透過埋點，讓數據說話-淺談埋點基本知識
要分析Web/App上的用戶行為，埋點是不可避免的過程，正確埋點的重要性，基本上所有的PM或者數據人員都需要了解。
然而在工作過程中，我發現許多產品經理、營運人員對埋點的認知不太充足(甚至跟業務數據混淆在一起)，趁著工作空擋，把基本知識梳理了一下。
因為埋點本身從技術實現並不困難，但是整個埋點過程可以說複雜又繁瑣，有很多細節、流程要考慮。例如Web/H5/App數據如何統一？信息是要在前端還後端採集？這麼多點位如何管理？如何降低數據丟包？
身為埋點數據“使用方”的角色，希望最大程度的讓本篇文章的描述語言易懂。技術部分，參考了許多網上的文章，也諮詢了身邊前端開發朋友，以保證觀念正確。如果有疏忽之處，還請大家糾正。
邀請你至Blog閱讀全文：透過埋點，讓數據說話：埋點基本知識
如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
什麼是埋點
大數據應用一般會有採集、加工、存儲、計算及可視化這幾個環節。其中採集做為源頭，在確保全面、準確、及時的前提下，最終加工出來的指標才是有價值的。埋點（學名叫事件追蹤，英文名event tracking)，即是一種重要的數據採集手段。
每一個需要監測的用戶與頁面交互的行為，都被稱為一個監測點。為了讓這些監測點上的行為數據被我們收集到，我們必須在這些監測點上部署代碼，這樣的程序代碼，在網站上叫監測代碼，在app中叫SDK（Software Development Kit）。
無論要監測網站，還是要監測app，都必須加上這類代碼，不加代碼就收集不到數據。手工一個一個添加代碼的過程，被形象化的稱為埋點。
從技術上說，就是在APP或者web產品中植入一段代碼，監控用戶行為事件（例如某個頁面的曝光）。用戶一旦觸發了該事件，就會上傳埋點代碼中定義的、需要上傳的有關該事件的信息。
從業務價值來理解，埋點是產品經理、數據分析師，基於業務需求或產品需求對用戶在應用內產生行為的每一個事件對應的頁面和位置做監測，以便相關人員追踪用戶行為，推動產品優化或指導運營的一項工程。應用方向包含：
- 了解用戶行為，比如用戶的使用習慣，用戶的決策路徑、注意力分佈
- 掌握產品動向，比如產品用戶量，產品所處的生命週期，目前的數據表現
- 支持產品決策，比如新功能的上線，舊功能的迭代優化
邀請你至Blog閱讀全文：透過埋點，讓數據說話：埋點基本知識
如果你喜歡我的文章，也邀請你訂閱『Rock Data』電子報，支持我持續創作
1. Hello All：主站遷移至👉https://andyrockdata.com/ ，請改至『ROCK DATA』Blog 閱讀新文章完整內容，如果喜歡我的文章，可以訂閱我的電子報(Medium站仍將張貼新文章訊息)2.立即追蹤👉ROCK DATA臉書粉絲頁跟ROCK DATA IG(@andyrockdata)3.【入門數據分析，掌握HiveSQL取數能力】在hahow上架啦，購買連結👉 http://hahow.in/cr/andyrockhive4. 半佛系鼓掌：原來只要滑鼠一直按著不放就可以一直鼓掌了。那請你按久一點：）有任何想法或感興趣的地方歡迎留言/討論，或者私訊我！5. 往期的數據相關文章可以參考以下link
- 數據分析系列1：談談數據分析的眾多Title
- 數據分析系列2：數據分析的一週工作日程
- 數據分析系列3：身為資料分析師，你該如何展現工作中的價值？
- 數據分析系列4：如何量化職場規劃？我這次的轉職規劃與Offer選擇
- 數據分析系列5：為什麼要關心資料來源？談談埋點數據的陷阱
- 數據分析系列6：精選幾個機器學習的學習資源
- 數據分析系列7：數位化決策轉型與企業文化的一些思考
- 數據分析系列8：中山大學經濟所職涯座談(ㄧ)：”了解自己”的重要＆我怎麼成為數據分析師
- 數據分析系列9：中山大學經濟所職涯座談(二)：想從事資料分析？你需要具備這8個能力
- 數據分析系列10：中山大學經濟所職涯座談(三) ：讓資料變商機 — 資料分析在我們生活中的應用
- 數據分析系列11：面試時，資料分析師該怎麼準備作品集？
- 數據分析系列12：2018年終工作總結(數據分析師)
- 數據分析系列13：數據化運營中玩過的分析項目：一個數據分析師的經驗總結
- 數據分析系列14：如何提升運營/產品的優化效率？或許數據指標體系的搭建可以幫到忙
- 數據分析系列15：用戶畫像很重要，那你知道是怎麼畫出來的嗎？
- 數據分析系列16：給剛入行的數據分析師：想產生價值，在試用期要做的三件事
- 數據分析系列17：2019 數據分析工作總結_關鍵詞：數倉構建、BI可視化看板、用戶畫像(標籤)與精準行銷
- 數據分析系列18：入門數據分析的第一個大門檻：SQL/Hive取數-聊聊自身學習SQL的經歷以及三個自學網站分享
- 數據分析系列19：身為數據分析師，我怎麼看hahow上”R語言和商業分析”這門課
- 數據分析系列20：直接用SQL來分析數據？怎麼沒用python/R？3個面向來考量分析工具的選擇
- 數據分析系列21：數據分析的”橫向”學習之路-珍藏的網上文章重新整理放上github
- 數據分析系列22：透過埋點，讓數據說話：埋點基本知識
- 數據分析系列23：以數據為核心的CRM進化產品：帶你了解CDP(客戶數據平台)開發過程與難點
- 數據分析系列24：SQL不難啊，為什麼不容易精通？自學與實務的4個落差
- 數據分析系列25：數據分析基本-相關分析與可視化(R語言)
- 數據分析系列26：刷完了Leetcode SQL Hard Level的28道題：歡迎領取參考答案
- 數據分析系列27：數據太髒了！3個步驟做好數據質量管理
- 數據分析系列28：跨部門溝通成本太高？數據人實現高效跨部門溝通的4個方式
- 數據分析系列29：數據分析師職場發展的另類出路
- 數據分析系列30：Databrick為何收購BI產品Redash？產品視角來看Redash的功能與價值
- 數據分析系列31：數據分析師要失業了？解讀<2022 Gartner BI魔力象限> BI產品趨勢
- 數據分析系列32：Google Data Catalog如何幫忙管理數據？ 產品介紹與體驗心得
- 數據分析系列33：復盤：數據產品從0到1的建設過程，我的9點感觸
- 數據分析系列34：Shopline-數據分析中心(Shoplytics)產品體驗
- 數據分析系列35：搞數據還是做產品？淺談『數據產品經理』
