今天就跟大家聊聊有關MaxCompute在電商場景中是如何進行漏斗模型分析，可能很多人都不太了解，為了讓大家更加了解，小編給大家總結了以下內(nèi)容，希望大家根據(jù)這篇文章可以有所收獲。

網(wǎng)站建設哪家好，找成都創(chuàng)新互聯(lián)公司！專注于網(wǎng)頁設計、網(wǎng)站建設、微信開發(fā)、微信小程序開發(fā)、集團企業(yè)網(wǎng)站建設等服務項目。為回饋新老客戶創(chuàng)新互聯(lián)還提供了麗江免費建站歡迎大家使用！

背景

漏斗模型其實是通過產(chǎn)品各項數(shù)據(jù)的轉化率來判斷產(chǎn)品運營情況的工具。轉化漏斗則是通過各階段數(shù)據(jù)的轉化，來判斷產(chǎn)品在哪一個環(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環(huán)節(jié)的轉化。本文將展示從用戶「瀏覽-點擊-購買」環(huán)節(jié)做漏斗分析及展示。

前提條件

• 開通日志服務

• 開通MaxCompute

• 開通Dataworks

• 開通Quick BI

案例

1.業(yè)務架構圖

2.業(yè)務流程

• 通過阿里云日志服務采集日志數(shù)據(jù)。

• 日志服務的數(shù)據(jù)同步至大數(shù)據(jù)計算服務MaxCompute。

• MaxCompute做離線計算。

• 通過阿里云Quick BI進行數(shù)據(jù)可視化展示。

3.準備工作

將日志服務采集的數(shù)據(jù)增量同步到MaxCompute分區(qū)表中(本文案例以時間天為單位，展示每個環(huán)節(jié)的轉化率)。具體步驟請參見：日志服務遷移至MaxCompute。并通過Dataworks設置定時調(diào)度執(zhí)行，每天凌晨定時取前一天的數(shù)據(jù)，計算以天為單位的轉化率漏斗圖。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，相關數(shù)倉模型定義請參見：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 '用戶操作時間戳',
    ip                      STRING COMMENT 'ip地址',
    status                  BIGINT COMMENT '服務器返回狀態(tài)碼',
    bytes                   BIGINT COMMENT '返回給客戶端的字節(jié)數(shù)',
    device_brand            STRING COMMENT '設備品牌',
    device                  STRING COMMENT '終端型號',
    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/點擊/后臺/切換用戶/瀏覽/評論',
    use_time                BIGINT COMMENT 'APP單次使用時長，當事件為退出、后臺、切換用戶時有該項',
    customize_event_content STRING COMMENT '用戶關注內(nèi)容信息，在customize_event為瀏覽和評論時，包含該列'
) 
PARTITIONED BY
(
    dt STRING  --以dt作為時間分區(qū)，單位為天。
);

表3. 創(chuàng)建dw層表：dw_user_trace_data，相關數(shù)倉模型定義請參見：明細粒度事實層（DWD）

CREATE TABLE IF NOT EXISTS dw_user_trace_data
(
    uid                     STRING COMMENT '用戶uid',
    device_brand            STRING COMMENT '設備品牌',
    device                  STRING COMMENT '終端型號',
    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/點擊/后臺/切換用戶/瀏覽/評論',
    use_time                BIGINT COMMENT 'APP單次使用時長，當事件為退出、后臺、切換用戶時有該項',
    customize_event_content STRING COMMENT '用戶關注內(nèi)容信息，在customize_event為瀏覽和評論時，包含該列'
) 
PARTITIONED BY
(
    dt STRING  --以dt作為時間分區(qū)，單位為天。
);

表4. 創(chuàng)建ADS層結果表：rpt_user_trace_data，相關數(shù)倉模型定義請參見：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  --以dt作為時間分區(qū)，單位為天。
);

4.編寫業(yè)務邏輯

用戶路徑:瀏覽->點擊->購買，各個環(huán)節(jié)的轉化率（轉化率 = 從當一個頁面進入下一頁面的人數(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 
;

5.結果

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，實現(xiàn)該數(shù)據(jù)表的可視化。詳情請參見：Quick BI

從上圖中我們發(fā)現(xiàn)，瀏覽到點擊中的業(yè)務量呈現(xiàn)了明顯的縮減的趨勢，轉化率較低。分析到哪個環(huán)節(jié)是當前業(yè)務流程中的薄弱環(huán)節(jié)，可以幫助人們更加專注于薄弱環(huán)節(jié)提高整個流程的產(chǎn)出。進而提高整個流程的效率。

看完上述內(nèi)容，你們對MaxCompute在電商場景中是如何進行漏斗模型分析有進一步的了解嗎？如果還想了解更多知識或者相關內(nèi)容，請關注創(chuàng)新互聯(lián)行業(yè)資訊頻道，感謝大家的支持。