数据埋点设计：90%的公司做错了这件事

数据埋点是数据分析的地基。地基没打好，上面盖多漂亮的仪表盘都是空中楼阁。

我看过超过30家公司的埋点方案，90%有同一个问题：埋点只记录了"发生了什么"，没记录"为什么发生"。

埋点的三个层次

第一层：页面级埋点（80%的公司做到这一步就停了）

记录用户访问了哪个页面、停留了多久。PV、UV、跳出率这些指标都来自页面级埋点。

问题：你知道用户进了商品详情页然后走了，但不知道他为什么不买。价格太高？缺货？图片加载不出来？页面级埋点回答不了。

第二层：事件级埋点（15%的公司做到）

记录用户的具体行为：点击了"加入购物车"、滚动到商品评价区、放大查看了商品图片。

事件级埋点能还原用户的操作路径，但还是缺上下文。用户点了"加入购物车"，但购物车里已经有什么？这个商品的价格是多少？用户之前看过同类商品吗？

第三层：上下文埋点（不到5%的公司做到）

在每个事件上附加当时的业务上下文：商品价格、库存状态、用户历史购买记录、当前促销信息。

有了上下文，你才能回答"用户为什么不买"：80%的未购买用户在详情页看到价格后3秒内离开——价格是核心阻力。60%的加购未支付发生在没有优惠券时——价格敏感型用户。

埋点设计的实操框架

1. 从业务问题倒推，不是从页面正推

错误做法：产品经理列一个页面清单，前端工程师在每个按钮上加onClick埋点。这种做法导致埋点碎片化、命名混乱、缺漏严重。

正确做法：先列出业务需要回答的核心问题，再设计能回答这些问题的事件和属性。

2. 事件命名规范

统一命名规则：object_action

• product_view
  查看商品
• cart_add
  加入购物车
• order_pay
  订单支付
• search_submit
  提交搜索

不要用click_button_1这种命名。半年后没人记得button_1是什么。

3. 属性设计的核心原则

每个事件必须有这三类属性：

• Who
  用户ID、设备ID、会员等级、新/老用户
• What
  操作对象的属性（商品ID、价格、类别、库存状态）
• When/Where
  时间戳、页面来源（从哪个页面进来的）、渠道来源（从哪个App进来的）

额外加分项：Why——操作的触发原因。用户搜索是因为首页推荐不感兴趣？还是直接主动搜索？区分"主动行为"和"被动行为"对分析至关重要。

4. 埋点验证清单

上线前逐项检查：

• [ ] 事件是否在正确时机触发（页面加载完成vs元素可见vs用户点击）
• [ ] 必填属性是否有值（空值比例超过5%说明采集逻辑有问题）
• [ ] 时间戳是否准确（客户端时间vs服务端时间，差超过5分钟要排查）
• [ ] 事件去重：用户快速双击是否触发了两次相同事件
• [ ] 跨页面事件链路是否连贯（A页面的来源属性应该等于上一页的页面ID）

常见的坑

埋点和业务代码耦合

把埋点逻辑写进业务组件里，改业务代码就影响埋点，改埋点就影响业务。

解决方案：埋点SDK独立封装，业务代码只调用track('event_name', properties)，不关心数据怎么发、发到哪。

埋点版本管理缺失

产品迭代改了页面结构，旧埋点失效，新埋点没补上。数据出现断崖式下跌，分析团队以为是业务问题，其实是埋点丢了。

解决方案：每个埋点带版本号。埋点变更时，旧版本保留7天过渡期。数据团队监控关键事件的日活波动，下跌超过10%触发告警。

过度埋点

什么都埋，结果数据量爆炸，查询慢、存储贵、有用的信号被淹没在噪音里。

原则：只埋能回答业务问题的事件。拿不准的，先不埋，等业务方提需求再补。补埋点的成本远低于存储和分析无用数据的成本。

前端埋点vs后端埋点的选择

前端埋点：能捕获用户交互（点击、滚动、停留时间），但会丢失（网络问题、广告拦截器、页面关闭时请求未发出）

后端埋点：数据可靠不丢失，但无法捕获前端交互行为

关键业务数据（支付、下单）必须后端埋点，用户行为数据（浏览、点击）用前端埋点。两者结合使用。

埋点方案的评审标准

一个好埋点方案的三个特征：

1. 一个业务问题能在5分钟内用SQL回答
   ——如果需要多表JOIN、数据清洗才能回答基础问题，说明埋点设计有问题
2. 新同事能在1小时内理解事件体系
   ——如果需要看半天文档才能查数据，说明命名和结构太复杂
3. 3个月内不需要大改
   ——如果每次产品迭代都要调整埋点方案，说明抽象层级太低，和具体页面绑定太紧

埋点不是技术问题，是业务问题。先想清楚你要回答什么问题，再设计怎么采集数据。先画靶再射箭，不是先射箭再画靶。

2021年的十五个DevOps趋势预测

了解更多

Python学习杂记

查看原文：数据埋点设计：90%的公司做错了这件事

文章来源：

Python学习杂记

扫码关注公众号