MaxCompute在電商場景中怎么進(jìn)行漏斗模型分析

本篇內(nèi)容主要講解“MaxCompute在電商場景中怎么進(jìn)行漏斗模型分析”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實(shí)用性強(qiáng)。下面就讓小編來帶大家學(xué)習(xí)“MaxCompute在電商場景中怎么進(jìn)行漏斗模型分析”吧!

背景

漏斗模型其實(shí)是通過產(chǎn)品各項(xiàng)數(shù)據(jù)的轉(zhuǎn)化率來判斷產(chǎn)品運(yùn)營情況的工具。轉(zhuǎn)化漏斗則是通過各階段數(shù)據(jù)的轉(zhuǎn)化，來判斷產(chǎn)品在哪一個(gè)環(huán)節(jié)出了問題，然后不斷優(yōu)化產(chǎn)品。電商漏斗模型，用戶購買商品的路徑，從瀏覽商品到支付訂單的每一個(gè)環(huán)節(jié)的轉(zhuǎn)化。本文將展示從用戶「瀏覽-點(diǎn)擊-購買」環(huán)節(jié)做漏斗分析及展示。

前提條件

• 開通日志服務(wù)

• 開通MaxCompute

• 開通Dataworks

• 開通Quick BI

案例

1.業(yè)務(wù)架構(gòu)圖

2.業(yè)務(wù)流程

• 通過阿里云日志服務(wù)采集日志數(shù)據(jù)。

• 日志服務(wù)的數(shù)據(jù)同步至大數(shù)據(jù)計(jì)算服務(wù)MaxCompute。

• MaxCompute做離線計(jì)算。

• 通過阿里云Quick BI進(jìn)行數(shù)據(jù)可視化展示。

3.準(zhǔn)備工作

將日志服務(wù)采集的數(shù)據(jù)增量同步到MaxCompute分區(qū)表中(本文案例以時(shí)間天為單位，展示每個(gè)環(huán)節(jié)的轉(zhuǎn)化率)。具體步驟請(qǐng)參見：日志服務(wù)遷移至MaxCompute。并通過Dataworks設(shè)置定時(shí)調(diào)度執(zhí)行，每天凌晨定時(shí)取前一天的數(shù)據(jù)，計(jì)算以天為單位的轉(zhuǎn)化率漏斗圖。詳情見參見：調(diào)度參數(shù)

表1. 日志源表：ods_user_trans_d

表2. 創(chuàng)建ODS層表：ods_user_trace_data，相關(guān)數(shù)倉模型定義請(qǐng)參見：數(shù)據(jù)引入層（ODS）

CREATE TABLE IF NOT EXISTS ods_user_trace_data
(md5                     STRING COMMENT '用戶uid的md5值前8位',
    uid                     STRING COMMENT '用戶uid',
    ts                      BIGINT COMMENT '用戶操作時(shí)間戳',
    ip                      STRING COMMENT 'ip地址',status                  BIGINT COMMENT '服務(wù)器返回狀態(tài)碼',bytes                   BIGINT COMMENT '返回給客戶端的字節(jié)數(shù)',
    device_brand            STRING COMMENT '設(shè)備品牌',
    device                  STRING COMMENT '終端型號(hào)',
    system_type             STRING COMMENT '系統(tǒng)類型，Android、IOS、ipad、Windows_phone',
    customize_event         STRING COMMENT '自定義事件：登錄/退出/購買/注冊(cè)/點(diǎn)擊/后臺(tái)/切換用戶/瀏覽/評(píng)論',
    use_time                BIGINT COMMENT 'APP單次使用時(shí)長，當(dāng)事件為退出、后臺(tái)、切換用戶時(shí)有該項(xiàng)',
    customize_event_content STRING COMMENT '用戶關(guān)注內(nèi)容信息，在customize_event為瀏覽和評(píng)論時(shí)，包含該列') 
PARTITIONED BY(
    dt STRING  --以dt作為時(shí)間分區(qū)，單位為天。);

CREATE TABLE IF NOT EXISTS ods_user_trace_data

(

    md5                     STRING COMMENT '用戶uid的md5值前8位',

    uid                     STRING COMMENT '用戶uid',

    ts                      BIGINT COMMENT '用戶操作時(shí)間戳',

    ip                      STRING COMMENT 'ip地址',

    status                  BIGINT COMMENT '服務(wù)器返回狀態(tài)碼',

    bytes                   BIGINT COMMENT '返回給客戶端的字節(jié)數(shù)',

    device_brand            STRING COMMENT '設(shè)備品牌',

    device                  STRING COMMENT '終端型號(hào)',

    system_type             STRING COMMENT '系統(tǒng)類型，Android、IOS、ipad、Windows_phone',

    customize_event         STRING COMMENT '自定義事件：登錄/退出/購買/注冊(cè)/點(diǎn)擊/后臺(tái)/切換用戶/瀏覽/評(píng)論',

    use_time                BIGINT COMMENT 'APP單次使用時(shí)長，當(dāng)事件為退出、后臺(tái)、切換用戶時(shí)有該項(xiàng)',

    customize_event_content STRING COMMENT '用戶關(guān)注內(nèi)容信息，在customize_event為瀏覽和評(píng)論時(shí)，包含該列'

)

PARTITIONED BY

(

    dt STRING  --以dt作為時(shí)間分區(qū)，單位為天。

);

表3. 創(chuàng)建dw層表：dw_user_trace_data，相關(guān)數(shù)倉模型定義請(qǐng)參見：明細(xì)粒度事實(shí)層（DWD）

CREATE TABLE IF NOT EXISTS dw_user_trace_data

(

    uid                     STRING COMMENT '用戶uid',

    device_brand            STRING COMMENT '設(shè)備品牌',

    device                  STRING COMMENT '終端型號(hào)',

    system_type             STRING COMMENT '系統(tǒng)類型，Android、IOS、ipad、Windows_phone',

    customize_event         STRING COMMENT '自定義事件：登錄/退出/購買/注冊(cè)/點(diǎn)擊/后臺(tái)/切換用戶/瀏覽/評(píng)論',

    use_time                BIGINT COMMENT 'APP單次使用時(shí)長，當(dāng)事件為退出、后臺(tái)、切換用戶時(shí)有該項(xiàng)',

    customize_event_content STRING COMMENT '用戶關(guān)注內(nèi)容信息，在customize_event為瀏覽和評(píng)論時(shí)，包含該列'

)

PARTITIONED BY

(

    dt STRING  --以dt作為時(shí)間分區(qū)，單位為天。

);

表4. 創(chuàng)建ADS層結(jié)果表：rpt_user_trace_data，相關(guān)數(shù)倉模型定義請(qǐng)參見：數(shù)倉分層

CREATE TABLE IF NOT EXISTS rpt_user_trace_data

(

    browse      STRING COMMENT '瀏覽量',

    click       STRING COMMENT '點(diǎn)擊量',

    purchase    STRING COMMENT '購買量',

    browse_rate STRING COMMENT '瀏覽轉(zhuǎn)化率',

    click_rate  STRING COMMENT '點(diǎn)擊轉(zhuǎn)化量'

)

PARTITIONED BY

(

    dt STRING  --以dt作為時(shí)間分區(qū)，單位為天。

);

4.編寫業(yè)務(wù)邏輯

用戶路徑:瀏覽->點(diǎn)擊->購買，各個(gè)環(huán)節(jié)的轉(zhuǎn)化率（轉(zhuǎn)化率 = 從當(dāng)一個(gè)頁面進(jìn)入下一頁面的人數(shù)比率）。

insert OVERWRITE table rpt_user_trace_data PARTITION (dt=${bdp.system.bizdate})

SELECT browse as 瀏覽量

      ,click as 點(diǎn)擊量

      ,purchase as 購買量

      ,concat(round((click/browse)*100,2),'%') as 點(diǎn)擊轉(zhuǎn)化率

      ,concat(round((purchase/click)*100,2),'%') as 購買轉(zhuǎn)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

;

5.結(jié)果

6.數(shù)據(jù)可視化展示

通過Quick BI創(chuàng)建網(wǎng)站用戶分析畫像的儀表板，實(shí)現(xiàn)該數(shù)據(jù)表的可視化。詳情請(qǐng)參見：Quick BI

從上圖中我們發(fā)現(xiàn)，瀏覽到點(diǎn)擊中的業(yè)務(wù)量呈現(xiàn)了明顯的縮減的趨勢，轉(zhuǎn)化率較低。分析到哪個(gè)環(huán)節(jié)是當(dāng)前業(yè)務(wù)流程中的薄弱環(huán)節(jié)，可以幫助人們更加專注于薄弱環(huán)節(jié)提高整個(gè)流程的產(chǎn)出。進(jìn)而提高整個(gè)流程的效率。

到此，相信大家對(duì)“MaxCompute在電商場景中怎么進(jìn)行漏斗模型分析”有了更深的了解，不妨來實(shí)際操作一番吧！這里是億速云網(wǎng)站，更多相關(guān)內(nèi)容可以進(jìn)入相關(guān)頻道進(jìn)行查詢，關(guān)注我們，繼續(xù)學(xué)習(xí)！