编辑导读：事件分析是指分析埋点事件的用户触发情况以及埋点事件的分析统计情况，是数据分析中一项重要的工作。本文将从五个方面进行分析，希望对你有帮助。
一、事件分析概述
事件分析，本质上是分析埋点事件的用户触发情况以及埋点事件的分析统计情况。
比如APP启动事件的触发次数、触发人数、人均触发次数等。
ps1：说句题外话，既然是分析埋点事件，那么埋点是否准确，就直接关系到事件分析的数据是否准确。可见，重视埋点质量是多么重要的一件事情（可惜可叹，很多公司根本不重视埋点质量，悲哀呀）。
ps2：再啰嗦一下，理论上来说，通过埋点事件分析，可以几乎实现任何数据需求，甚至连用户画像、指标体系都可以通过分析埋点事件实现。
二、事件分析细述1. 分析哪些类型的事件
元事件：指埋点里面真真实实存在的埋点事件，不经过任何二次处理，比如埋了一个APP启动事件，这个APP启动事件就是元事件。
虚拟事件：基于元事件，进行算法计算得出的事件，比如我们可以创建一个虚拟事件，算法为APP启动事件的次数/APP元素点击的次数，然后分析这个虚拟事件的数据情况。
2. 分析事件的哪些指标
包括事件层面的指标和事件属性层面的指标：
1）事件层面的指标总次数：时间范围内，触发事件的次数触发人数：时间范围内，触发事件的人数人均次数：时间范围内，总次数/触发人数
2）事件属性层面的指标
对于所有类型的事件属性- 去重数：时间范围内，事件属性的去重个数。事件所有的属性，都可以分析这个指标。
对于数值型的事件属性- 总和：时间范围内，属性的取值求和。均值：时间范围内，属性取值的术平均值最大值：时间范围内，属性取值的最大值最小值：时间范围内，属性取值的最小值
3）从什么维度分析事件指标
事件分析，不仅可以分析事件的指标数据，还要支持按照某些维度，从某个维度分析事件的指标数据。这些维度包括以下两个部分：事件属性维度也即事件的公共字段和自定义字段。如果事件的属性是数值类型，则可按照数值区间进行分析，比如支付事件，有支付金额这个属性，那么我们可以按照金额区间[0,200]，[201,500]这两个区间，进行分组聚合分析。用户属性维度也即触发事件的用户属性，比如按性别进行分组聚合分析事件数据。
4）事件分析结果过滤
过滤条件可以从下面两个方面，对事件分析的结果进行过滤：事件属性：包括事件的通用属性和事件的自定义属性用户属性：也即触发事件的用户属性，比如过滤出性别是女的数据
5）举例
我们以APP启动事件作为栗子说明，假设该事件有自定义字段：启动时长。这个事件，属于元事件事件层面的指标有：总次数、触发人数、人均次数事件的启动时长这个属性的指标有：去重数、总和、均值、最大值、最小值按照维度，分析事件的指标数据，我们从下面两个方面举例：事件属性维度：比如按照启动时长的分布区间[0,2s]、(2s,4s]，分析两个区间里面APP启动的触发次数用户属性维度：比如从用户的城市这个维度出发，分别统计深圳和广州两个城市的APP启动次数
最后，可以对事件分析的结果，进行筛选过滤，比如筛选出性别女的数据。
三、事件分析总结
我们总结一下事件分析：事件分析，其实就是从不同维度分析事件的指标数据。有哪些事件：元事件和虚拟事件。有哪些指标：包括事件层面的指标：总次数、触发人数、人均次数，和事件属性层面的指标：去重数、总和、均值、最大值、最小值。有哪些属性维度：事件属性维度、用户属性维度。可以从事件属性和用户属性两个方面对数据进行筛选过滤。
四、事件分析UI界面
这里简单画一下事件分析的UI界面原型。
1. 事件设置部分
2. 结果展示部分
五、埋点事件其他应用
埋点事件，不仅可以用作事件分析，还可以应用到其他方面。比如用户画像、指标体系搭建。
用户画像：
用户画像，本质上来说，就是对用户进行打标签。而用户为什么会打上某个标签呢？最终还是落在用户行为上，而埋点事件就是用户行为的数据。所以对埋点事件进行分组聚合，其实就是打标签的过程。
举个栗子：我们对商品购买事件的金额，做区间维度分析，月购买金额在500元以下的用户打上低消费标签，月购买金额在500~800元之间的用户打上中消费标签，月购买金额在800元以上的用户打上高消费标签。这个打标签的过程，其实就是对事件进行维度聚合的过程。
指标体系：
搭建数据指标体系的搭建工作，具体方法，在这里不细说，后面我们专门进行总结。但是基本思路就是通过原子指标加上修饰词（维度），组合派生出各种派生指标的方法，穷尽所有的业务指标。
这里的原子指标，其实就是前面我们总结的那些事件层面的指标和事件属性层面的指标。而原子指标的修饰词，恰恰是埋点事件的属性和用户属性。
所以，通过穷尽埋点事件，就可以穷尽原子指标，加上事件的属性和用户属性的修饰，也就可以派生组合出任何派生指标。
本文由 @如琴留音 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于CC0协议
