Appearance
数据埋点与内容策略
数据埋点，虽然属于「数据产品经理」或者「策略产品经理」的工作范畴，但是强化职位之间的差异会引来不必要的争论。所以，从个人发展的层面来说，我们不应设边界。但是，从团队管理角度来说，清晰的边界职责，能够帮助团队合理分配人力资源，让专业的人做专业的事儿，更快更好的达成目标。
1. 概念解释
埋点：捕获或监听用户行为，并发送至后台
- 用户点击某个菜单
- 观看某个视频的时长
PV：Page View，页面浏览量
- 指网站或应用程序的页面被访问或加载的总次数。
- PV 是衡量网站或应用程序流量和受欢迎程度的重要指标之一。
- 用户访问 1 次网站的某个网页，则记录为 1 个 PV
- 若多次访问同一网页地址，则访问量累计
- 只认访问次数，不认人
- 通常情况下，PV 数量越高，意味着网站或应用程序的流量越大，但也要考虑到页面浏览量增加可能是由于重复访问或爬虫等因素导致的。
UV：Unique Visitor，独立访客数
是指在一定时间范围内访问网站或应用程序的唯一用户数量。
UV 的计算方法是通过识别访问者的 IP 地址、Cookie 或其他识别标识来确定用户的唯一性。
如果一个用户在给定时间段内多次访问网站或应用程序，那么他们只会被计算为一个独立访客。
UV 可以帮助企业了解实际访问网站或应用程序的用户数量，而不受重复访问的影响。
存在账号，则根据账号在当天 00:00~24:00 之间的访问情况来统计
- 1 个账号，访问 N 个页面，则为 1 个 UV，N 个 PV
- N 个不同账号，访问 1 个页面，则为 N 个 UV，N 个 PV
没有账号，则根据 IP 或设备等方式来统计
VV：Visit View，访问次数
指在一定时间段内，网站或应用程序被访问的总次数。
访问次数可以反映用户对网站或应用程序的活跃程度，以及他们的行为频率。
如果一个用户在给定时间段内多次访问网站或应用程序，那么每次访问都会增加访问次数。
与 UV 不同，访问次数没有考虑用户的唯一性，因此同一个用户的多次访问都会被计算在内。
比如，现在有如下数据信息，请问PV UV VV分别是多少？
- 上午 10 点，用户在家里的电脑浏览器打开今日头条，看了 3 条新闻
- 上午 11 点，用户在家里的平板上打开今日头条，看了 2 条新闻
- 下午 3 点，用户在家里的手机上打开今日头条，看了 4 条新闻
VV：Vedio View，视频浏览量
- 短视频平台特有的指标
PLC：Photo Left Corner，短视频平台左下角功能区
- 小程序
- 小黄车
- 特效
- 留资入口
- ...
CTR：Click-through rate，点击率
- CTR = 点击次数 ÷ 曝光次数
CVR：Conversion Rate，转化率，
- Conversion Rate（转化率）是衡量某个行动或活动实际转化为预期目标的比例。这个行动或活动可以是用户点击广告后进行购买、填写表单、订阅邮件列表等等，而转化率则表示这些行动转化为目标的百分比。
- 一个统计周期内，完成转化行为的次数占推广总点击次数的比值
- 某应用商店转化率 = 成功下载 UV 数/总 UV 数
- 某淘宝店铺转化率 = 成功下单数/总浏览人数
IP：某个 IP 地址访问网站的次数
DAU(☆)：Daily Active User，日活跃用户数，简称日活
某一天访问过网站或者打开过应用的用户数
大部分互联网产品的核心指标：
- 抖音：每天阅读的用户
- 淘宝：每天交易的用户
- 微信：每天使用的用户
WAU：Weekly Active User，周活跃用户数，简称周活
MAU：Monthly Active User，月活跃用户数，简称月活
留存率：Retention Rate
- 当前 UV 数 ÷ 上一步 UV 数
流失率：Churn Rate
- (上一步 UV 数 - 当前 UV 数)÷ 上一步 UV 数
- 客户流失率 = 取关人数 ÷ 原始总人数
- 收入流失率 = (上月 MRR - 本月 MRR) ÷ 上月 MRR
MRR：Montyly Recurring Revenue，月度持续性收入
- 常见于订阅会员服务
- MRR 是一个重要的指标，因为它可以帮助公司预测和管理未来的现金流，并评估其业务模式的稳健性
- 通过监视 MRR，公司可以了解其订阅业务的增长趋势，并采取必要的措施来提高 MRR，例如增加新客户、提高客户续订率或提高订阅计划的价格。
GMV：Gross Merchandise Volume，商品交易总额
- 商品交易总额是指在电子商务平台或在线市场上，所有商品和服务的总销售价值。
- 这个指标不仅仅包括实际销售的物品的价格，还包括所有相关的费用，比如运费和税费。
- GMV 是衡量电子商务平台或在线市场业务规模的重要指标之一。
- GMV可以帮助公司了解其平台上交易活动的整体规模和增长趋势。
- 对于在线零售商或平台，GMV 可以作为衡量其业绩和市场份额的指标。
- 通过监控 GMV，企业可以评估其销售活动的表现，并制定相应的战略来提高销售额，如增加产品种类、优化市场推广活动等。
渠道号：识别流量来源
- 在数字营销和网络分析中，渠道号通常用于追踪不同的营销渠道或推广活动，以确定哪些渠道或活动为网站或应用带来了最多的流量和转化。
- 渠道号可以是一串字母、数字或符号的组合，通常是在营销链接中附加的参数。
- 例如，在通过电子邮件发送的营销活动中，链接可能会包含一个特定的渠道号，以便在用户点击链接后识别该流量来源。其他常见的流量来源包括搜索引擎、社交媒体平台、广告网络等。
- 通过使用渠道号，企业可以跟踪不同渠道的表现，并了解哪些渠道对其业务产生了最大的影响。这可以帮助他们做出更明智的营销决策，优化资源分配，以及改进营销策略以提高转化率和ROI（投资回报率）。
PCU： Peak concurrent users，最高同时在线玩家人数
- 即最高同时在线玩家人数，是指在特定时间段内，在线游戏或在线平台上的同时在线用户数量达到的最高峰值。
- PCU 是衡量在线游戏或其他在线平台活跃度和用户规模的重要指标之一。对于在线游戏来说，PCU 可以反映游戏的流行程度和社区活跃度，是评估游戏受欢迎程度的重要指标之一。
ROI：Return on Investment 的，投资回报率
- ROI = (收益 - 成本) ÷ 成本
- 商业决策中非常重要的指标之一
曝光量：impression，展示次数
CPC：Cost Per Click 单次点击费用
CPM：Cost Per Mile 千次曝光费用
ADPV：Advertisement Page View，载有广告的 PV 流量
ADimp：Advertisement Impression，单个广告的展示次数
停留时间（Duration）
初访者（New Visitor）
回访者（Return Visitor）
Note
UV 和 IP 的区别
一开始，你登录知乎，则 UV+1，IP+1。然后，你弟弟用你的手机，退出了知乎，用自己的账号登录，则 UV+1，IP 为同一个不变。
PV & UV & VV
- PV 衡量网站流量和页面受欢迎程度的重要指标。
- UV 衡量网站或应用的独立用户数量，是了解实际访问人数的指标。
- VV 反映了用户对网站或应用的活跃程度，是了解用户行为频率的指标。
2. 数据埋点
2.1 什么是数据埋点？
所谓「埋点」，就是捕获或监听用户行为，并发送至后台。比如，用户点击某个菜单，观看某个视频的时长等等。
埋点的技术实质，是先监听软件应用运行过程中的事件，当需要关注的事件发生时进行判断和捕获，然后发送后台进行数据收集和存储。
埋点日志的统计，数据的分析，直接影响产品方向和运营决策，数据只有采集了才能做分析，分析了才能实现价值。
2.2 数据埋点的作用
通过埋点数据收集，然后进行分析，可以辅助产品经理更好的掌握用户行为，了解用户心理，从而能够更好识别出各种伪需求或无用需求，避免产品误入歧途。
好的埋点，是带着目的去埋点，埋点要有的放矢，收集关键信息。而不是把用户所有的操作都埋点记录下来，这样不仅会影响系统运行，而且会增加用户流量消耗。
比如，有一个金融贷款 APP 案例，用户的转化率较低，我们可以使用漏斗分析，观察用户的分布情况，如下图所示。
从图中我们可以发现，在绑卡过程中，转化流失率过高，因此，针对这一环节，我们可以进一步进行数据埋点，以获取用户流失的具体原因。
首先，在绑卡页面如下所示。
通过该界面，我们可以在每一步骤预制埋点，然后观察用户在哪一步骤终止了操作行为，从而对该流程进行优化操作。
2.3 埋点类型
对于数据埋点，有多种数据收集指标，我们以某电商平台为例，进行拆解分析：
显性埋点数据
- 进入商城页
- 点击查看商品品论
- 加入购物车
- 下单付款
- 退出返回
- ......
隐性埋点数据
- 设备信息：iOS、Andrioid...
- 网络环境：WiFi、蜂窝网络
- 当前所在地区
- 进入商品详情页，浏览商品的时长
- 下单付款的时间点
- ......
2.4 埋点流程规范
流程规范会分成五个步骤，即规划评审、技术开发、埋点验证、发布上线、监测评估。
规划评审(☆)
- Who：谁？设备 ID、用户 ID...
- When：什么时候？操作时间、上报时间...
- Where：在哪儿？IP 地址，GPS 地址...
- How：以什么方式？如操作系统、设备型号、网络环境、APP 版本、当前页面...
- What：做了什么事儿？搜索、点击、付款...
技术开发
- 自己公司研发在产品中注入代码统计，并搭建起相应的后台查询
- 第三方统计工具，如友盟、神策、Talkingdata、GrowingIO 等
埋点验证
- 实时的功能验证：埋点功能正常，数据能正常存储到日志中
- 离线的日志验证：日志上报正常，上报后数据统计也正确
发布上线
监测评估
2.5 短视频推荐案例
我们以抖音短视频业务为例，来分析视频的受欢迎程度。
| 视频 | 描述 |
|---|---|
 | 人民日报发布的北京故宫雪景视频，点赞高，评论、收藏和转发相对较少 |
 | 普通博主发布的打乒乓球视频，技术比较有笑点，点赞和转发高，收藏相对较少 |
 | 普通博主发布的老奶奶打台球视频，转发高，点赞和评论相对较少 |
 | 某 30w 养猪博主发布的萌猪视频，点赞、评论和转发都高 |
 | 某 9w 粉宠物博主发布的萌宠视频，点赞和转发都高 |
 | 某账号发布的如来佛祖好运视频，点赞、评论高，转发和收藏相对较少 |
首先，单纯通过用户表面的操作事件，我们只能够收集到每个视频的点赞、评论和转发行为。
我们进行简单的加法操作，得到如下表格：
| 博主 | 粉丝量 | 点赞数 | 评论数 | 收藏数 | 转发数 | 互动量 | 互动比 | 转赞比 |
|---|---|---|---|---|---|---|---|---|
| 人民日报 | 170000000 | 1050000 | 39000 | 38000 | 205000 | 171332000 | 101% | 20% |
| 乒乓球女生 | 1000 | 767000 | 126000 | 21000 | 1103000 | 2018000 | 201800% | 144% |
| 台球奶奶 | 2000 | 9210 | 4043 | 346 | 51000 | 66599 | 3330% | 554% |
| 猪老大 | 380000 | 3990000 | 2530000 | 186000 | 4410000 | 11496000 | 3025% | 111% |
| 咪吖 | 90000 | 2830000 | 194000 | 92000 | 3053000 | 6259000 | 6954% | 108% |
| 佛祖 | 2000 | 62000 | 15000 | 7358 | 1628 | 87986 | 4399% | 3% |
如果单纯比较互动量，那无疑人民日报遥遥领先，视频的「受欢迎程度」最高。根据抖音的推荐机制，越受欢迎的视频其曝光量就会越高，如此以来，就会导致长尾效应，即：粉丝量多的博主视频越来越受欢迎，新晋小粉丝博主的视频则会石沉大海。这种两极分化的情况，显然不是抖音官方希望看到的，我们应该希望各大博主能够百花齐放。
这时我们为了保证数据的有效性，就需要通过一些其他指标来真正的反应出我们视频的受欢迎程度，如互动量、互动比、转赞比等。
- 互动量 = 点赞数 + 评论数 + 收藏数 + 转发数
- 互动比 = 互动量 ÷ 粉丝量
- 转赞比 = 转发数 ÷ 点赞数
除此之外，单纯通过点赞、评论等显性行为操作，还不足以分析出视频的受欢迎程度，以及受欢迎人群。
我们还需要增加新的隐性指标，如：
- 视频完播率
- 用户观看地区
- 用户观看时间段
这一指标是无法通过用户点击等操作捕获的，而是需要后台隐性获取，这也是数据埋点存在的意义。通过更多维度的视频分析，我们就能够精准把握哪些视频受欢迎，从而将其推荐给相应的人群。
3. 提高 CTR 案例
3.1 背景介绍
某漫画 APP，有两个核心问题：
- 核心运营指标是 CTR，当 impression（曝光量）相同时，通过计算 User/Click 数值可以得到 CTR 指标，但 CTR 指标遇到瓶颈，短期内无法改进推荐系统模型，需通过其他手段提升 CTR；
- 社区内帖子主观体验较差，用户通常没有主动选择封面的意识，而且许多年轻人会用一些签名图片作为封面，在双排 feed 里体验比较差。
3.2 制定 OKR
OKR，全称 Objectives and Key Results，即目标与关键结果法。
1954 年，由管理学之父彼得·德鲁克首次提出，后由约翰·杜尔引入谷歌并在谷歌发扬光大，2014 年传入中国后，获得无数大佬站台，字节跳动、百度、知乎、美团、华为…不知道 OKR，你都不敢说你是混职场的。
目标：使用策略手段，不依赖 AI 模型和算法改进，提升社区页面的双排 feed 的点击率
O：Objectives，要实现的目标
- 改进推荐页双排信息流
- 构建适合中学生的、吸引用户深度浏览的、阅读良好的首页
KR：Key Results，关键结果
- 封面主观评估指标提升
% - 帖子人均点击条数
- 封面主观评估指标提升
参与方：
- 策略产品经理
- 大数据开发工程师
- 算法工程师
使用工具：
- AB Test 平台
- 数据埋点平台
3.3 制定 Action List
Action List，行动计划，即要实现目标所需的行为。
一般 Action List 的制定，有以下几个来源：
- 小组头脑风暴
- 过往项目经历
- 当前是数据分析得到的「假设」
该项目中，我们实际的 Action List 主要是团队假设，有以下四点：
- 假设 1：点击图片大小，影响点击率
- 假设 2：内容标题影响点击率
- 假设 3：封面影响点击率
- 假设 4：动图点击率＞静图点击率
3.4 评估 ROI
Return on Investment 的，投资回报率
- ROI = (收益 - 成本) ÷ 成本
- 商业决策中非常重要的指标之一
| 行动计划 | 收益 | 成本 | ROI | 排名 |
|---|---|---|---|---|
| 封面策略优化 | 25w | 5w | 4 | 1 |
| 标题优化 | 10w | 3w | 2.3 | 2 |
| ...... | ...... | ...... | ...... | ...... |
3.5 系统研发
3.5.1 数据埋点
通过数据埋点，收集并计算点击率等信息数据。
| 封面 | 点击量 | 曝光量 | CTR |
|---|---|---|---|
| 🌠 | 143 | 10993 | 1.3% |
| 🎆 | 263 | 1343 | 19.6% |
| 🌉 | 132 | 18003 | 0.7% |
| 🏙 | 862 | 2312 | 37.2% |
| ······ | ······ | ······ | ······ |
3.5.2 数据分析
通过计算出图片点击率的两极分化案例，策略产品经理从大量案例中寻找规律，最终得到一些主观分类规律（不依赖 AI 分类模型）：
| 高点击率封面 | 低点击率封面 |
|---|---|
 |  |
 |  |
根据这些 Case 的特征，我们假设封面和点击率有如下关系：
- 图片的色彩饱和度高，CTR 高
- 漂亮的人物造型，CTR 高
- 图片中文字相对减少，CTR 高
- 主色调为白色，缺少视觉冲击力，CTR 低
3.5.3 AB 测试
针对封面，可以进行 AB 测试，分别选出三种类型的封面，进行比较：
- 高色彩饱和度的封面
- 纯文字封面
- 白色地图封面
通过多天的实验观察，验证假设是否正确。
3.6 结果复盘
结果：假设基本符合实际情况。
策略：高色彩饱和度、漂亮人物造型的封面优先推荐
复盘：通过上述策略，目前系统有以下收获：
- 人均点击显著提升 20 个点以上，CTR 提高 5%，极大改善了社区消费行为
- 由于封面优化带来的用户浏览意愿增强，用户留存率提高
- 针对封面满意度进行内部盲测和调查，主观评估 NDCG 的盲测结果提升 20%，提高了用户浏览体验