定义用户活跃度标签
ACTION_U_05_001 : 低活跃用户 ACTION_U_05_002: 中活跃用户 ACTION_U_05_003: 高活跃用户
规则类标签说的那么神秘,其实就是基于2,8原则,做统计来定义,最后形成逻辑的。
by the way发现业务中无处不使用2,8原则
业务场景描述:
需要根据用户的活跃情况给用户打上高活跃、中活跃、低活跃、流失等标签。
如,将XX天未访问的用户定义为流失用户,将XX天内活跃X次的用户定义为高活跃用户,需要结合业务数据调研情况来确定数值。业务上划分流失周期有很多种,下面是一种:
下图纵坐标为回访率,横坐标为时间,可以看到,用户在第5周后回访率下降速度减慢,回访率已经低于10%且后续趋势保持稳定。第5周作为拐点即为用户流失周期。
从下图还可以看出,最后一次访问与倒数第二次访问间隔在30日以上的用户占比不足10%,即最后一次访问距今30日以上的用户可认为已流失:
经过对数据的调研分析,从下图可以看出(被隐去了,哭),活跃10日以上的用户占近30日访问用户量的20%,按照2,8 原则把这部分用户划分为高活跃用户。
进一步把活跃5-10日的用户划分为中活跃用户,把1-5日的用户划分为低活跃用户。
根据上面描述的内容,把最后一次访问距今30日的用户划定为已流失用户,30日内活跃10-30天的用户划定为高活跃用户,30日活跃5-10天的划定为中活跃用户,30日活跃少于5天的用户划定为低活跃用户:
计算近30日有过访问行为的用户及其访问天数,并注册临时视图“user_active"
记录近30日有过访问的用户及访问天数:
外面的语句其实这样:
select a,count(*) as b from t group by a; --- 感觉上面一句写成 count(data_date)更好
查询里面的语句是
select a,b from t group by a,b; -- 这里是把a,b 组合起来,看成一个整体字段来进行分组的
这样说只要是不同的a(user_id) 或者不同的b(时间)都是不同的数值需要返回。
为用户标签表插入数据:
往用户标签表里插入数据,按照日期和labelid 进行分区。
内部2层表,选择 labelid,userid,labelweight 三列。
内部3层表,选择 userid 为 user_id , tagid (根据visit_num 来确定标签id),visit_num 等于labelweight,
可以看到标签表层层嵌套,其实最终的源表就是用户的id和他的访问次数(user_active)通过case when 做一层判断,基于前面的逻辑打上不同的tagid.
老样子,把上面的两端SQL 嵌入到python 里面,通过pyspark 函数插件调度spark 执行。
strptime()中的p指的是parse, 意思是解析, 一般解析都是说对字符串进行解析, 所以strptime()方法的作用是将字符串解析为时间元组
strftime()中的f指的是format, 意思是格式化, 也就是处理成适合人看的格式, 所以strftime()方法的作用是将时间元组格式化为字符串
————————————————
版权声明:本文为CSDN博主「littlehaes」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/littlehaes/article/details/103892187
date_str= datetime.datetime.strftime(datetime.date.today()-datetime.timedelta(days=1), %Y%m%d) // 获取1天前的日期
month_day_ago = strftime(strptime(start_date_str,format) - datetime.timedelta(1),format) //获取一个月前的日期,按照format输出(%Y%M%D)
执行完成后,查询 表里3个前五的用户表的信息,
脚本:“ SELECT * FROM dw.userprofile_attribute_all WHERE data_date="20190101" and labelid in("ACTION_U_05_001","ACTION_U_05_002","ACTION_U_05_003") LIMIT 5
如下所示: