關於使用者留存率的計算的幾個層次-費元星
最近接到一個需求,需要統計使用者留存率,而且要一次統計多個模組,多個日期的留存率,那如何通過一段hive(SQL)來實現該需求呢,在網上看到一篇很精妙的文章,參考這篇文章實現了需求,可以說是目前見過的一次性統計多個時間區間留存率的最佳實踐了,感謝樓主的經驗分享,好東西,多記錄,多分享!
首先使用者留存率一般是面向新增使用者的概念,是指某一天註冊後的幾天還是否活躍,是以每天為單位進行計算的.
一般收到的需求都是一個時間段內的新增使用者的幾天留存
(1)找到這個時間段內的新增使用者(也可能含有地區啊的各種附加條件),一般在日活表中有記錄是否是新增狀態.
注意,需要以天為單位進行分組找出使用者的id.因為留存率都是以每天為單位進行計算的.
(2)找到這個時間段內的活躍使用者(active_date,user_id)
(3)以 1表 為主表left join 2表 以user_id為關聯鍵,統計留存數
這樣後的記錄型別為:register_date,user_id,active_date
register_date為新增日期,即留存率的單位天.
user_id為使用者id,distinct user_id來計算使用者數
留存率怎麼算?
active_date - register_date = 1,說明註冊的次日使用者是活躍的,所以count+1
所以我們只要關注 active_date 和 register_date 相差天數即可統計留存數
(4)計算留存率
程式碼模板:原文中存在一些小錯誤,已改正,group by 中的數字我這邊是報錯的,所以可直接替換為物件的列名
select dim_date ,node_id ,total_cnt ,concat_ws('% | ', cast(round(dif_1cnt*100/total_cnt, 2) as string), cast(dif_1cnt as string)) ,concat_ws('% | ', cast(round(dif_2cnt*100/total_cnt, 2) as string), cast(dif_2cnt as string)) ,concat_ws('% | ', cast(round(dif_3cnt*100/total_cnt, 2) as string), cast(dif_3cnt as string)) ,concat_ws('% | ', cast(round(dif_4cnt*100/total_cnt, 2) as string), cast(dif_4cnt as string)) from ( select p1.state dim_date, p1.node_id, count(distinct p1.user_id) total_cnt, count(distinct if(datediff(p3.state,p1.state) = 1, p1.user_id, null)) dif_1cnt , count(distinct if(datediff(p3.state,p1.state) = 2, p1.user_id, null)) dif_2cnt , count(distinct if(datediff(p3.state,p1.state) = 3, p1.user_id, null)) dif_3cnt , count(distinct if(datediff(p3.state,p1.state) = 4, p1.user_id, null)) dif_4cnt from ( select from_unixtime(unix_timestamp(cast(partition_date as string), 'yyyyMMdd'), 'yyyy-MM-dd') state, user_id, node_id from user_active_day where partition_date between date1 and date2 and user_is_new = 1 group by 1,2,3 --如果不行用欄位替換,group by去重優於distinct )p1 left outer join ( --日新增使用者名稱單(register_date,user_id) select from_unixtime(unix_timestamp(cast(partition_date as string), 'yyyyMMdd'), 'yyyy-MM-dd') state, user_id, node_id from active_users where partition_date between date1 and date2 group by 1,2,3 )p3 on (p3.user_id = p1.user_id and p3.node_id=p1.node_id) --期間活躍使用者(active_date,user_id) group by 1,2 ) p4;
#################################################################################
分割線:如上是計算留存率的一種通用方法(如上抄來的,學來的),但當用戶和資料量特別大時,或者業務調整頻繁時,效能還是非常差。
2020年初接到鑫哥一個任務,計算整體垂類的留存率資料,背景:為LTV等其他指標做基礎資料,指導業務發展,要求:支援動態業務調整和查詢秒級返回。
通常留存率指標都是作用在新使用者上的,首先第一步明確新使用者的定義:集團給的規範是一年內未登入的使用者即為新使用者,所有時間比較係數為365。
調研業界,騰訊的IMEI分析,美團的訂單分析,都在探索bitmap,所以嘗試使用bitmap完成此需求,開源實現的。
上手比較快的,可以用doris,我廠開源的產品,技術還是不出的,連結:http://doris.apache.org/master/zh-CN/administrator-guide/alter-table/alter-table-bitmap-index.html#%E5%8F%96%E6%B6%88%E4%BD%9C%E4%B8%9A
https://www.bookstack.cn/read/ApacheDoris-0.12-zh/e46d8c8d445173f6.md
初始資料:原始日誌表
中間的結構:
最終的結構:
CREATE TABLE `pv_bitmap` ( `dt` int(11) NULL COMMENT "", `page` varchar(10) NULL COMMENT "", `user_id` bitmap BITMAP_UNION NULL COMMENT "" ) ENGINE=OLAP AGGREGATE KEY(`dt`, `page`) COMMENT "OLAP" DISTRIBUTED BY HASH(`dt`) BUCKETS 2;