执行摘要：埋点分析的第二次分层

0.1 一句话结论#

埋点分析平台已经从“页面与事件工具”演化为“行为数据基础设施”。 2023–2026 年的并购、涨价与架构迁移证明：只做图表的工具会被套件吞掉，只做采集的管道会被仓库替代，只做 SaaS 的平台会被数据主权挡在门外。真正稀缺的能力不是“能看漏斗”，而是可信的事件语义、可解释的身份解析、能落地的行动能力，以及退出时能带走的资产。

0.2 十个判断#

判断一：市场没有全能冠军，只有三种交付形态。
SaaS 套装、warehouse-native/composable、私有化/自建，各自解决不同约束：前者卖开箱即用，中者卖数据不出域与指标复用，后者卖控制力与合规。用一张功能表横向打勾，会把交付方式、数据主权和三年总成本全部遮掉。先画“缺口图”，再选产品。

判断二：产品分析的护城河，正在从查询界面转向事件语义与行动能力。
当每家都能做漏斗、留存和路径，差异就落到 taxonomy 能否治理、身份能否合并、洞察能否直接变成人群、实验和应用内引导。Amplitude 在 2023–2026 年连续收购 Command AI、Kraftful、InfiniGrow，并接手 Statsig 的品牌与客户，买的都不是“更多图表”，而是行动端与实验入口 来源。Contentsquare 把 Heap 收进体验分析套件，也是同一逻辑 来源。

判断三：Warehouse-native 不是架构时尚，是数据主权与口径统一的交易。
真正的 warehouse-native 把指标计算下推到客户数仓，数据不出域；而“仓库连接器”只是把数据导入厂商平台，两者架构、成本与退出方式完全不同。Amplitude 的 Snowflake Native 与 Mixpanel 的 Warehouse Connectors 常被混为一谈，但前者是计算下推，后者是数据搬运 来源 来源。没有数仓口径的公司，上 warehouse-native 是空中楼阁。

判断四：全埋点降低了采集成本，却把成本转移到治理。
autocapture 能快速覆盖点击与页面浏览，但无法自动产生业务语义。事件越多，命名、去重、废弃、血缘和验收的负担越重。字节、B 站、网易云音乐的公开实践都指向同一件事：真正难的不是“把事件收上来”，而是“让每条事件有 owner、有版本、有成本” 来源。埋点治理不是规范文档，是平台能力。

判断五：身份解析是 UBA 最容易被低估的失败点。
匿名 ID 与登录 ID 的合并顺序、跨端、家庭/企业账号、登出与隐私选择，都会改变漏斗和留存。很多“数据不准”不是采集丢失，而是身份合并错了，且不可回滚。平台应该把合并规则、置信度和回滚能力暴露给使用者，而不是藏在 SDK 里。身份图不是技术细节，是分析结论的一部分。

判断六：中国市场的竞争单位是“交付 + 行业模板 + 私有化”，不是功能。
神策、GrowingIO、火山引擎 DataFinder、阿里云 Quick Tracking 的差异，往往不在图表，而在部署方式、行业 know-how、数据合规与服务能力。据公开融资记录，2022 年之后未发现同量级的大额融资；这不等于没有发生，只说明公开披露稀缺。厂商叙事从“增长”转向 CDP、信创，再转向 Agent。买产品的同时，也在买母公司的存续能力与交付队伍。公开价格从神策云市场的 54 万–72 万元/年，到 Quick Tracking 标准版 880–13,500 美元/月、专家版 1,600–14,000 美元/月，计价锚点完全不同 来源 来源。

判断七：开源的边界不是代码，而是运维、合规与规模。
PostHog、Snowplow、Matomo 能覆盖大量标准需求，但升级、备份、监控、数据保留、审计与合规责任仍然在你自己身上。开源能省 license，不会自动省人力；它把“采购问题”变成了“组织能力问题”。真正适合开源自建的，是已有平台团队、能把事件模型与权限体系当作长期资产的公司。

判断八：CDP、实验、回放都在侵入 UBA，但不会替代分析。
它们共享事件与身份，却服务不同决策：CDP 解决“触达谁”，实验解决“哪个更好”，回放解决“为什么”。平台整合是产品趋势，不是能力等价。把 CDP 当分析工具，最后会得到一个“能发人群、但不能解释为什么”的系统；把回放当证据，也会把个别会话误当成总体结论。

判断九：AI 让查询更容易，也让错误答案更便宜。
NLQ、自动洞察、Agent 降低了使用门槛，但如果事件语义、指标口径和权限没有治理，AI 只会更快地生成看起来合理的错误结论。2026 年各家都在讲 Agent 与 MCP：Amplitude、Mixpanel、Pendo、Contentsquare 都试图让行为数据成为 Agent 的默认上下文。真正的竞争不是“谁的模型更强”，而是“谁的数据语义更可信、权限更细、溯源更完整”。

判断十：选型的核心是退出能力，不是功能清单。
事件元数据、历史查询、人群定义、实验记录和原始明细能否导出，决定了你三年后是被锁定，还是能换一条路线。合同要写清：数据导出范围、迁移支持期、控制权变更终止权、AI 训练条款、数据区域与删除机制。不能带走的资产，等于没有。

判断：未来三年，UBA 市场不会出现一个“统一所有场景”的赢家。更可能的格局是：少数平台占据事件语义与行动层，数仓承担计算与治理，开源/私有化方案吃掉对数据主权敏感的长尾。

2023–2026 的五个结构性变化#

第一，整合发生在“行动端”，不是“图表端”。 Amplitude 买 Command AI、Kraftful、InfiniGrow，接手 Statsig 的品牌与客户；Pendo 买 Zelta、Forwrd、Chisel；Contentsquare 买 Heap 与 Loris；Mixpanel 买 DoubleLoop。买方要的是引导、反馈、实验、归因、指标树这些能改变用户行为的能力，而不是再做一个漏斗图。结果是“产品分析”与“增长工具”的边界越来越模糊，纯分析工具的议价权越来越弱。

第二，计价单位从 MAU/MTU 迁移到事件量，再迁移到“结果”。 Mixpanel 2025 年 2 月后把 Growth 套餐改为事件计价；Amplitude 取消席位费、按事件量收费；Pendo 仍按 MAU；Heap/Contentsquare 按会话。到 2026 年，厂商又开始卖“Agent 订阅”“AI 工作量”。计价单位的变化会直接改变客户行为：按事件收费会抑制全埋点，按会话收费会鼓励回放，按 MAU 收费会把收入绑在客户的活跃用户上。

第三，架构从“单引擎”走向“多引擎 + 湖仓”。 快手把百 PB、200+ 集群从 ClickHouse 迁到 Doris/Bleem；小红书用 Iceberg + StarRocks 替换自研存算分离 ClickHouse；京东用 Hudi 收拢 Lambda 双链路。ClickHouse 没有消失，而是退到“明细加速层”；Doris/StarRocks 承担高并发与 Join；湖仓承担长期归档与多引擎复用。选型问题从“哪个引擎最快”变成“哪类负载放在哪一层”。

第四，中国市场的默认交付从 SaaS 变成私有化。 数数官方称 80% 客户选择私有化；DataFinder 的云托管模式“相比私有化便宜 20% 左右”；Quick Tracking 国际站公开按事件量计价，但国内项目仍以询价与部署方案为主。PIPL、数据出境规则与等保把“数据在哪里”变成一票否决项，SaaS 的规模效应在中国没有跑通。

第五，AI 从“问答”走向“代理”，但可验证性没有同步提升。 2026 年，Amplitude、Mixpanel、Pendo、Contentsquare、PostHog 都在做 MCP 或 Agent；能力从“解释图表”扩展到“定时监控、生成看板、建人群、发起实验”。但 Agent 的每一步都依赖事件语义、指标口径、权限与审计。没有这些，Agent 只是把错误答案的生产速度提高了一个数量级。

0.3 三个反常识#

反常识一：开源不一定更便宜。 软件许可可以降到零，但升级、备份、监控、权限、审计、合规与故障响应都要自己承担。按 1 个平台工程师年成本约 17.7 万美元估算，3 人团队一年约 53 万美元，通常已经超过中型公司三年的 SaaS 订阅 来源。开源适合“把省下的钱变成长期能力”的公司，不适合“只想省 license”的公司。

反常识二：私有化不一定更安全。 私有化解决的是“数据在哪里”，不解决“谁能看、谁能改、谁能导出”。没有行级权限、审计日志、密钥管理和删除验证的私有化集群，只是把风险从厂商机房搬到了自己的机房。安全评估要看控制，不看部署位置。

反常识三：免费不一定总成本低。 GA4 免费，但采样、阈值、留存上限与 BigQuery 导出限制会改变你能回答的问题；友盟、百度统计免费，但数据导出、迁移与二次使用受限。免费产品的成本往往以“能力边界”和“数据主权”支付，而不是以账单支付。

0.4 给三类读者的建议#

给 CEO / 产品负责人：

• 不要把“看板数量”或“事件数量”当 KPI。把“有决策的分析占比”“洞察到行动的周期”“埋点验收通过率”当 KPI。
• 先选一个业务做 90 天试点，用真实指标验证“可信度”，再谈全公司推广。不要先买最贵的套件，再补数据治理。
• 预算按三年 TCO 算：license 只是第一行，实施、数仓、回放留存、合规、迁移和人力才是大头。

给数据 / 平台负责人：

• 先建事件 taxonomy、身份规则、会话口径和验收机制，再选分析工具。工具可以换，语义资产不能重来。
• 把“事件定义”从代码注释里拿出来，变成有 owner、有版本、有血缘的元数据。没有 metadata 的埋点平台，只是一个更贵的日志查询器。
• 对 AI 功能保持“可溯源”要求：每个结论要能回到事件、口径、时间窗口和权限边界。

给架构师 / 技术选型：

• 先分清“数据在哪里计算”：厂商 SaaS、客户数仓、私有化集群，还是混合。架构选择要服从数据主权，不服从 benchmark。
• 不要默认实时。把 SLA 分成秒级、分钟级、T+1 三档，只有真正影响决策的链路才值得付实时成本。
• 为退出设计：原始明细、事件元数据、查询历史、人群定义、实验记录都要有导出格式和校验方法。

采购的五个红线#

1. 数据区域写进合同，不写进 FAQ。 包括生产、备份、日志、AI 推理与子处理者所在区域；跨境路径要能画出来。
2. 事件元数据必须可导出。 不只是原始明细，还包括事件定义、属性类型、owner、版本、废弃状态与血缘。
3. 身份合并规则必须可解释、可回滚。 至少要能回答“这两个 ID 为什么被合并”“合并后如何拆分”。
4. AI 训练条款单独确认。 客户数据是否用于训练、是否可关闭、关闭后是否影响功能，必须白纸黑字。
5. 退出演练。 在签约前做一次小规模导出与校验，确认人群、查询、实验记录和权限能迁移。

0.5 推荐路线#

最务实的组合：统一事件模型与身份层 + 可替换的采集 SDK + 数仓/OLAP 承担计算 + 分析体验按团队成熟度选择。不要试图用一个产品解决“采集、存储、分析、行动、治理”五件事；能解耦的尽量解耦，不能解耦的（事件语义、身份、权限）必须自己掌握。

0.6 本报告的局限#

• 厂商架构与定价多为商业机密，本报告只能核实“官方是否公开 + 文档是否给方法”，不能替代真实数据压测与合同谈判。
• 价格是公开样本或量级估算，不是报价。中国厂商的成交价与公开标价往往相差很大。
• 中国大厂内部平台的公开资料高度不均，部分平台名、架构与数字来自演讲、专利或二手整理，报告逐条标注证据等级。
• AI 功能变化极快，本报告只描述截至 2026-10-18 的公开状态，不预测路线图。
• 本报告不是法律意见。涉及 GDPR、PIPL、数据出境与行业监管时，应由法务与安全团队做最终判断。

阅读路径#

• 只想决策：读第 00、11 章。
• 做产品选型：读第 01–07 章与第 11 章。
• 做技术方案：读第 07–10 章。
• 看中国市场：读第 04–05 章。