数仓 DW层 用户活跃度分析主题

1. 背景

1. 在大数据分析行为日志数据中，很多时候需要分析用户活跃度，这是判断业务健康程度和发展趋势的一个重要指标。
2. 当用户活跃度低的时候，就需要分析原因，改善或者添加功能，让用户活跃起来。这也是为什么支付宝一直想做社交的原因，也是为什么现在开始在支付宝内做各种业务，做小程序平台的原因。
3. 其实从侧面来看，运营一个app就跟运营一个商场一样，先把名气打起来，增加用户流入（新增用户，DAU等指标），然后留住用户（用户漏斗），然后想办法增加订单交易额（GMV）。如果可以，还需要建立会员机制，打卡机制，红包，分享，积分等吸引新用户留住老用户的各类活动。至于新增功能，改进流程就跟商场里面的各类商铺引入，功能分区优化一样一样的。

2. 案例

1. 当需要分析用户活跃度的时候，首先需要明确用户是一天一天来的，这样数据也是一天一天的流入。需要先从这里下手。
2. 如果建立一个表，能够记录用户首次访问日期，连续活跃起始日期，再记录连续活跃结束日期，这时候就可以得到初步的结果。
   
   其实就是想办法记录下来用户的活跃开始时间，活跃结束时间。假设从今天开始，然后后续每天都记录一下，如果登录了，活跃结束日期就是9999-12-31，如果中断了，则修改前一天的结束时间，然后新增一天以当天开始，以9999-12-31的数据。
   新增的这条数据，一般是单独生成，再 join进结果集合。
3. 数据延申使用

最近一个月内，有过连续活跃10+天的人
最近一个月内，每个用户的平均活跃天数
最近一个月内，连续活跃1-10天的人数，10-20天的人数，20-30天的人数
最近一周内，…
最近一个月内，最大沉默天数超20天的人

3. 总结

1. 在大数据 处理中，因为数据都是源源不断过来，所以就算是所谓的离线数据分析，其实一般也是以天为单位。不过这几年实时计算也越加普遍，如使用flink框架做实时流式数据处理。
2. 在大数据处理思路中，需要设想数据就是不断滚动生成，这样就可以使用旧有数据，结合当天新数据，然后做各种计算如join，count，group by，开窗等等。
3. 这里还涉及标记位思想，这其实是代码编程常见做法，给某数据的某状态一个标记位，用来区分数据的。

本文地址：https://blog.csdn.net/xiaohu21/article/details/109248973