从数据产品经理视角，聊聊事件模型

　　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。
　　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（idfaidfvandroididimeicookie）、也可以是后台生成的账户id（userid，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。
　　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。
　　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。
　　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（wifigg）、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”。
　　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：
　　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。
　　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。
　　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。
　　参数值，备注合理参数的范围，例举参数的值。
　　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。
　　新增时间（版本），新增该埋点的时间点。
　　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”：”startup”事件名称
　　parameters：｛
　　“appversion”：”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xxyy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：
　　可视化报表展示；
　　数据分析；
　　实时推荐；
　　ab测试等。