clickhouse数据模型之留存分析

最新推荐文章于 2024-06-14 11:49:51 发布

马斯特杨

最新推荐文章于 2024-06-14 11:49:51 发布

阅读量2.1k

点赞数

分类专栏： clickhouse 文章标签：大数据

本文链接：https://blog.csdn.net/weixin_42993799/article/details/109020306

版权

本文介绍了如何使用ClickHouse进行留存分析，对比了使用Roaringbitmap和retention函数的方法。Roaringbitmap通过压缩数据提高查询性能，适合大数据集，但操作复杂。而retention函数则简化了留存分析，但可能需要关联查询，性能受影响。文中通过实例展示了这两种方法在留存率计算中的应用。

摘要由CSDN通过智能技术生成

clickhouse数据模型之留存分析

什么是留存，比如在20200701这天操作了“点击banner”的用户有100个，这部分用户在20200702这天操作了“点击app签到”的有20个，那么对于分析时间是20200701，且“点击banner”的用户在次日“点击app签到”的留存率是20%。

背景

关于用户留存模型是各大商业数据分析平台必不可少的功能，企业一般用该模型衡量用户的活跃情况，也是能直接反应产品功能价值的直接指标；如，boss想要了解商城改版后，对用户加购以及后续下单情况的影响等。如下图，这就是一个典型的留存分析功能：

image.png

问题

通常实现上述需求的传统做法是多表关联，了解clickhouse的攻城狮都清楚，多表关联简直就是clickhouse的天敌；如一张用户行为日志表中至少包含：用户id、行为事件、操作时间、地点属性等，想分析20200909日河南省注册用户次日的下单情况，那么SQL一般会这么写：

select count(distinct t1.uid) r1, count(distinct t2.uid) r2 from
(
  select uid from action_log where day='20200909' and action='login' and province='河南省'
) as t1 left join
(
  select uid from action

最低0.47元/天解锁文章