MaxCompute在電商場景中怎么進行漏斗模型分析

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

背景

漏斗模型其實是通過產品各項數據的轉化率來判斷產品運營情況的工具。轉化漏斗則是通過各階段數據的轉化，來判斷產品在哪一個環節出了問題，然后不斷優化產品。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節的轉化。本文將展示從用戶「瀏覽-點擊-購買」環節做漏斗分析及展示。

前提條件

• 開通日志服務

• 開通MaxCompute

• 開通Dataworks

• 開通Quick BI

案例

1.業務架構圖

2.業務流程

• 通過阿里云日志服務采集日志數據。

• 日志服務的數據同步至大數據計算服務MaxCompute。

• MaxCompute做離線計算。

• 通過阿里云Quick BI進行數據可視化展示。

3.準備工作

將日志服務采集的數據增量同步到MaxCompute分區表中(本文案例以時間天為單位，展示每個環節的轉化率)。具體步驟請參見：日志服務遷移至MaxCompute。并通過Dataworks設置定時調度執行，每天凌晨定時取前一天的數據，計算以天為單位的轉化率漏斗圖。詳情見參見：調度參數

表1. 日志源表：ods_user_trans_d

表2. 創建ODS層表：ods_user_trace_data，相關數倉模型定義請參見：數據引入層（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 '服務器返回狀態碼',bytes                   BIGINT COMMENT '返回給客戶端的字節數',
    device_brand            STRING COMMENT '設備品牌',
    device                  STRING COMMENT '終端型號',
    system_type             STRING COMMENT '系統類型，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，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 '用戶操作時間戳',

    ip                      STRING COMMENT 'ip地址',

    status                  BIGINT COMMENT '服務器返回狀態碼',

    bytes                   BIGINT COMMENT '返回給客戶端的字節數',

    device_brand            STRING COMMENT '設備品牌',

    device                  STRING COMMENT '終端型號',

    system_type             STRING COMMENT '系統類型，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，單位為天。

);

表3. 創建dw層表：dw_user_trace_data，相關數倉模型定義請參見：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，單位為天。

);

表4. 創建ADS層結果表：rpt_user_trace_data，相關數倉模型定義請參見：數倉分層

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，單位為天。

);

4.編寫業務邏輯

用戶路徑:瀏覽->點擊->購買，各個環節的轉化率（轉化率 = 從當一個頁面進入下一頁面的人數比率）。

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.數據可視化展示

通過Quick BI創建網站用戶分析畫像的儀表板，實現該數據表的可視化。詳情請參見：Quick BI

從上圖中我們發現，瀏覽到點擊中的業務量呈現了明顯的縮減的趨勢，轉化率較低。分析到哪個環節是當前業務流程中的薄弱環節，可以幫助人們更加專注于薄弱環節提高整個流程的產出。進而提高整個流程的效率。

到此，相信大家對“MaxCompute在電商場景中怎么進行漏斗模型分析”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！