活动回顾 | 数十亿用户数据，上千个用户标签维度，用户分析怎么做？

快速决策。处理和解释用户行为信息的速度越快，就能更快掌握目前业务状况，从而帮助更早做出决策判断，团队可以第一时间采取措施积极应对。

更完整的用户画像。基于用户行为数据的这种用户模型中，记录了每个用户的每一次行为，这样可以客观、真实地还原用户与产品的交互过程，从事实的角度帮助构建更加完整、真实的用户画像。

精细化运营。用户行为数据是动态变化的，随着用户从认知，熟悉，最后成为高价值用户，用户的每个行为都记录了下来。不同阶段的用户可以分别采取有针对性的运营策略。

第一步：通过分析埋点数据，还原用户使用产品的全流程路径,可视化显示用户访问路径，从整体的视角查看用户在各个节点上的流量，定位关键路径。

第二步：指定关键步骤进行漏斗分析，得到各个步骤的转化率和流失率，定位转化步骤中的问题节点和客群。

第三步：再将关键步骤中的客群与标签数据联动，得到这客群的价值分布。

最后，有了完善的数据做支持，业务人员不仅能够在指定运营策略的过程中，参考过往的活动数据，做到手中有数，心中有谱。

首先需要更强大的计算引擎提供分析，支持海量数据分析和低延迟；并且在数据量增长、业务需求增长的情况下，保证稳定的查询体验。

其次，我们需要一个统一的数据模型，帮助企业创建数据资产之间的关联，以获得对数据更全面的视角。还应支持数据导出，与画像系统联动、与营销系统打通。

最后，应该提供拖拽式的行为分析。用户根据相关业务，灵活地创建图表，分析自己想要看的行为数据。易学易用，快速上手。不仅如此，用户还可以灵活的多维选择进行组合查询、下钻分析和明细信息查询。

支持从多种数据仓库、数据湖加载数据，进行海量数据的存储，为全时间段、全维度分析提供基础，实现海量数据融合查询与统一管理；模型预计算技术，分析击中预计算不重复计算，不断复用预计算结果，提升查询的速度和性能，同时，查询的性能随业务的增长也不会受到影响。

利用 Bitmap 计算 提供了高基数维度的精确去重计算，满足真实场景中的用户行为分析需求。

提供了高性能的查询保障和交互式的分析需求；拖拽式开发报表，解耦 IT 人员的依赖，赋能更多业务人员，充分发挥业务人员的聪明才智，大幅度的缩短业务策略的落地实施周期。

通过 Kyligence 将用户行为数据、用户标签数据打通，业务人员基于统一的业务数据集进行自助式分析。将精确用户 ID 数据导出到其他系统，支持后续营销活动。

每天成功购买的用户数是多少？

每天各个时段浏览量、浏览用户数的变化？

PV、UV数的变化趋势是什么？

多维查询：系统有十多个维度可以相互交叉分析，并且和任意日期关联。

虚拟埋点分析：虚拟埋点就是由几个埋点组合成的埋点。在很多场景下，只查询单个埋点的行为数据是不够的。而虚拟埋点的转化分析涉及到多个埋点先做并集，再做交集的 UV 聚合去重。对于这种复杂分析需求，业务用户只需要把这个虚拟埋点具体包含哪些埋点告诉系统，系统会自动地生成 SQL 去查询。

自定义漏斗：在这个方案中，利用 Kylin 提供的交集函数，可以在前端自定义漏斗配置后即刻返回数据的效果。