消息队列的 4 个 topic 中。

b. 通过 Flink/StreamSQL，实时或者微批消费 4 个 topic 数据，存储至 4 张 Hbase 表中。

3.2.2 用户事件关联至行为事件

消费 user 事件 topic，根据串联码 cookie，将用户信息关联至行为信息，构建实时用户行为宽表。

3.3 离线数仓建模

3.3.1 贴源层

通过 ETL 抽取 4 个事件 HBase 表。

3.3.2 模型层

根据贴源层 4 个事件的串联码 cookie，将用户信息关联至行为信息，构建离线用户行为宽表。

4 埋点数据应用

4.1.1 用户行为查询

根据实时用户宽表，数据写入 Elasticsearch，或者写入数据对外接口，即可查询实时用户行为记录。

根据离线用户宽表，数据写入 Elasticsearch，或者写入数据对外接口，即可查询离线用户行为记录。

4.1.2 用户行为统计

根据 4 个事件 topic 数据，结合用户行为指标体系，通过聚合统计分析方法，得到不同维度的用户行为指标。

页面级：

数据日期

渠道名称

操作系统

日期类型：日、7日、30日、总计

维度类型：页面/环节/渠道

可视化字段：渠道名称、环节、页面名称、PV、UV、访问用户数、平均停留时长、页面跳出次数、页面跳出率

按钮级：

数据日期

渠道名称

操作系统

日期类型：日、7日、30日、总计

4.1.3 用户留存分析

维度：

数据日期：2021-08-02

渠道名称：如“xxx”，无汇总

用户类别：汇总、新用户

数据类型：留存人数、留存率

产品级，且选中留存人数

产品级，且选中留存率

功能级：比如美团 APP，对使用 “单车” 功能的用户做留存分析。

4.1.4 用户行为标签和客群筛选

构建用户行为标签，用于筛选目标客群。

根据客户实时/离线业务状态，在满足某种行为特征时，筛选出不同的目标客群给业务人员，通过营销平台做不同方式触达。

对于产品品类少的企业，不同场景的客群，实时推送给业务人员，与营销平台联动，进行精准营销。

当然，对于产品品类较多的企业，如电商相关的场景，构建基于用户行为的实时推荐系统，是业界主流。

4.1.5 基于用户行为的断点触达

可结合实时、离线的用户行为和业务状态，对于存在行为断点的用户进行断点外呼或者其他方式触达。

5 结语

本文主要结合实际工作中的一些经历，做了简要概述，埋点采集主要是代码埋点，人工维护成本较大，后续可结合实际场景，采用业界更优的采集技术；用户行为分析也有待逐步完善，欢迎大家批评指正，感兴趣的小伙伴可以联系我，一起探讨。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。