导读 用户行为数据管理和对应的行为数据分析的关系十分紧密，如何在产品层面上应用好，前置条件是埋点数据需要做到标准化管理、标准化应用，这是很多行业内公司及团队都会碰到的课题。本文将和大家一起分享B站在埋点标准化方面的实践经验。
全文目录：
分享嘉宾｜李奎 哔哩哔哩 资深数据产品经理
编辑整理｜lumiuu 西山居
出品社区｜DataFun
01
埋点标准化背景
先举一个实际的例子，比如用户在某一时刻点击了某个APP里面某个页面上的推荐按钮，这一信息将被记录下来，会以一条日志的方式去做上报，存储到服务器当中，这样的日志信息可以定义为一个埋点。埋点的结构可以抽象为who、when、where、what、how这五个关键词，记录用户在APP、网页或小程序里面一系列的行为。实际上不管是用户在客户端的行为，还是在接口日志的变更记录，都是埋点的一种类型，这就是常见的客户端埋点以及服务端埋点。日常工作中，非常常见的一类数据是，统计APP的日活、每一天的新增用户、新增用户路径流转等，这些数据是偏分析用的。另一类是推荐算法的调优等。这些都是常见的埋点的应用场景，需要应用到埋点处理后的数据。如上图中可以看到，用户点击推荐按钮，就会有JSON格式的日志上报，这份日志整体可以划分为两个部分，是典型的上报埋点日志格式，包括用于定位用户ID、操作的时间戳、操作的类型，以及业务所需要的一些参数，比如点进去的位置，这个页面的名称等等。埋点的应用过程会有一个比较长的链路。这里以B站的埋点应用链路为例，做一个简单的拆解。图中从左到右是埋点数据从生产到消费使用的整个过程，底层的埋点测试与埋点元数据管理是做数据应用支撑管理的一部分。从生产环节来看，业内都会将埋点采集抽象为可复用的埋点数据模型并集成到SDK内，避免每次业务开发都要重新定义采集的格式规范。这个SDK通常会划分为iOS、安卓、Web、服务端等等，还有以backload的方式批量导入的离线数据，这是数据的生产侧。在数据流转侧，通过抽取转换加载（ETL）的方式进入到传输流，这里有两条链路，一部分业务需要消费数据实时流，另一部分业务是消费离线数据。实时流的消费可能会用于算法推荐，或者实时的数据分析，实时的监控看板。离线的数据，就是关于数仓的ODS到DWD，再到ADS的这个部分。在离线存储的部分，数据的存储会采用不同的介质，比如常见的HDFS、Parquet等等。查询引擎包含了ClickHouse、Presto、Hive等行业内主流引擎，B站也提供了一个可视化的Web，给产品经理、分析师、运营等同学去操作分析。B站的同学通过点选的操作去查看埋点常见的PV、UV数据，前端把操作拼接的参数传给查询引擎，作为查询SQL的拼写。业内关于查询引擎的采纳，根据每个公司的数据量会有多种不同的方案。常见的情况是：如果数据量比较小，那就直接用Hive查询，如果数据量多一些，那可能会用Presto。目前对于B站的日增千亿的数据量级，采用的是ClickHouse作为查询引擎。为支撑整个数据链路，还会采用埋点测试去保障埋点数据质量。再往下是埋点元数据管理，这也是本次分享的重点内容。在业务服务、业务支持过程中，面对非常多的业务痛点，主要可以归纳为两大方面：生产设计和消费使用。首先，最常见的问题就是属性命名，不同的业务和开发团队有着不同的命名偏好，有的人喜欢驼峰命名，有的人喜欢用下划线做分割，有的人喜欢用中划线去做分割，这会导致埋点非常混乱，需要统一命名的规范。第二个问题是在埋点上报的时候，有记录业务属性的参数，在业务实际的管理过程中，可能会出现参数枚举的映射值找不到了，比如原本是小写的abc，另一个业务用的是大写ABC，业务值的映射方向混乱会导致埋点管理的混乱。第三个问题是在埋点生产的过程中，会涉及到数据产品、开发人员、测试人员以及线上的应用方，参与方越多，各方的埋点信息越可能对不齐。最后一个问题是，用Excel或文档来管理埋点，数据量少的时候是可以操作的，但是数据量多、交接的人员多的情况下，信息失真就会比较严重。第一个问题是，运营常常会向产品发起拷问，页面上对应的埋点是哪个ID？在数据里面找不到。第二个问题，查询埋点数据的时候，应该查询哪一张表，过滤哪一个埋点的参数，私有参数是什么。第三个问题，数仓治理时，存储的压力非常大，并非所有的业务埋点都是一定会使用的。其中有一部分比如曝光的埋点，它的性价比会比较低，那么可以考虑做分级的存储。第四个问题是关于权限，运营需要查询某一个埋点的数据，是否要全部开放还是只开放一部分，需要精细化管理。02
标准化实践策略
针对上述问题，B站提出了从埋点生产到消费下线全生命周期的管理。其重点就是在埋点元数据管理这一环节。目前，B站线上有1万+的客户端埋点在应用中，整个埋点的元数据量非常大。另外，各类网页Web端有10万+埋点。日增量数据上报，达到了千亿级别，一周就会达到万亿级别，数据量非常庞大。- 第一个阶段是按业务需求定制化管理，比如采集播放详情页的浏览，一个埋点设计一个字段，存成一张Hive表或日志表。这种做法很明显的弊端就是管理会非常混乱，数据只能一次性使用，没有办法做一个收敛。
- 第二个阶段，在意识到埋点应该做抽象化跟模型的设计后，就开始引用事件模型，但引入了事件模型以后，没有做产品化工具化的支持，还是由业务去做管理。
- 第三个阶段，在事件模型的基础上，抽象出了b站业务埋点的特征。统一定义了公共字段，不管这个业务私有的属性要不要上报，公共字段要求统一上报。在SDK里面减小业务重复开发成本，再加上业务自定制事件，已经具备了抽象的雏形。
- 从19年开始，进入到一个新的阶段，开始逐步规范SPMID的埋点模型，加上沉淀出来的产品化管理，辅助以工具跟模型产品，去进行规范的定义。
在埋点标准化设计的过程当中，有4个重要的部分：埋点命名规范，埋点属性管理，工具化支持，以及流程与规范。首先来看一下埋点的命名，很多业务会各自命名埋点的eventID，需要一个低门槛的工具管理埋点的eventID，不需要思考怎么样命名，也不要去做随机的编码，而是要有一个高业务可读性的ID信息。另外，几个版本需要有可延续性，不要过几个版本就混乱了。要求可交接或者可读性，在版本之间的迁移度是较高的。最后，还需要有一个工具保证不同维护人之间可以顺畅交接。B站在标准化实践中引入了spmid（super-model）模型。在埋点的eventID中包含业务的实际信息，将各业务含义抽象在埋点ID当中，然后将这个ID进行维表化的管理。整体分成五个部分，包括业务ID、页面ID、模块、位置和埋点类型。通过规范的命名可以提升整个业务的可读性，在做埋点数据治理时，可以合理的定位问题，降低埋点的成本。相同的命名，不同的埋点类型可以做到复用。上图中展示了一个实际的例子，在埋点的首页，推荐按钮应该如何命名？这个埋点可以命名为bili.homepage.top-tabbar.0.click，这样一个命名中包含了很多业务使用的含义。拆解来看，这个埋点实际上包含四个业务粒度及埋点类型的元信息。业务的粒度从粗到细，覆盖了business_id、page_id、model_id、position_id。对于使用者来说，拿到这个eventID以后能快速地定位到这个埋点所处的页面模块、位置模块，以及在哪一个页面homepage，所属的业务线是哪一条，能够精确地定位它所处的业务线对应的信息。这个业务埋点ID，对于做一个定位或者类型的划分，能够做到业务的可读性非常高，分摊业务埋点的成本，并且复用性非常高。点击的埋点命名为click，那同样一个模块，曝光的埋点，命名为show就可以了。在做埋点的时候，上报的时候会划分为客户端SDK上报以及服务端上报。客户端通过埋点的类型划分，包括启动、浏览、曝光、点击、播放、系统以及其它事件。服务端包括这个API的请求记录，以及业务端业务表的日志变更信息。在埋点上报的时候，有一个很重要的部分是记录埋点的属性参数。埋点属性在业务含义当中是对用户有一些定制采集的信息。会做三个层级的划分：首先是全局公共字段，包括埋点事件ID、APP信息、触发的时间戳、触发时间的网络、运营商、操作系统的版本等等。第二个是针对不同的埋点类型，包括页面浏览PV、播放，或者业务特色的业务内容埋点，抽象出这个类型通用字段去做一个具体的预填充。这两个部分都是预设在SDK当中，业务开发无需二次处理。第三个部分就是业务定制化的私有参数，比如做海报轮播的时候，需要这个海报轮播的bannerID，或者这个海报对应跳转up主的mid等参数，就是业务它自定义去使用的参数信息。在业内有另外两种主流的方案，一种是采集参数，平铺预留10-20个param的私有参数，另外一种就是只区分公共属性跟私有字段的属性。这两类方案的问题是扩展性会有一些欠缺，虽然在早期的时候可以快速地去辅助业务的数据采集，但是后期的治理成本比较高。经过长期的实践发现，采用公共字段+类型通用字段+私有字段这种方式，是一个比较通用，而且扩展性比较强的埋点属性规范方式，保证了灵活性和扩展性。关于埋点属性规范，在数仓中，比如一张Hive表，会有表字段级别的数据标准。在埋点数据当中，把埋点抽象为业务表，埋点的属性实际上映射为表当中的字段，所以引申出来，它也有属性标准。一个管理的规范会划分为三大类，一类是基础的描述信息，第二类是属性的质量，第三类辅助去做属性管理所使用的信息。第一类基础属性，常见的有命名规范是否符合下划线连接、点号连接，中划线连接。数据的类型，到底是字符串还是数值，还是枚举类型。第二个部分是它的数据质量，包括埋点是否为空值、枚举值，默认值应该填充为Null，还是一个中划线，这些是后面做埋点测试的时候使用，测试规则都是基于这部分埋点的属性标准。第三类是元数据集管理，包括埋点的版本，属性的优先级、安全等级等等。以B站为例，安全等级会划分为S级、A级、B级、C级、D级几个不同的等级，其中S级是最重要的一个安全等级。我们希望应用工具去做SPMID的模型支持，而避免让业务同学人工选择。B站内部沉淀了一款叫做北极星的埋点管理工具。上图中可以看到，这是一个埋点事件创建模块，将埋点的业务、页面、模块、位置、类型都抽象为了维表化的选择。创建埋点的运营和产品只需要去做下拉点击的筛选，而不需要去从头去做一个埋点设计。如果有历史的埋点，做一个快速地复制，修改一些参数信息即可。第一部分是埋点的命名。第二部分是去做埋点属性的标准化，包括属性ID、属性显示名，属性的枚举类型等等。第三个部分是业务比较关注的上报时机，埋点是否需要做抽样上报，以及配置远程是否停止采集。上述的几个部分都做了维表化抽象，每个环节、每个模块都有一个对应的管理列表，结构化存储在业务表中，方便下游的使用。以图中模块列表为例，对应的埋点模块已经做了一个标准化的命名，它的英文ID跟中文含义相互映射。在使用过程当中，只需要做一个查询，就可以知道对应模块是使用在哪一款产品，以及哪一个业务线当中的，做到了层层递进，维表化的复用。B站把整个埋点流程及规范，划分为了六个环节以及四个重要的参与方。四个重要的参与方分别如下，业务同学提出了需求以后，给到数据产品同学，数据产品把业务需求抽象为埋点需求文档，称为DRD，然后跟开发进行可行性方案的评审，根据优先级、成本去进行评估，最后落地为开发排期进行需求上线，需求开发完成通过测试，再给到数据同学进行分析。六个环节除了包含上述四个参与方的环节，还包含数据采集和验证。开发根据这个需求文档进行埋点开发，对服务端或者客户端的行为去做接口日志的采集存储，最后交由数据产品或者测试同学进行埋点测试。测试会借助到埋点管理工具当中的一个测试模块。最后测试完成，进行上线使用。上线的场景包括指标分析、算法推荐，输出数仓的中间表、数仓ADS层的应用，以及数据看板等等。3.基于埋点标准化元数据的提效应用
B站在关于数据标准化的实践上，还提出了应用提效，存储、规范的埋点元数据，这并不是为了管理规范而规范，而是有实际应用场景，发挥埋点的价值。可归纳为三个应用场景，第一个是数据报得更准确，第二个是存储成本变得更低，第三个是查询变得更方便。为了让上报变得更准确，有一个很重要的工具，埋点测试的时候能够快速精准、半自动甚至是全自动能够发现业务上报的问题点在什么地方。在埋点设计的时候，根据业务的需求抽象为DRD，这部分会录入到结构化的埋点管理工具当中，埋点管理工具去生成测试校验或者DQC校验的一些规则，比如枚举空值、默认值以及值范围等等。同时在埋点进行抽样，配置元数据信息下发到客户端SDK。通过这个环节，测试机可以在测试后台进行扫码，通过SDK上报埋点参数，服务端进行埋点的接收，对埋点日志进行解析，包括实时的Kafka或者JSON格式的数据，解析到测试链路当中。测试链路分成两个部分，一个是汇总展示的日志报告，另外一个就是明细测试数据的解析，在测试机上触发哪些埋点的规则，命中了模块中哪些校验规则，哪些是达标的，哪些不达标？不达标的原因是什么？通过整个从生产到测试传输链路流程的支持，提升埋点上报校验的质量和效率。从实际效果来看，可以通过手机客户端的APP扫码连接埋点测试模块，测试模块能够实时地接收到上报端使用到的埋点数据，并且能够映射到之前在源数据中已经录入的中文名、埋点的属性、DQC等规则，进行实时的校验判断，汇总并生成可视化的测试报告。基于埋点标准化的元数据，B站能够做到近实时的效果检验，覆盖了APP、web端以及服务端的埋点测试。如果测试环境中的埋点数据出现缺失，通过这个链路能够迅速回填到埋点管理的环节当中，做到埋点数据标准、快速的回补。从而保证上报得更准确，而且让测试工作变得更简单、更直观。数据存储的压力，实际上在埋点部分会更突出、更严重。如果埋点的数据不做存储的降本增效，那么成本是非常高的，因为有很多的业务会出现这种情况，不管有没有用，先上报上来，这意味着埋点数据有泛滥的倾向。所以我们在埋点源数据下游的管理方向上，按照业务进行分库分表，这样存储管理就变得更容易，中间表按照业务类型进行划分，按照业务的businessID，也就是埋点的首位ID，做业务的分表，在数仓DWD层或者DWS层，按照这个分层是一个很好的依据。除了业务的分区分表，同时也可以降低存储周期。有了eventID的元数据，将埋点的等级划分为S级、A级、B级、C级，不同的等级对应到不同存储的周期，不同的存储粒度。同时针对不同的埋点类型，不管是点击曝光页面浏览，针对性地去做埋点的抽样上报。对于曝光类的埋点，很多时候业务价值是比较低的，重点只是想看一下模块曝光PV跟UV。但是对于点击类的埋点，它的业务价值会高一些，会详细地区分用户主动触发的这一类埋点，比如点击、启动。不同埋点类型，对应不同的性价比，根据不同的性价比可以做埋点的抽样，比如抽10%、20%或1%，或者埋点已经下线了，远程进行下线开关的配置。在做埋点分析的时候，希望尽量去代码化，以工具和前端交互UI页面提供给分析师和产品经理，这样的方式会更友好、更直观。已经准备好了埋点的元数据，提供一个前端查询的页面，通过获取用户前端的操作，跟埋点管理的元数据模块相互结合，以及DB层面上存储好的埋点的元数据，发起查询的SQL，返回查询结果的结果集，进行一个可视化的BI展示，支持折线图、柱状图的等多种可视化图形。在这一过程中可以看到，查询的SQL或者查询的字段，会依赖前置的分区去做查询的加速，并降低成本，提升整体的效率。B站内部已有服务于业务团队的产品，图中上方是做埋点分析的模块，通过读取埋点的元数据，做可视化展示，包括前置已经抽象出来的埋点私有属性，这里能够做两个部分的分析，一个是去做快速筛选过滤，另一个是做分组展示。这里实现的分析的提效，都是依赖埋点数据标准化的存储和管理。关于未来的展望，最近B站在做的探索是基于已经标准化的埋点元数据做自动化分流。业内经常所做的数据架构链路是分成两个部分，一个是消费数据的实时流，经常使用的是Kafka；另外一个是消费离线的Hive表，去做ODS、DWD、DWS数仓分层的建设。如果已经接入了埋点的元数据，是否可以做流批一体的统一化管理，或者统一化的消费使用，做到一次的分流配置，它的实时跟离线均能够生效，而且两边的口径是对齐的。对于下一步业务的分流使用，可以预设业务的中间表，有业务想要定制消费某几个埋点，或者是某一些业务数据，通过埋点ID的划分去做一个中间表，或者叫视图级别的消费，减少下游读取全表的查询成本。最后通过流批一体的链路做到线上实时高优消费埋点数据流，用于业务端的推荐算法等等。以上就是本次分享的内容。欢迎大家关注B站的技术公众号，进行更多的交流。Q&A
Q1：关于埋点的标准化管理，上线以后如何保障新旧数据兼容？
A1：假设在web端的埋点，有一套埋点管理的标准，在APP的埋点也有好几套不同的埋点标准，在上报的埋点中，公共参数、私有参数埋点的命名规范不太一样。有两种处理的方案，第一种是在离线的数仓层面，做一个中间层的整合，通过离线数仓backload的方式，把历史重要的埋点写入到埋点数仓当中，增加埋点的eventID字段，做一个埋点兼容的处理。第二个方案是比如业务的埋点命名，相对还可以再抢救一下，它的埋点虽然有不规范，但是不规范程度并不是那么严重，还可以修改。对于增量的这一类需求，面向业务宣讲，命名应该按照SPMID的模块标准化进行，历史可以用批量导入的方式做兼容。总体来讲，就是按照存量跟增量以及业务不规范的严重程度，做两类划分处理。Q2：B站埋点标准化的实践，会展开ToB的产品化服务吗？是否会做一个ToB的商业化？
A2：目前B站还是在内部去做ToB的服务，短期暂时内应该不会对外部做SaaS服务，但是可以和大家做一个交流。Q3：如何理解曝光数据的抽样上报？如果是曝光抽样点击全量上报的话，点击率计算是否有问题？
A3：元数据记录这个抽样比例，下发给客户端SDK。比如抽样10%，一共触发有10条数据，那SDK会上报1条。分析的时候要做一次转化，比如PV上报的是1万条，那实际上抽样10%，那实际的PV那应该是1万/抽样率10%，也就是PV是乘以10倍，按这样的方式进行转换计算。Q4：埋点需求如何满足上线的时效性？如何做到跟业务的需求同步上线？
A4：其实就是文章中提到的协同环节过程，如何协同各方在合适的时间节点做埋点的上报，或者规范统一。比如运营提的需求已经提前先上线了，但是埋点需求还没有补，实际上是流程中不太规范。在B站这边，实际在进行业务方案评审的时候，业务的需求文档一定会包含埋点需求文档，业务评审是包含数据采集的。业务模块上线，那埋点采集也就同步上线了，同时录入管理是一个通过流程协作规范的方式，评审环节就已经解决掉这些问题了。还有一个同步上线的问题，可能存在历史的模块，它的埋点没有采集，需要统一提某个版本的需求，做一个集中补充采集。Q5：SPMID的规范设计工作会不会很繁琐？
A5：如果纯人工的方式去做埋点，SPMID的设计确实是非常繁琐的，但是B站上线了这些功能：快速复制、一键复制、一键导入，用户在做埋点设计的时候，是不需要从头进行设计的。点击复制，然后修改对应的模块参数就可以了。SDK目前能够下发到对应的埋点参数信息，部分公共参数是全部做到自动化采集。网页端可以做到自动上报，APP端还需要做相互的check。今天的分享就到这里，谢谢大家。
分享嘉宾
INTRODUCTION
李奎
哔哩哔哩
资深数据产品经理
就职于哔哩哔哩数据平台部门，目前主要流量数据分析产品、用户标签、AB 实验产品工作。