全部產品
Search

搜尋本產品

    MaxCompute：MaxCompute在電商情境中如何進行漏鬥模型分析

    文件中心

    MaxCompute：MaxCompute在電商情境中如何進行漏鬥模型分析

    更新時間：Jun 19, 2024

    本文以電商情境為例，為您介紹如何使用MaxCompute進行離線資料計算並串連Quick BI進行漏鬥模型展示。

    背景資訊

    漏鬥模型是通過產品各項資料的轉化率來判斷產品營運情況的工具。轉化漏鬥則是通過各階段資料的轉化，來判斷產品在哪一個環節出了問題，然後不斷最佳化產品。電商漏鬥模型主要展示使用者購買商品的路徑，即從瀏覽商品到支付訂單的每一個環節的轉化。本文將展示從使用者瀏覽、點擊、購買環節做漏鬥分析及展示。

    前提條件

    操作步驟

    1. 通過Log Service採集日誌資料。

      Log Service採集日誌資料，詳情請參見資料擷取概述。本文以測試資料為例示範，如需下載測試資料，請您單擊TestData下載。

    2. 使用MaxCompute構建離線計算資料模型。

      1. 按照如下建表語句，在DataWorks資料開發介面建立資料引入層（ODS）表ods_user_trace_data。

        --以dt作為時間分區，單位為天。
CREATE TABLE IF NOT EXISTS ods_user_trace_data
(
    md5                     STRING COMMENT '使用者uid的md5值前8位',
    uid                     STRING COMMENT '使用者uid',
    ts                      BIGINT COMMENT '使用者操作時間戳記',
    ip                      STRING COMMENT 'ip地址',
    status                  BIGINT COMMENT '伺服器返回狀態代碼',
    bytes                   BIGINT COMMENT '返回給用戶端的位元組數',
    device_brand            STRING COMMENT '裝置品牌',
    system_type             STRING COMMENT '系統類別型，Android、IOS、ipad、Windows_phone',
    customize_event         STRING COMMENT '自訂事件：登入/退出/購買/註冊/點擊/後台/切換使用者/瀏覽/評論',
    use_time                BIGINT COMMENT 'APP單次使用時間長度，當事件為退出、後台、切換使用者時有該項',
    customize_event_content STRING COMMENT '使用者關注內容資訊，在customize_event為瀏覽和評論時，包含該列'
) 
PARTITIONED BY
(
    dt STRING  
);
        說明

      2. 向ods_user_trace_data表中添加分區，命令如下。

        ALTER TABLE ods_user_trace_data ADD PARTITION (dt=${bdp.system.bizdate});

      3. 將採集的日誌資料移轉至MaxCompute。

        採集的日誌資料移轉至MaxCompute，詳情請參見日誌資料移轉至MaxCompute。

      4. 按照如下建表語句，在DataWorks資料開發介面建立明細粒度事實層（DWD）表dw_user_trace_data。

        --以dt作為時間分區，單位為天。
CREATE TABLE IF NOT EXISTS dw_user_trace_data
(
    uid                     STRING COMMENT '使用者uid',
    device_brand            STRING COMMENT '裝置品牌',
    system_type             STRING COMMENT '系統類別型，Android、IOS、ipad、Windows_phone',
    customize_event         STRING COMMENT '自訂事件：登入/退出/購買/註冊/點擊/後台/切換使用者/瀏覽/評論',
    use_time                BIGINT COMMENT 'APP單次使用時間長度，當事件為退出、後台、切換使用者時有該項',
    customize_event_content STRING COMMENT '使用者關注內容資訊，在customize_event為瀏覽和評論時，包含該列'
) 
PARTITIONED BY
(
    dt STRING 
);
        說明

        更多DWD說明，請參見明細粒度事實層（DWD）。

      5. 向dw_user_trace_data表中插入資料，命令如下。

        INSERT INTO dw_user_trace_data PARTITION (dt = '${bdp.system.bizdate}')
SELECT  uid
        ,device_brand
        ,system_type
        ,customize_event
        ,use_time
        ,customize_event_content
FROM    ods_user_trace_data
WHERE   dt = '${bdp.system.bizdate}'
;

      6. 按照如下建表語句，在DataWorks資料開發介面建立資料應用程式層（ADS）表rpt_user_trace_data。

         --以dt作為時間分區，單位為天。
CREATE TABLE IF NOT EXISTS rpt_user_trace_data
(
    browse      STRING COMMENT '瀏覽量',
    click       STRING COMMENT '點擊量',
    purchase    STRING COMMENT '購買量',
    browse_rate STRING COMMENT '瀏覽轉化率',
    click_rate  STRING COMMENT '點擊轉化量'
) 
PARTITIONED BY
(
    dt STRING 
);
        說明

        更多ADS說明，請參見數倉分層。

      7. 按照如下SQL語句，在DataWorks資料開發介面編寫業務代碼邏輯。

        INSERT OVERWRITE TABLE rpt_user_trace_data PARTITION (dt=${bdp.system.bizdate})
SELECT browse AS 瀏覽量
      ,click AS 點擊量
      ,purchase AS 購買量
      ,concat(round((click/browse)*100,2),'%') AS 點擊轉化率
      ,concat(round((purchase/click)*100,2),'%') AS 購買轉化率 
FROM
(SELECT dt,count(1) browse FROM dw_user_trace_data WHERE customize_event='browse' 
 AND dt = ${bdp.system.bizdate} GROUP BY dt) a
LEFT JOIN
(SELECT dt,count(1) click FROM dw_user_trace_data WHERE customize_event='click' 
 AND dt = ${bdp.system.bizdate} GROUP BY dt) b
ON a.dt=b.dt
LEFT JOIN
(SELECT dt,count(1) purchase FROM dw_user_trace_data WHERE customize_event='purchase' 
AND dt = ${bdp.system.bizdate} GROUP BY dt)c 
ON  a.dt=c.dt 
;
        說明

        使用者路徑是從瀏覽到點擊再到購買。各個環節的轉化率為從當一個頁面進入下一頁面的人數比率，例如點擊轉換率=進入點擊頁面的人數/瀏覽頁面人數。

      8. 查詢rpt_user_trace_data表中的離線資料計算結果。

        • SQL樣本：

          SELECT * FROM rpt_user_trace_data WHERE dt='20231126';

        • 查詢結果：

          +------------+------------+------------+-------------+------------+------------+
| browse     | click      | purchase   | browse_rate | click_rate | dt         |
+------------+------------+------------+-------------+------------+------------+
| 35         | 16         | 2          | 45.71%      | 12.5%      | 20231126   |
+------------+------------+------------+-------------+------------+------------+

    3. 資料視覺效果展示。

      通過Quick BI建立網站使用者分析畫像的儀表板，實現該資料表的可視化，詳情請參見雲資料來源MaxCompute和漏斗圖。

      重要

      • 在Quick BI中建立資料集時，您需要先判斷MaxCompute專案是否開啟了三層模型，再根據對應的方式建立資料集：

        可在MaxCompute中使用setproject;命令查看專案空間屬性中odps.namespace.schema參數的值。

        • 值為true：表示該專案已開啟三層模型，您需要使用自訂SQL方式建立資料集。因為Quick BI沒有正式對接MaxCompute的三層模型，如果使用拖拽表（即Quick BI內部產生SQL）的方式，會出現找不到表的報錯資訊。

        • 值為false：表示該專案未開啟三層模型，您可以使用自訂SQL或拖拽表（即Quick BI內部產生SQL）的方式建立資料集。

      • 要產生下述漏斗圖，您需要選擇表對象為ods_user_trace_data的資料集，並將customize_event欄位作為漏鬥分層/維度。

      image.png