本次续上篇《初始数据埋点——方案设计》篇，搞定了埋点方案，下一步进入埋点工作的实施阶段，作为一名产品经理，要做的是要评估埋点的开发工作是否满足需求，埋点采集的数据是否达到业务的预期和数据分析目标？也就是说，我们要评估本次工作的成效，该如何进行那？
下面我们就来聊聊埋点质量评价的那些事~~~
埋点的目的什么，这是评价埋点工作效果的关键因素，达成目的就是埋点工作成功的直接反馈。埋点的核心目的是要采集用户行为数据，并对数据结果进行分析，进一步优化产品或指导产品运营工作，用数据驱动产品迭代和业务增长。so数据是用来分析的，在数据分析过程中发现的数据质量是埋点质量的直接量尺。
常见的数据质量问题
通过埋点方式进行数据采集，系统实现数据上报流程如下图所示。数据质量问题可能发生在数据上报流程的每一个环节。
埋点数据上报链路
（1）数据错误：在数据库中，经常会看到明显的数据错误，如出现：“必传而未传”、“非空而为空”、“值类型不对”、“值内容不对”等情况。
（2）数据字段缺失：采集到的数据中存在数据字段“undefined”、“null”，等情况，数据使用者在拿到数据之后，发现字段缺失，若为关键字段缺失，则数据无效，对数据分析和业务指导没有任何价值。
（3）数据重复：采集到的数据出现大量的重复，导致数据使用者看到数据犹如一团乱麻，无从下手，需要花费大量的时间进行数据结构梳理，去重等数据处理，耗时耗力。
（4）数据丢失：在查看采集到的数据集时，发现要采集的数据没有采集到，或者数据不连续性，某段时间内的数据丢失或中断，这样的数据对于依赖时间连续性的分析指标来说无疑是个悲剧，中断就是重头再来。
（5）数据缺失：基于业务需求以及数据需求分析，在需求梳理阶段未挖掘完整，存在遗漏，或埋点开发过程中代码缺失，未实现数据采集等，都会造成数据缺失，当需要数据分析时发现缺失，此时悔恨已晚。
造成数据质量问题的原因
（1）由于SDK自身或者前端开发疏忽的问题，导致相同事件重复发送，或数据字缺失、丢失等情况。
（2）设备、网络原因，或技术开发人员大意，升级改造时修改了代码或手误下线，导致事件上报不规范等也有可能造成数据丢失、缺失、出错。
（3）使用不同的数据采集平台也容易造成同一个属性值口径不一，出现数据错误，还有在数据埋点时对同一事件的定义不一致，导致收集的数据出现错误。
（4）数据采集方式不一样，同样也会带来数据丢失。
如何控制埋点质量？
埋点的质量决定着数据的质量和完备性，提升埋点质量确保采集到的数据准确、完整、可用性高，这样的埋点工作才不枉费我们的辛苦付出。
首先，要明确埋点的目标，及通过埋点要解决的核心问题，清晰的目标，以目标为导向进行埋点设计。
其次，做好埋点需求分析。需求分析要有全局意识，针对业务需求做出整体的规划，在大的整体鬼规划的前提下，结合本次项目的目标进行不同层面的需求挖掘，建立较为完整的数据分析指标体系。
再次，埋点方案设计。埋点方案设计中需要按照不同的业务场景，做好事件及属性设计，并选择合适的事件触发类型和埋点方式。方案设计是关键，在这个过程中梳理产品逻辑关系，对事件进行唯一的属性设计，同一时间属性设计口径要一致，避免出现数据错误；且事件定义要通俗易懂，做好注释，方便使用者查看使用数据。
最后，做好埋点测试验证，以及数据指标字典管理。埋点结束后，要对埋点效果进行测试，并进行数据监测和评价。测试有返回值是确定埋点事件可以触发，对数据准确性的评价，需要一定时间内的数据监测和分析进行评价，是否数据准确，数据质量是否满足业务需求。数据指标字典是数据的标准化管理资产，完备的数据字典管理制度，可有效的维护数据资源的规范性、统一性和准确性。
进步是一个过程，学习不是一个人在努力， fighting~~~
网友评论