客户画像中,标签开发经常会有类似下面维度的标签,那该如何处理呢?
- 客户最近三个月点击app**模块的活跃时长
- 客户最近三个月点击app**模块的活跃次数
- 客户最近三个月点击app**模块的活跃天数
常规方法,以及存在的问题
最直接的办法就是在计算出当天数据之后,然后一次性加在90天的数据,goup by做相应的聚合操作,在用户量不是很大的情况下,这样做事没有问题的,
但是假设一天的活跃用户为百万级,当天数据的表中,我们假设每个用户在二十个不同大小的我们关心的模块活跃过,那么一个用户在这个表中就会有20条数据,这样总数据量就会在亿级。这样,如果还是按照以前的办法就会加在月接近百亿条数据,这样跑起来不仅会耗费太多的资源,出现数据倾斜,而且运行时间会过长,影响整个架构中任务运行的进度。
优化方法
建立一个日任务A,每天运行计算最近一个月的数据(如果数据量过大,可以考虑15天,或者更小的粒度);
建立一个日任务B,从任务A中取数,取三天的分区,做聚合计算。
让我们来举个例子
标签维度:用户最近三个月访问APP“我的”按钮的次数
底层日任务b,统计出标签 用户当天点击“我的”按钮的次数(app_mine_button_click_cnt_day),生成分区,从2018-12-01至2019-03-31
日任务A从任务b中取数, 统计出标签 用户最近一月点击“我的”按钮的次数 (app_mine_button_click_c