有赞埋点质量保障

一、常见问题

我们收集日志，目的还是为了分析用户行为，挖掘潜在价值，最终能优化产品体验。因此，“高质量”是最基本要求，这是保证分析效果准确性的基石。那么，常见的质量问题有哪些呢？

• 事件重复 &丢失。重复是由于 SDK 自身或者前端开发疏忽的问题，导致相同事件重复发送；丢失可能是设备、网络原因，或者是开发者漏埋导致。

• 事件参数错误。常见的情况有：”必传而未传“、”非空而为空“、”值类型不对“、”值内容不对”等。

• 前端常见错误。比如值为“undefined”、“null”，通常是前端代码 bug 导致的值错误。

• 事件断流。这种 case 经常发生，前端在做改造升级的时候，可能导致事件上报不规范，或者误下线。

二、保障机制

针对埋点质量问题，我们尝试以下的保障机制，去解决。从业务开发的过程出发，在不同阶段提供服务支持，形成一个解决问题的闭环，保障日志处于高质量状态。

2.1 准确登记

业务需要根据“埋点规范”，规划好页面、组件和事件，并且在埋点平台上准确地登记。登记的信息越全，内容越细，越有利于自动化判定日志的准确性。目前我们登记的要素有：

• 页面/组件类型，登记该元素的业务标识，以及是否有业务 ID。日志上报时，会有对应的字段记录该信息。

• 事件信息，事件的名称/标识/描述，所属页面/组件，以及所处状态等信息。

• 事件参数，属于该事件的一系列业务参数，比如一个点击事件的参数可能是被点击的商品的 ID。对于参数的登记，我们支持标识/类型/是否必传/参数结构的设置。其中类型支持 int/string/float/list/map，用于申明值内容结构；参数结构支持对复杂的数据类型，进一步定义其细节。

2.2 实时校验

做好了埋点的登记工作，开发就可以按照埋点方案做相应的开发了。如何快速验证上报日志的准确性，以及如何及时发现线上问题，是我们面临的直接问题。因此，我们做了实时校验。除了实时外，校验还需要考虑更新及时性/完备性/扩展性，避免规范或校验点的变更，带来频繁的修改代码或重启任务。另外，对于校验结果，还需要要做到可解释/可沉淀/可分析。

对于实时性，我们采用 Flink 开发校验模块，实现秒级日志校验；校验规则更新的及时性上，每分钟从埋点平台同步；可沉淀，校验结果除了推送给测试工具外，还会落到 druid，用于后续分析。这些点的思路比较直接，就不赘述了。下面着重介绍下其他考虑点：

2.2.1 完备性/扩展性

完备性比较好理解，校验需要支持的，除了底层的埋点规范外，还有分业务的页面/组件的合法性、事件关联页面/组件的情况、事件参数格式内容等；扩展性的考虑点在于，校验点会持续不断完善，如何“以不变应万变”。这点上，主要思路有两个：

通过分析校验规则，抽象语义，我们设定以下语法（示例）：

{    "compare":"length",    "condition":[        "sdk_type",        "in",        [            "iOS",            "Android",            "js"        ]    ],    "assert":"true",    "assert_fail":"ERROR",    "value":36,    "key":"uuid",    "fail_msg":"did/uuid invalid",    "require":1}

本示例的含义：在 sdk_type 为 iOS、Android 或 js 的情况下，检查 uuid 参数，保证其是必传的字符串，且长度是 36，如果不是则是 ERROR 级错误，错误信息为“did/uuid invalid”。具体字段说明：

• key：参数名

• value_type：参数值类型，默认为 string，可指定 int

• compare：参数值检查方式，支持：

• in：在一系列值内

• length：对于字符串类型，指定长度

• regex：对字符串类型，指定正则

• value：参数值约束，对于 compare=in 是一个 list；对于 compare=length 是一个数值；对于 compare=regex 是一个正则字符串

• assert：检查结果需符合的值，true 或 false

• assertfail：检查失败给出的异常等级，WARNING、ERROR、TESTWARNING

• fail_msg：检查失败给出的错误信息

• condition：检查前置条件，符合该条件才进行检查。

• require：该参数是否必须，非必需情况下，若为空则不检查

开关 &配置化

不同时期，校验关注的点可能是不一样的，不同阶段，校验的逻辑也会有所区别。比如初期在问题重灾区，我们对未登记的事件，没有直接发送异常告警，但后期会；在新校验点试验阶段，其校验登记会设定为 WARNING 或 TEST_WARNING，而上线稳定后，可能会改成 ERROR。因此，在实现中，就特别注意使用开关或配置，达到功能点的可定制。

2.2.2 可解释/可分析

校验发现了问题，是为了解决问题。因此对结果，要求是可解释的：在哪个层次，哪个参数发生什么样的错误，原因是啥；可分析的：分析不同级别、不同维度组合的异常分布、走势，便于集中定位和解决问题。

实现上，我们会对校验的层次、范围、结果等级作区分，对于每条日志可能产出多条校验结果（1+n）。 其中的 n，是指不同层次和字段，可能会有 ERROR/WARNING/TEST_WARNING 状态；1 指的是整体上，会有个最严重的状态汇总。

简化后的校验结果格式，是这样的（包含多个关键维度，维度所处层级，问题字段、级别等）：

{    "log_id":"571531737e29586094318d3bf64e9407",    "timestamp":1556174577000,    "event_type":"click",    "sdk_version":"0.7.7",    "sdk_type":"js",    "display_url":"url",    "scope":"OVERALL",    "field1":"",    "field2":"",    "status":"SUCCESS",    "value":""}

有了这样的校验结果，可以做很多事：埋点错误重灾区、错误趋势、原因分布等，实现可解释和可分析。

2.3 定时监控

除了上线前的把关，事后的监控也是很有必要的。从质量角度，关心规范的实际约束情况；从流量角度，特别关注事件断流和异常波动情况；另外，业务上有很多约束，也需要去做监控。

基于实时校验结果，我们做到分钟级的质量和流量监控，在业务层面，会有小时级的个性化监控。

监控的“低误报”是一个很重要的考虑点，泛滥的监控等于没监控，在这点上，我们对监控做了一系列优化，如设定流量门槛、结合历史流量饱和度判定断流等。

2.4 专项优化

发现问题是手段，解决问题才是目的。

对于质量问题，会反馈到业务方去整改；除了业务上，还有许多基础 SDK 或开发上的通病问题，需要单独去做分析，成立专项，集中整改。比如 SDK 的重复率和丢失率问题，需要具体分析问题，推动底层优化。

这类工作主要是：问题分析>追根溯源>确定解法>持续跟踪。这里边涉及到许多特定场景的细节问题，就不展开讲了。

2.5 评估模型

如何去评估质量状态，是一个值得深思的问题。如果不能正确评价，就会摸不清重点，不知道如何优化，以及状态是在改善还是恶化。我们的衡量维度目前是这样的：

需要注意的是，各维度的权重，不应该是一成不变的，而要随着问题的重点而调整；甚至考虑的问题，也要不断去做优化，加入新的考量点。

有了一套这样的评估模型，质量的状态就可以以“分数”的形式直观地呈现。对于问题的关键点，也可以有重点有方向地去解决。

2.6 质量中心

日常的质量问题，需要统一的呈现和管理，便于业务方有整体的感知，集中解决。

此外，对于汇总信息，也会以日报/周报的形式提醒到。

三、现状 &规划

在以上介绍的一整套体系化的质量保障工作下，有赞的埋点质量有了大幅度提升。从状态未知到数字化的衡量；从缺少管理到集中化的呈现，并能提供优化辅助功能；从“不及格”的低质量到绝大部分问题被解决，质量问题已经不是业务分析的绊脚石。

我们的质量保障工作已经取得不错的成果，并形成良性的循环。但是还有许多可以优化的点：

• 支持更丰富的校验功能，将复杂的校验配置可视化

• 结合流量预测做监控告警，优化误报率

• 评估模型优化，结合现状，调整维度和权重

• 更完善的质量中心，集成快捷的优化操作

• 明确奖惩机制，推动业务方主动关心和优化质量问题，让前文提到的闭环，顺畅运行通过这些方向的努力，相信有赞的埋点质量会持续保持高质量状态，更有力地为业务分析保驾护航。

本文转载自公众号有赞 coder（ID：youzan_coder）。

原文链接：

https://mp.weixin.qq.com/s?__biz=MzAxOTY5MDMxNA==&mid=2455759980&idx=1&sn=f3ba532ad6a3be84e82db6416f858733&chksm=8c686a49bb1fe35f501d98318a5fb23c3d6315b9e0945b7a92f13db18f76fcf93175be21e91e&scene=27#wechat_redirect