埋點方法步驟

⑴ 什麼是埋點

埋點，是網站分析的一種常用的數據採集方法。數據埋點分為初級、中級、高級三種方式。數據埋點是一種良好的私有化部署數據採集方式。

埋點技術如何採集數據，有何優缺點？
數據埋點分為初級、中級、高級三種方式，分別為：

初級：在產品、服務轉化關鍵點植入統計代碼，據其獨立ID確保數據採集不重復（如購買按鈕點擊率）；

中級：植入多段代碼，追蹤用戶在平台每個界面上的系列行為，事件之間相互獨立（如打開商品詳情頁——選擇商品型號——加入購物車——下訂單——購買完成）；

高級：聯合公司工程、ETL採集分析用戶全量行為，建立用戶畫像，還原用戶行為模型，作為產品分析、優化的基礎。
無疑，數據埋點是一種良好的私有化部署數據採集方式。數據採集准確，滿足了企業去粗取精，實現產品、服務快速優化迭代的需求。

但，因手動埋點工程量極大，且一不小心容易出錯，成為很多工程師的痛。且其開發周期長，耗時費力，很多規模較小的公司並不具備自己埋點的能力。無埋點成為市場新寵。最後埋點、無埋點兩種技術誰能成為最後贏家，我們拭目以待。

⑵ 怎樣對用戶的行為日誌進行數據埋點

以實際的月度Web日誌數據為挖掘對象，運用統計分析方法、回歸分析方法以及關聯規則方法等數據挖掘技術對Web日誌數據進行了較為深入和全面的分析挖掘。 通過統計分析方法，發現了用戶訪問行為的時間特徵和信息需求特徵，並分析了影響網路運行狀況的各種因素。 運用回歸分析方法建立了預測分時段用戶訪問量的回歸方程式

⑶ 如何對移動應用進行有效數據埋點

問題二，相對比較具象化，國內比較普遍的第三方統計工具是友盟和talking data，在大多數的情況下這兩個差別不大，但是如果你的app是游戲或者需要用到互聯網金融的一些垂直細分統計，那麼個人覺得talking data會更有競爭力一些。 問題一，其實這是個對於入門級產品的必備課程，通常在那個環節埋點可以轉化為——對於一個app核心指標是什麼？這些指標的優先順序如何排序？ 要回答這個問題，其實考察的又是一個產品的基本功，也就是產品定位與產品目標的確定，以及這些目標的拆解以及短期，中期，長期規劃以及相應的具體roadmap，樓主問了通常情況，那麼在此例舉一下相應的業務拆解步驟，如下： 埋點的宏觀目標是為了獲取數據指標來整體上驗證產品的業務邏輯是否順暢，之前的一些基本假設是否成立？這時候涉及需要驗證的數據可能會涵蓋：產品方向&市場運營&商業邏輯（假設有）三大方面。 通過優先順序和深入度可以將指標拆解為，核心指標和相關衍生指標。 有了橫縱兩條邏輯線條可見的一般性具體指標如下圖： 當然這只是草草列舉一般性的指標，一般對於創業公司以及和你洽談的機構VC，聊到核心指標一般就知道你的產品的基本情況了。 當然對於埋點的目標不同可能還有這樣的情況，如新版本上線的用戶行為和功能效果數據回歸驗證（幾種場景）： 1.新功能是否得到用戶的使用與認可？新版本增加的新功能，用戶點擊率怎樣？ 2.用戶在核心使用路徑上是否順暢？又沒有因為交互體驗功能按鈕的設計而導致無效點擊增多？ 3.市場運營效果的回歸？針對某個特別的日期進行了產品內的廣告banner推廣或者促銷，該活動的效果如何？ 總而言之，埋點本身其實是對於自己所設計產品的一個可視化健康檢查，通過邏輯和數據，貫穿產品的整個生命周期，使產品逐步達到最佳狀態從而實現矽谷最近所謂的「growth hacker」的效果，使產品指數級增長。 如果說了這么多你覺得沒用，那麼最後有一句萬能的，看病最簡單粗暴的就是「頭疼醫頭，腳疼醫腳」，產品哪裡最牛逼最有用就最先搞那部分。

⑷ 網頁里埋點怎麼製作

埋點：監控用戶點擊的每一步動作。
它不做頁面相關的事情而是把用戶當前點擊的東西，傳到伺服器，記錄用戶點擊的每一步。
網頁設置埋點的方法如下：
在2的位置插入<a name="2"></a>
懸浮導航那裡插入<a href="#2">點擊我連接到2</a></b>
錨點的名字是可以隨便改的。</b>
頁面埋點的作用，其實就是用於流量分析。而流量的意思，包含了很多：頁面瀏覽
(PV)、獨立訪問者數量(UV)、IP、頁面停留時間、頁面操作時間、頁面訪問次數、按鈕點擊次數、文件下載次數等。

⑸ 頁面如何設置埋點

在2的位置插入<a name="2"></a>
懸浮導航那裡插入<a href="#2">點擊我連接到2</a></b>
錨點的名字是可以隨便改的。</b>

⑹ 掌握數據生命周期 初識數據埋點

作者 | 秦路

來源 | tracykanc

談到數據驅動業務，離不開數據是怎麼來的，數據收集是整個數據生命周期的初始環節。

數據生命周期的大體介紹，在過去的一篇文章中有提到。雖然文章的部分內容我准備重新構造，但是對於這部分的基礎環節，並沒有太多的變換。

文章會涉及到不少技術相關的知識，我會盡量減少這部分的細節。相信經過一系列的講解，你會明白埋點數據怎麼成為驅動業務的指標，文章也會提供網上的公開數據，幫助你實際上手操作。

需要收集的數據主要能劃分成四個主要類型：行為數據、網站日誌數據、業務數據、外部數據。

Web日誌數據

網日誌數據是Web時代的概念。

用戶瀏覽的每一個網頁，都會向伺服器發送請求，具體的技術細節不用關注。只要知道，當伺服器和用戶產生數據交互，伺服器就會把這次交互記錄下來，我們稱之為日誌。

127.0.0.1 - - [20/Jul/2017:22:04:08 +0800] "GET /news/index HTTP/1.1" 200 22262 "-" "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_5) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/60.0.3112.66 Safari/537.36"

上圖就是一條伺服器日誌，它告訴了我們，什麼樣的用戶who在什麼時間段when進行了什麼操作what。

127.0.0.1是用戶IP，即什麼樣的用戶。不同用戶的IP並不一致，通過它能基本的區分並定位到人。 [20/Jul/2017:22:04:08 +0800] 是產生這條記錄的時間，可以理解為用戶訪問的時間戳。

"GET /news/index HTTP/1.1"是伺服器處理請求的動作，在這里，姑且認為是用戶請求訪問了某個網站路徑，/news/index。這里省略了域名，如果域名是www.aaa.com，那麼用戶訪問的完整地址就是www.aaa.com/news/index，從字面意思理解，是用戶瀏覽了新聞頁。也就是what。

who、when、what構成了用戶行為分析的基礎。Mozilla/5.0這個欄位是用戶瀏覽時用的瀏覽器，它的分析意義不如前三者。

如果我們基於who分析，可以得知網站每天的PVUV；基於when分析，可以得知平均瀏覽時長，每日訪問高峰；what則能得知什麼內容更吸引人、用戶訪問的頁面深度、轉化率等屬性。

上面的示例中，我們用IP數據指代用戶，但用戶的IP並不固定，這對數據口徑的統一和准確率不利。實際應用中還需要研發們通過cookie或token獲取到用戶ID，並且將用戶ID傳遞到日誌中。它的形式就會變成：

127.0.0.1 - 123456 [20/Jul/2017:22:04:08 +0800]…

123456就是用戶ID，通過它就能和後台的用戶標簽數據關聯，進行更豐富維度的分析。

案例的伺服器日誌，記錄了用戶的瀏覽數據，是標準的流量分析要素。但是網站上還會有其他功，即更豐富的what，譬如評論、收藏、點贊、下單等，要統計這些行為靠日誌就力有未逮了。所以業內除了伺服器日誌，還會配合使用JS嵌入或者後台採集的方式，針對各類業務場景收集數據。

在這里我提供一份網上公開的數據集，年代比較古老，是學生在校園網站的瀏覽行為數據集。數據原始格式是log，可以txt打開。需要的同學可以在後台發送「日誌下載」。

它是標準的伺服器日誌文件，對分析師來說，IP，時間、瀏覽了哪些網頁，這三個欄位足夠做出一份完整的分析報告。後續的章節我將圍繞它進行演練，為了照顧新手，會同時用Excel和Python演示。

首先進行簡單的清洗。如果是Excel，直接將內容復制，文件開頭的內容只需要保留第四。

按空格進行分列，初步的數據格式就出來了。

我們仔細觀察cs-uri-stem，會發現有很多無用數據。比如/images/index_r2_c1.jpg，它是向伺服器請求了圖片數據，對我們分析其實沒有多大幫助。用戶訪問的具體網頁，是/index.asp這類以.asp為結尾的。

利用過濾功能，將含有.asp字元串的內容提取出來，並且只保留date、time、c-ip、cs-uri-stem、cs-uri-stem。按c-ip和time按從小到大排序，這樣用戶在什麼時間做了什麼的行為序列就很清晰了。

像172.16.100.11這位遊客，在凌晨30分的時候訪問了網站首頁，然後瀏覽了校園新聞和一周安排相關的內容，整個會話持續了半小時左右的時間

Python相關的清洗留待下一篇文章，這里就不多花時間講解了。感興趣，大家可以先自行練習一下。

APP行為數據

數據埋點，抽象理解便是記錄用戶在客戶端的關鍵操作行為，一行數據便等於一條行為操作記錄。點擊「立即搶購」是，在文章頁面停留5min是，發表文章評論是，進行退出登錄操作是，視頻網站首頁看到了10條新視頻的內容曝光也是...反必要的，我們都採集。

APP行為數據是在日誌數據的基礎上發展和完善的。雖然數據的載體是在APP端，但它同樣可以抽象出幾個要素：who、when、where、what、how。

who即唯一標識用戶，在移動端，我們可以很方便地採集到user_id，一旦用戶注冊，就會生成新的user_id。

這里有一個問題，如果用戶處於未登錄狀態呢？如果用戶有多個賬號呢？為了更好地統一和識別唯一用戶，移動端還會採集device_id，通過手機設備自帶的唯一標識碼進行區分。

實際的生成邏輯要復雜的多，安卓和iOS不一樣，device_id只能趨近於唯一、用戶更換設備後怎麼讓數據繼承，未登錄狀態的匿名賬戶怎麼繼承到注冊賬戶，這些都會影響到分析的口徑，不同公司的判斷邏輯不一致，此處注意踩坑。

回到用戶行為：

when依舊是行為發生的時間。

where即行為發生的地點，手機上，通過GPS定位許可權，獲取用戶比IP更詳細的經緯度數據並不難。

what是具體的行為，瀏覽、點贊、評論、分享、關注、下單、舉報、打賞，均是行為，如何統計取決於分析的維度。

如果我們想知道用戶的點贊行為，那麼在用戶點贊的時候要求客戶端上報一條like信息即可。

如果只是到這里，還稱不上埋點，因為點贊本身也會寫入到資料庫中，並不需要客戶端額外採集和上報，這里就引入了全新的維度：how。

如何點贊，拿微信朋友圈舉例。絕大部分的點贊都是在朋友圈timeline中發送，但是小部分場景，是允許用戶進入到好友的個人頁面，對發布內容單獨點贊的。服務端/後台並不知道這個點贊在哪裡發生，得iOS或安卓的客戶端告訴它，這便是how這個維度的用處。

換一種思考角度，如果很多點贊或留言的發生場景不在朋友圈，而是在好友個人頁。這是不是能討論一下某些產品需求？畢竟朋友圈信息流內的內容越來越多，很容易錯過好友的生活百態，所以就會有那麼一批用戶，有需要去好友頁看內容的需求。這里無意深入展開產品問題，只是想說明，哪怕同樣是點贊，場景發生的不同，數據描述的角度就不同了：朋友圈的點贊之交/好友頁的點贊至交。

除了場景，交互行為方式也是需要客戶端完成的。例如點擊內容放大圖片、雙擊點贊、視頻自動播放、觸屏右滑回退頁面...產品量級小，這些細節無足輕重，產品變大了以後，產品們多少會有這些細節型需求。

行為埋點，通常用json格式描述和存儲，按點贊舉例：

params是嵌套的json，是描述行為的how，業內通常稱為行為參數，event則是事件。action_type指的是怎麼觸發點贊，page是點贊發生的頁面，page_type是頁面的類型，現在產品設計，在推薦為主的信息流中，除了首頁，還會在頂欄劃分子頻道，所以page=feed，page_type=game，可以理解成是首頁的游戲子頻道。item_id指對哪篇具體的內容點贊，item_type是內容類型為視頻。

上述幾個欄位，就構成了APP端行為採集的how和what了。如果我們再考慮的齊全一些，who、when及其他輔助欄位都能加上。

埋點怎麼設計，不是本篇文章的重點（實際上也復雜的多，它需要很多討論和文檔and so on，有機會再講），因為各家公司都有自己的設計思路和方法，有些更是按控制項統計的無痕埋點。如果大家感興趣，可以網路上搜索文章，不少賣用戶分析平台的SaaS公司都有文章詳細介紹。

除了行為「點」，埋點統計中還包含「段」的邏輯，即用戶在頁面上停留了多久，這塊也是客戶端處理的優勢所在，就不多做介紹了。

這里提供一份來源於網上的我也不知道是啥內容產品的行為數據源，雖然它的本意是用作推薦模型的演算法競賽，不過用作用戶行為分析也是可以的。

這幾個欄位便是用戶行為的基礎欄位，像deep_view，雖然沒有明確說明是什麼含義，但也猜測是描述了用戶瀏覽的深度，比如看了50%+的文章內容，它只能以客戶端的形式統計，實際業務場景往往都需要這種有更深刻含義的數據。

具體的分析實操留待下一篇文章講解，感興趣的同學可以自行下載，和網頁日誌放一起了。

行為數據不是百分百准確的，採集用戶行為，也會有丟失和缺漏的情況發生。這里不建議重要的統計口徑走埋點邏輯，比如支付，口徑缺失問題會讓人很抓狂的，相關統計還是依賴支付介面計算。支付相關的埋點僅做分析就行。

APP行為數據往往涉及到大數據架構，哪怕10萬DAU的一款產品，用戶在產品上的操作，也會包含數十個乃至上百的操作行為，這些行為都需要准確上報並落到報表，對技術架構是一個較大的挑戰。而行為數據的加工處理，也並不是mysql就能應付，往往需要分布式計算。

對數據源的使用方，產品運營及分析師，會帶來一個取捨問題。如果我只想知道點贊和分享數，那麼通過api或者生產庫也能知道，是否需要細致到行為層面？這便是一個收益的考量。

當然啦，我個人還是挺建議對分析有興趣的同學，去能接觸到用戶行為數據的公司去學習。

業務數據

業務數據是生產環境提供的，我們在APP端獲得了用戶user_id，文章或商品的item_id，乃至支付order_id，但它們只和用戶的行為有關。換句話說，我並不知道user_id是什麼樣的用戶。

是男是女，芳齡幾何？出生籍貫，從哪裡來？這些人口統計學的信息必然不會在行為埋點中包含。商品內容訂單也是同理。

單依靠埋點的行為數據，我們並不能准確描述什麼樣的用戶做了事情，也不知道對什麼樣的內容做了行為。描述性質的數據/維度是分析的價值所在。男女的行為差異，不同城市的用戶群體購買習慣，這才構成了分析和精細化的基礎。

業務數據和行為數據的結合，在數據層面上可以簡單理解為join。比如把用戶行為數據的user_id和存放用戶信息的user_id進行關聯起來。形成如下：

上圖是簡化後的欄位。user_name和sex就是取自業務數據的用戶信息，item_tag也是取自內容信息表中的欄位，而event則來源於行為埋點。三者共同構成了，什麼樣的用戶who在什麼時候when對什麼樣的內容做了什麼事what。

簡單說，很多用戶行為的建模，就是拿各種數據組合在一起計算。用user_id的粒度聚合，你算得是這些用戶喜歡哪些文章，用item_id的粒度聚合，你算得是這篇文章被哪類用戶喜歡。它們都是你看待/分析事物的角度。

從更深的層面上說，行為數據也是可以再加工和利用的，它是構成用戶標簽的基礎。拿瀏覽行為數據說，我們設計了埋點，知道王二狗看了哪些類型的文章，

item_tag是文章類型，游戲、娛樂、科技這類。有些用戶可能各種各樣的類型都喜歡，有些用戶的口味偏好則比較集中，產品上可以拿用戶偏好來代稱，這里專指興趣的集中度。

現在取所有用戶的瀏覽數據，算它們在不同類型tag下的瀏覽分布（上文提供的行為數據就可以計算，cate_id便是內容類型）。比如王二狗可能90%的瀏覽都是游戲，10%是其他，那麼就可以認為王二狗的興趣集中度高。

這里有一個很簡易的公式，1-sum(p^2)，將所有內容類別的瀏覽佔比平方後相加，最終拿1減去，就算出了用戶興趣的集中程度了。我們拿案例簡單看下。

上圖的李二狗，他的興趣90%集中在游戲，所以興趣集中度= 1 - (0.9*0.9+0.1*0.1)=0.18,李三妞的興趣稍微平均點，所以1-(0.5*0.5+0.5*0.5)=0.5，興趣集中度比王二狗高。趙四有三個興趣點，所以比李三妞稍微高一些，王五是均衡的，所以是四人中最高的。可能有同學疑問，興趣程度為什麼不用標准差算呢？它也是算波動偏離的呀，這是一個思考題，大家可以新加一個tag類別再算一下。

1-sum(p^2)是趨近於1的，有四個類別，一位均衡的用戶（四個都是0.25）是0.75的集中度，當有十個類型，一位均衡的用戶（四個都是0.1）是0.9的集中度。這種公式的好處就是興趣類別越多，集中度的上限越接近1，這是標准差比不了的。

這里並沒有涉及太高深的數學模型，只是用了加減乘除，就能快速的計算出興趣的集中程度了。通過行為數據算出用戶興趣集中度，便能在分析場景中發揮自己的用武之地了，它是用戶畫像的基礎，以後有機會再深入講解。

外部數據可以分為兩個部分，一個是行業市場調研類的，一個是爬蟲抓取的，它們也能作為數據源分析，比如站外熱點內容和站內熱點內容、競品對手商家表現和自己產品的商家，大家有機會應用的不多，就不多講了，我也不怎麼熟。

到這里為止，文章主要講了用戶行為層面的數據是怎麼來的，更多是基礎概念的講解，下一篇文章會通過具體的數據教大家用戶行為分析的技巧。不過，因為數據來源於網上，數據的豐富程度還是欠缺了不少，說白了，業務場景比較弱，希望大家自己在工作中多思考。

⑺ android 怎麼優化代碼中的埋點

Android界面上的空間被用戶點擊，需要記錄下點擊控制項的名稱並保存此信息。
Android界面被打開或關閉，也需要記錄此信息
最好能自動化完成，不需要修改大量代碼，最好能定製
設計思路大體如下：
設計一個基類BaseActivity，它是繼承自Activity，但是覆寫了Activity的幾個方法(後面會詳細說明)。
利用廣播來統一管理用戶行為的Log信息。
數據積累到一定量，將用戶行為數據發送到後台伺服器。
BaseActivity基類的設計
利用Android事件分發機制，我們自定義的基類BaseActivity繼承自Activity並重寫Activity的dispatchTouchEvent方法(為什麼要這么做？還請參考我的上一篇博客)，以及重寫Activity的所有生命周期方法。
重寫Activity的生命周期以及事件分發方法
重寫Activity生命周期的onStart()和onStop(){或者onDestory，這個根據自己的選擇確定}，來完成對界面開啟和關閉的埋點記錄。事件分發方法來檢測ACTION_UP這個事件(也就是手指觸動觸摸屏抬起的那個事件)，二者通過本地廣播，將onStart或onStop這些事件廣播出來並被接收處理。
1 public class BaseActivity extends Activity {
2 protected void onStart(){
3 super.onStart();
4 // 使用本地廣播，高效更安全
5 LoacalBroadcastManager bcManager = LocalBroadcastManager.getInstance(this);
6 Intent intent = new Intent(ACTIVITY_START);//自定義的ACTIVITY_START
7 bcManager.sendBroadcast(intent);
8 }
9 protected void onStop(){
10 super.onStop();
11 LoacalBroadcastManager bcManager = LocalBroadcastManager.getInstance(this);
12 Intent intent = new Intent(ACTIVITY_STOP);//自定義的ACTIVITY_STOP
13 bcManager.sendBroadcast(intent);
14 }
15 //.......可擴展
16 protected boolean dispatchTouchEvent(MotionEvent e){
17 if (e.getAction() == MotionEvent.ACTION_UP){
18 LocalBroadcastManager broadcastManager = LocalBroadcastManager.getInstance(this);
19 Intent intent = new Intent(VIEW_CLICK);
20 intent.putExtra(VIEW_CLICK, e);
21 broadcastManager.sendBroadcast(intent);
22 }
23 }

⑻ 產品迭代過程中,如何列出埋點清單

一般情況下，市場上的三方平台可以滿足最基本的數據監測，包括注冊、下載、日活、月活等數據，但不能統計一些內部頁面的數量，所以埋點時搞清楚自己想要哪些具體的量或者比例，做一個規劃。最好就是把三方平台能統計哪些和需要開發統計的放在一起，一目瞭然

⑼ 移動應用如何埋點收集什麼數據以便於統計分析

要理解怎麼做的問題，依然還是要從認清是什麼開始：

一、什麼是數據埋點

數據埋點讓產品或運營等相關人員能按照具體的需求，定製性地統計較為復雜的用戶數據。例如想要追蹤用戶的行為，觀察頁面相關點擊數據，關鍵路徑轉化率，分析某個事件活動效果時，就需要事先進行數據埋點，APP上線後才能觀察到相應的數據，進行分析研究。

數據埋點可以在自己的後台進行收集和統計，也可以藉助第三方數據分析平台，這次主要講解如何利用第三方數據分析平台進行數據埋點。

經過以上步驟，一定能夠通過埋點收集到對分析有用的數據~

⑽ 誰知道市政道路施工放線的具體方法、步驟

3.1 工程測量
根據建設單位提供的水準點，進行點與點之間聯測、復核，並經平差計算，驗算合格後方可使用。根據建設單位提供的水準點引測施工臨時水準點，同樣經平差計算後，經監理確認後使用。施工過程中對水準點進行定期復核，以免產生沉降而給工程施工帶來不必要的麻煩。施工過程中要對水準點進行妥善保護。
3.1.1 工程測量
測量先行是施工管理中的要求，測量工作的質量直接影響到工程的質量，我公司在工程施工管理中，歷來注重測量管理工作。對本工程成立專職測量小組，以確保測量工作高效、優質。
3.1.2 測量工作程序
開工前對業主和勘察單位交接的導線點和水準點進行閉合復測，復測合格並經業主和監理工程師簽認後方能施工。
3.1.3 控制系統的建立
針對本工程的工程規模及特點，建立現場平面及高程式控制制系統，以便於在施工全過程中進行測量的控制。
1、控制點的埋設
勘察單位交接完控制點和水準點後，我項目部測量隊對交付的控制點和水準點做好標記並加以保護。在擬建道路兩側做加密控制點和水準點。
選點時，按照通視條件必須良好的標准進行選點，由於目前使用測量儀器為短波紅外線儀器，所以，為了保證測量數據的准確，所選點最好與高壓線保持距離，不能與之太近。
埋點所用材料為鋼筋頭和C50混凝土，在所選點處挖60cm深、30cm見方的坑，在坑底鋪設10cm碎石，然後澆注C50混凝土，澆注與地面相平，插入鋼筋頭，鋼筋頭露出平面3cm，並且鋼筋頭插入深度為40cm，露出的鋼筋頭用鋼鋸鋸出十字絲。
2、導線測量
勘察院交接完控制點後，利用給定的控制點和已加密點做附合導線，每條導線邊長為500m（一級標准）。根據公路勘測規范和業主要求，導線測量工作嚴格按照一級導線測量程序進行，利用2″級全站儀進行測量。使用測回法，每個測站進行2個測回的測量。導線測量的技術要求如下：
表3.1.3-1導線測量技術
等級 平均邊長(km) 測角(″) 導線全長相對閉合差 方位角閉合差(″) 測回數
一級 0.5 5.0 1/15000 ±10√n
2
註：n為測站數
在進行水平角度測量時，半測回歸零差為12″,一測回內互差(2C)為18″，同一方向值各測回間較差為12″。
3、水準測量
水準測量採用四等附合水準測量方式進行，在進行水準測量之前，進行水準儀的i角測量，i角不得大於20″，否則，儀器必須送質檢部門進行檢驗和校核，水準測量的進度必須符合下表的規定。
表3.1.3-2水準測量規定
等級 每公里高差全中誤差(mm) 路線長度（km） 往返較差、附合或環線閉合差(mm)
一級 ±10 ≤16 ±20√L或±6√n

註：計算往返較差時，L為水準點間的路線長度(Km);計算附合或環線閉合差時，L為附合或環線長度(Km)；n為測站數。
四等水準測量使用往返測量，視線長度要求在100m左右，前後視較差不能大於5m，前後視累計差不大於10m，視線離地面最低高度不低於0.2m。
4、控制點測量完畢後，嚴格按照業主程序，上報監理與業主測量隊三方同時進行控制點復測，復測合格後經過業主測量隊和監理測量工程師審批，方能使用控制點。水準點在施工期間應每月復核一次，統一編碼標識，並繪制位置圖。