 Hi，各位看官老爷，我们又见面了，在这里祝各位新年快乐(*^▽^*)? ，首先在前三篇文章中我们已经将数据从定义>部署>收集>汇总四个步骤已经做了详尽的讨论，本篇将继续基于前三篇的基础之上，以实例讨论数据可视化的价值。
通过观察我们可以得出首页的功能点：
根据已知的功能点，从点击事件总表和曝光事件总表摘取查询数据所需的埋点，整理汇总成新表，如图所示：  然后我们将埋点一一的输入数据后台，根据需求选择数据周期（本例中使用的时间周期为月度），例如向后台输入的是功能“扫一扫”的事件ID：c_app_bank_Qrcode，得出如图所示结果：  根据数据周期内的数据波动情况找出事件PV的平均数，本例中使用均值当成平均数，即57800. 得出的结果根据事件与产品的对应关系，标注在原型图上，并计算当前入口功能的流量占整个首页流量的百分比，便于后面整体分析。其他功能点以此类推，最终整理得出如下所示可视化流量地图。  注释：图中PV数据以及占比仅做展示，并非真实数据以及百分比。 依次逻辑，可根据实际的需求选择性的做几个重要频道的流量地图，或者根据需求针对全站进行全站自上而下涉及所有页面的流量地图，以做后期分析的基础参考。 当完成流量地图后，良好的目录存档习惯，可帮助后期工作中复盘时更加高效的查找文件。本汪在之前的工作中就因为没有形成良好的存档规范，觉得分类建文档很浪费时间，考虑逻辑的分层结构等等，吃过亏，随着时间的推移，工作中的各种文件越来越多，每次查找历史文件时都会浪费少则半个小时多则半天的时间来回忆查找文件的路径位置，非常浪费时间。良好的存档规范虽然在开始时可能会浪费你5分钟或者10分钟的时间，但请相信我，现在花费的5分钟在将来会帮你节省成倍的时间成本！下图所示分类以供各位参考：  总结：本文详细讨论了如何利用数据埋点将数据加工成可视化的图表—“流量地图”，并利用可视化的数据图表解决以下三个问题：
写到这里，文章已经将近尾声，仅以本文期望能够帮助大家在日常工作中针对业务中的特定问题的解决提供一些思路。各位看官可根据自身实际情况灵活应对！ 以上我说的都是错的，只有适合你的才是正确的！ 相关阅读数据分析入门：初识数据埋点（一） 数据分析入门：初识数据埋点（二） 数据分析篇｜基于推断统计学，把握问题核心洞悉数据模式与趋势
本文由 @Aaron 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 |
