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，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。

　　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：

　　小何是公司的产品经理，小张是技术，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，后，选择了优加，并且已经明确了当前阶段的数据需求…

　　小何：「小张忙吗，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。」

　　小张：「小何，你真棒，一会儿我就给你埋好了呢！」

　　小何：「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」

　　小张：「这简单。那今晚…」

　　看着小何转身要离开了，小张欲言又止，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后一步，当然，也可能是步。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。

　　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。

　　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！

　　数据分析思维的重要性其实是不言而喻的，有些公司有很多数据，但这些数据能干嘛，不知道。

　　有些公司没有数据，因为他们不知道数据能干嘛，也不知道怎么去采集。

　　韩重明拿电商举例子其实是很聪明的，我认为可能这也是一种本能，因为电商和游戏，这两个领域，对于数据的采集、分析、应用，都有很长时间的探索和积累。

　　但对于大多数其他领域的公司来说，有时候，碰到数据问题，是一脸懵的。

　　所以，在未来的互联网，对数据的了解越多、运用越熟练的人，就会越发的有价值。

　　从这个点上说，人人都需要掌握一些数据分析的思维，这样，你看到的世界会有很大的不同。