)本文作者叶玎玎，GrowingIO 的联合创始人，他也是连续创业者，是企业协作工具风车的联合创始人，十多年的工程开发经历和多年的项目管理经验，现在负责核心工程开发和技术实施。本文是他对于互联网创业公司数据采集和分析的一些思索和心得。
过去的 6 年，因为一直在创业的缘故，我尝试过不少分析工具，包括 Google Analytics、Mixpanel、CustomerIO、Optimizely 等等。我遇到的最大问题不是如何去衡量关键业务指标（KPI），而是很多时候，我并不知道哪些指标是我应该衡量的。
举个例子，当我去度量注册转化率的时候，因为入口有限，所以相对来说我还能比较容易的得到结果。但是一旦我需要去衡量用户留存率的时候，除了找出不同的功能对于留存的影响，还要考虑渠道、文案等因素，只能不断胡乱抓瞎假设和论证。
所以，当我 2014 年第一次向GrowingIO 创始人、前LinkedIn高级商务分析总监张溪梦请教他是如何做商业分析的时候，我发现即使是在 LinkedIn 这样大型并且不缺资源的公司，遇到的问题跟我自己创业所经历的也及其相似：低效，各种低效。
我们在思考，是否可能提供一个简单、迅速和规模化的数据产品，让分析回归价值。而这，就是 GrowingIO 目前主打的无埋点方案，真正的无埋点。
上图是一个标准的数据分析的过程。研究用户，开发产品市场销售，数据采集、转化存储和管理，ETL 处理分析，构建 BI，商业洞察和决策，最后是行动。
这是一个标准的金字塔结构，越往上价值力越高。然而目前大量的数据分析工作，都浪费在前期的技术搭建和数据清洗上，真正创造价值的商业分析，虽然占据了 90% 的价值，却只剩下 10% 的时间来做，这简直是对资源和人才的极大浪费。
前不久，知乎上在热议我们的无埋点分析解决方案，从讨论中可以看出，很多人对于无埋点的认识是片面的，他们认为无埋点只是解决了工程师和产品经理或者分析师的协作问题，让工程师可以解脱，分析师可以自助。
然而，当我们从第一天开始决定变不可能为可能，做无埋点的时候，我们就清楚知道，无埋点只是一个手段，我们真正要解决的根本问题是：底层的数据"源"问题。而此源，既是数据的源头，也是分析的源泉。
当我们在说无埋点的时候，我们其实是在解决数据质量问题。好几次跟朋友聊天时，都听到抱怨说『数据太脏了，连统一的日志格式都打不对，后面分析怎么做』。所以我们的首要目标，是希望能从源头上解决数据脏乱差的问题。
我们所提供的无埋点采集方案，从分析角度出发，把数据划分成 5 个维度 WWWWH，即时间（when）、地点（where）、任务（who）、内容（what）、行为（how）。基于此统一的数据模式，分析已经有了极高质量的数据做保障。
当我们在说无埋点的时候，我们其实是在解决数据历史问题。无数次的想去做数据对比的时候，发现要不是老的数据忘了采集，要不是采集了却发现跟一开始定义的不一样，只能无奈地放弃或者从头再来一遍，悲催啊！
我们所提供的无埋点采集方案，会根据用户在你网页或者 App 的使用情况，动态筛选和聚合对你的业务最有价值的数据，让关键数据历史随时随地可以回溯，让你清楚地知道指标的即时变化趋势。
当我们在说无埋点的时候，我们其实是在解决分析效率问题。LinkedIn 组建了一个 27 人的团队，只为做一件事情，在工程师、产品经理和分析师之间规范打点标准。随便一个分析需求，这个团队需要花上几个星期去定义规范，最后才是开发、测试、上线，非常长的流程。LinkedIn 的做法或许是有点夸张的，但是却很好地反映了大多数分析的现状，即跨部门多人沟通，效率低下。
我们提供的无埋点分析方案，同时提供了可视化的数据定义工具，能非常迅速地把用户查询的业务指标跟采集到的用户行为建立匹配，立刻给出分析结果。
当我们在说无埋点的时候，我们其实是在解决分析决策问题。
我们提供的无埋点数据分析方案，涵盖了上图提到的金字塔结构里的从数据采集到商业智能这些阶段。客户不再需要关心数据是如何积累的，只需要关心业务目标，直接在我们系统里做深度分析。在其之上，无论是商业洞察、决策或是行动，都是有理可依，有据可查。
到今天为止，我们已经开发出来了 JS／Android／iOS SDK，都提供了无埋点方案。如果你有兴趣，可以来 https://www.growingio.com 注册体验一下。在几次线下活动中，也跟不少人交流了我们的无埋点方案，普通有一点疑问：
埋点方案是否足够，是否真正需要无埋点技术？
无论是 Mixpanel、百度统计还是友盟等数据产品，都是基于埋点技术。习惯上，大家都认为数据采集和分析就是得要埋点，并且离不开埋点。所以，我们看到一些缺乏思考的观点，认为"埋点足够了，你应该对于自己的业务有清晰的认识，把这些关键指标给埋上就可以了"。
说实话，没做 GrowingIO 前我也是这么想的，一边骂一边还是得接着到处埋点，因为埋点是一个虽痛苦但很容易的事情，人们永远会倾向于做容易但低效的事情，而选择性的忽略艰难但高效的事情。
但当我研究越多，越发现这种想法是在给自己的不作为找借口，是给自己营造一种一切尽在掌握的感觉。但事实上，我们始终不停的在寻找那些最影响商业行为的关健指标，这类探索式分析，如同于迷雾中寻找前方的道路，不能随意地拍脑袋，也不能任性地走经验主义。
我们想创造的无埋点，是让机器代替人，抛离任何情感和假设，去采集所有有用的行为。而之后，验证就变得简单，因为数据质量不再是问题，数据历史也不再是问题。
当我们的产品经理，有产品优化、提取数据需求的时候，要耗费时间和精力，去跟工程或研发沟通埋点需求，写无数个产品文档，仍然无法避免因为思虑不周、沟通不畅存在的错埋、漏埋等情况，并造成数据不全面和不准确等一系列问题。
因为无埋点的数据解决方案，我们可以实时、全量收集用户行为数据，所有上述这些问题都不再是问题，产品经理可以想要什么数据就有什么数据，优化产品、找到用户流失关键点等一切都有数可依，有指标可以衡量。
阅读更多，无埋点的一些实践：
今日关键词：无埋点 、数据分析、GrowingIO
即日起在??下面留言任意一个关键词，
每天第一个留言的同学，
将获得 GrowingIO 订制笔记本一本。
我来说两句排行榜