上一篇文章写了埋点以及基础技术，本篇介绍埋点时常使用的事件模型。

一、事件模型

在传统的web时代，我们经使用pv、uv来统计某个页面/某个按键的使用情况（如：umeng）。

但随着数据精细化，产品迭代&数据分析更期望深度分析用户行为（新老用户的行为差异、各渠道用户转化率、使用app时的行为路径），另一方面推荐也需要用户粒度的行为数据以实现精准化，但这些是“基于页面、按钮的计数统计”无法得到，因而事件模型由此出现。

简单来说，事件模型非常像5w2h，它通过（who、when、where、how、what）记录了谁在某个时间点、某个地方、用某种方式、做了某一件事情（某个行为）。who、when、where、how、what即是事件模型的五个要素。

1. Who：即谁参与了这个事件，唯一标识（设备/用户id），可以是 匿名的设备id（idfa\idfv\android_id\imei\cookie）、也可以是后台生成的账户id（user_id,uid）、也可以是其他【唯一标识】。现在很多公司都有自己的唯一设备id（基于某个策略产生的唯一标识），e.g.阿里有OneId。
2. When：即这个事件发生的实际时间。该时间点尽可能精确，有利于行为路径分析行为排序，像神策会精确到毫秒。
3. Where：即事件发生的地点。可以通过ip地址解析国家、省份、城市；如果期望更细致的数据，如果住宅、商业区等，需要额外地理信息数据库来做匹配。
4. How：即用户用某种方式做了这个事件，也可以理解为事件发生时的状态。这个包括的就比较多，可以是进入的渠道、跳转进来的上级页面、网络状态（wifi\4g\3g）、摄像头信息、屏幕信息（长x宽）等。而如使用的浏览器/使用的App，版本、操作系统类型、操作系统版本、进入的渠道等 经常设置为“预设字段”。
5. What：即用户做了什么，也是event模型的主题。这里应该尽可能详细的描述清楚行为，如搜索（搜索关键字、搜索类型）、观看（观看类型、观看时长/进度、观看对象（视频id））、购买（商品名称、商品类型、购买数量、购买金额、 付款方式）等等。

二、事件模型对应埋点文档

事件模型反映在埋点上报，即触发一个事件时上报对应日志，记录who、when、where、how、what。对应的统计文档，即埋点文档，在小型创业公司通常是excel来传递，有数据平台部门的公司通常会有专门的维护后台——埋点管理后台，以同步埋点的增删改查看。

上述所说的事件模型的埋点文档通常会包括：

1. 事件类型，像“停/启动”、“退出app”这种常规事件会设置为预设事件，将自动采集，而非预设事件则可以支持各种业务需求。
2. 事件名称（英文/中文），能够准确描述事件，区别与其他事件，中文名可以用户数据后台显示。
3. 事件参数（英文/中文），能够准确定义参数，区别与其他事件，不同事件的相同参数尽量保持一致，中文名可以用户数据后台显示。
4. 参数值，备注合理参数的范围，例举参数的值。
5. 类型，参数值记录的类型。由于不同类型支持数据分析后台查询方式不同，比如文本类型可以选择单个值，数值类型使用区间（大于、小于等），定义参数类型时切记考虑通用性、以及分析后台的便利性。
6. 新增时间（版本），新增该埋点的时间点。
7. 删除时间（版本），删除该埋点的时间点。

三、日志上报

刚有提到“事件模型反映在埋点上报，即触发一个事件时上报对应日志，记录who、when、where、how、what。” 相比行为打包上报（非实时数据），有效减少数据延迟/丢失比例。

非实时的日志上报sdk中，因上报策略不同，即使是同一指标，基于不同的sdk统计到的数据会有差异，常见问题：延迟上报、数据丢失。

上报策略将会影响数据展示，使业务方怀疑数据可信度，如：延迟上报的数据，再次处理后会引起数据回流（e.g.第一天上报90%的行为，相应报表则会基于这90%统计展示；第二天再次上报5%前一天的数据，相应报表则会基于95%统计展示，引起两个时间点看到的数据不一样。）

• 实时：用户行为发生后立即上报；
• 非实时：当一系列的行为都发生后，打包上报、最常见的app退出/下次启动时上报当次/上一次用户行为。

当前的事件模型上报日志示例：

{

“uid”:”1234566″                ##唯一标识

“time”:”1534065122″        ##时间

“type”:”pre”                       ##预设事件

“event”:”start_up”             ##事件名称

parameters：{

“$app_version”:”1.0″        ##预设参数

“$wifi”:”wifi”                  ##预设参数

“$ip”:”108.66.35.65″       ##预设参数

“masterid”:”12345″         ##事件参数

“masterrate”:”666″         ##事件参数

“videoid”:”987654321″    ##事件参数

“videotype”:”美食”          ##事件参数

“videotime”:”100s”      ##事件参数

“playtime”:”60s”            ##事件参数

}

}

三、事件模型的分析应用

事件模型结合其主体（用户/设备）的属性信息可以支持各种分析模型（漏斗分析模型、留存分析模型、路径分析模型、用户分群模型）。

用户属性常记录年龄、性别、职业、喜好等不易发生变化的。

（1）事件分析&用户分群模型：任一事件可以结合预设字段和用户属性来统计分析，如 18岁以下的女生在这个事件上的表现，反之也可以得到任一时间在 属性维度上的分布，如：这个事件触发用户的年龄分布、地域分布、机型分布等。

（2）漏斗分析模型&用户分群模型：分析一个多步骤过程中每一步的转化与流失情况。结合用户属性，可以分析各维度的漏斗，以找到转化低的瓶颈。例如：不同渠道的注册漏斗，是否存在某个渠道在某个转化过程中表现异常。

（3）留存分析模型&用户分群模型：进行初始行为的用户中，有多少人还会进行该行为。结合用户属性，可以细分群体优化增长、精细化运营活动。

• 新用户留存：第一次访问后继续访问的用户占比。
• xxx行为留存率：进行xxx行为的用户中，有多少人还会进行xxx行为，通常来衡量某个功能的用户粘度
• xxx行为后，做yyy行为：进行xxx行为的用户中，有多少人会进行yyy行为。eg.第一天加入购物车的用户中，在第二天付款的占比。

（4）路径分析模型&用户分群模型：则可以清晰的看到访问当前页面的所有用户中，紧接着有多少进入了详情页、有多大比例使用了xx/yy功能、有多大比例进入了分类页面。结合不同属性的用户在路径分析模型上的差异点、待优化点。

此外，基于“事件模型”采集的数据，也更好的服务于：

1. 可视化/报表展示；
2. 数据分析；
3. 实时推荐；
4. ab测试等。

本文由 @ cecil 原创发布于人人都是产品经理。未经许可，禁止转载

题图来自 Pexels，基于 CC0 协议