java漏斗代码_集算示例：10 行代码解决漏斗转换计算

销售过程是一个多环节的过程，哪个步骤有了过大瑕疵，都会导致业绩急剧下滑。而诊断出哪个步骤有瑕疵，除了无形的经验，还有量化的诊断方式，就是今天要讨论的主角：转化漏斗模型。

示例数据

为了详细讨论这个漏斗的实现过程，我们举一个具体的网上商城的例子，被分析的数据也不复杂，只有一个事件表：

用户 ID：用户编码

事件 ID：事件编码

事件属性：不同事件有不同属性；json 格式，{“content”:”computer”,”page_num”:1}

时间：事件发生的时间

事件类型和事件属性如下所示

需求定义

目标结果是获得某个操作流程在每个操作的客户流失率，如下图，登录的用户有 20000 人；其中有 12000 人进行了：登录 -> 搜索商品；其中有 8000 人进行了：登录 -> 搜索商品 -> 查看商品。如下图所示：

每个事件后都可能流失一些用户，整个图示就象一个漏斗形状，所以被称为漏斗转换分析。

我们来研究这个运算的一些需求点：

针对同一个用户，我们观察下面这两组数据，因为事件顺序关系，我们认为 1000001 用户只发生了登录行为，而 1000002 的三个事件符合目标顺序，到查看商品事件才流失

用户 ID

事件 ID

事件名称

时间

1000001

10002

登录

2017/2/3 0:01

1000001

10004

浏览产品

2017/2/3 0:03

1000001

10003

搜索产品

2017/2/3 0:08

1000001

10007

生成订单

2017/2/3 0:12

用户 ID

事件 ID

事件名称

时间

1000002

10002

登录

2017/2/3 0:01

1000002

10003

搜索产品

2017/2/3 0:03

1000002

10004

浏览产品

2017/2/3 0:08

上面这些事件，有一些事件有必然的前后关系，比如退订商品肯定发生在订单付款之后，订单付款肯定发生在生成订单之后；而收藏商品和加入购物车就不一定谁先谁后了，退订商品前也不一定发生评价商品的事件。这些不稳定性背后隐藏着用户行为，通过对一组有序事件的漏斗分析，就找到了这组行为用户在各个阶段的流失率。这是第一个需求点：事件要顺序发生，且能灵活定义。

第二个需求点是能对事件属性自由定义条件，如 brand=’APPLE’&