从216页继续。
回顾下，昨天说了用户行为分析需要关注的3个指标，
- 第一个指标是黏性指标，一个指标，即用户的活跃天数，留存（在下一个阶段多少用户依然活跃的比例）。根据用户的活跃度来做人群划分，基于不同人群做精准分析，新用户的留存低，说明运营的渠道质量差、老用户的留存下降，说明产品出了问题。
- 第二个指标是参与度指标，包括了3个小指标，登录、停留时长、访问页面数，根据这几个指标，按照时间维度去分析，可以去定位到一些产品的问题。
- 今天学到的是第三个指标，转化类指标：
转化类指标
第三类需要关注的指标是用户的转化。
一般分析转化需要从2个大的方向入手，一是从产品的整体运营情况来看，用户从激活到下单的整个流程；二是从细分产品的关键路径来看，用户接触产品到完成转化经历的步骤。
用户转化节点一览图
上图列举了产品运营场景中的所有转化节点，我们可以针对这些关键节点做数据埋点+监控。对于App类产品可用Charles或Fiddler抓包工具测试埋点关键点。
关于fiddler介绍：
文章里面介绍了fiddle:
https://www.cnblogs.com/zxtceq/p/8617401.html
fiddle 工作为代理状态，把所有客户端和服务端的通信截取并做了展示，用于调试很有效。
针对这些关键节点的数据监控，我们可以从整体及细分渠道、细分时间段、细分活动来看不同的转化情况，如下表所示。
用户生命周期关键指标拆解
比如细分渠道的场景下，假设渠道都是按激活用户付费，从某两个渠道进来的用户后续的转化行为如下表所示，如何判断这两个渠道的质量优劣呢？
各个渠道转化监控
假设激活用户为10000个，将各个转化节点的指标转化为成本绝对值。
（下图绿框+红框是怎么算的？直接用获取成本/当前的人数 ， 当前人数=上一阶段的转化率*上一阶段的人数，比如单个下载成本=30000元/当前的人数 ， 当前人数=10000人*30%=3000人， 那么单个下载成本=30000/3000=10元； 再计算单个注册成本，3000*65%=1950，30000/1950=15）
各个渠道成本监控
显然，从成本角度来看，渠道1优于渠道2. 当然，后续我们也需要分析不同渠道进来的用户的ARPU
（ARPU的全称是Average Revenue Per User，也就是每用户平均收入。这个指标计算的是某时间段内平均每个活跃用户为应用创造的收入）
9.6.2 案例背景
这里介绍一个典型的场景来介绍用户访问session分析应用的背景。
用户进入电商类网站或App的一个典型流程包括，进入首页后搜索关键词、点击商品板块或点击推荐商品进入详情页，在详情页浏览点击加购后退出该页面搜索其他商品继续浏览，最后进入订单页进行支付，或浏览途中退出App.这一系列行为就是用户的行为轨迹，如下图所示，对于用户这样的连续访问会话，我们称之为Session.
用户访问行为轨迹
session中记录了用户在什么时间点，通过什么样的行为，浏览了什么页面/商品。一般Session的切割为固定市时长，如定义App端Session的切割时长为5分钟时，即用户每次访问行为如果距离上一次访问行为在5分钟之内，则记为同一次访问，如果距离上次访问大于5分钟则极为两次不同的访问。通过session_id可标识用户的访问，同一次连续访问的Session_id相同，否则不同。
基于Session对用户进行分析具有非常重要的作用，可以从用户的访问次数、访问路径、访问商品品类等多个维度分析用户特征。进一步地分析用户首次访问的Session对于挖掘影响用户购买行为具有重要的意义。
本章介绍的session访问行为分析案例是在对4.5节中介绍的用户特征库进行二次开发的基础上，进一步挖掘用户首次访问的行为特征。
-------
9.6 章节，今天看到了219页。
jump 到4.5节，忘记差不多了，再看看。
4.5节在p104页，几句话说的好，在这里重新打一遍：
根据应用需要，创建表dw.cookie_feature_event_append来构建用户特征，表结构如下表所示：
构建用户特征表
- cookie_id: 用户访问id
- goods_id: 商品id,用户行为对应的商品
- goods_name:商品名称，用户行为对应的商品。
- tag_type:标签类型，可以按商品归属的三级品类进行划分，如游戏本，轻薄本、机械键盘灯表示不同的3C品类。
- event_value: 用户当日行为的统计值，如用户某日浏览某品牌笔记本电脑3次，该字段记录为3.
- data_date: 数据日期，按日进行分区。
- act_name :用户行为事件名称，如点击、搜索、提交等。
该表中，act_name 事件名称对应的数据来源可大致分为3种类型：
1）打点日志数据：用户访问页面时，点击了哪些按钮、搜索了哪些关键词都会通过打点日志上报记录。
2）访问日志数据：用户访问了哪些页面，访问了多长时间都可以从访问日志数据中挖掘。
3）订单数据：用户订单及订单里面的商品。
时间名称可以通过一张维表来记录用户不同的行为事件，行为事件划分得越细，用户在平台的行为捕捉得越全面，
记录不同行为事件的维表1
记录不同行为事件的维表2
数据开发：
数据开发过程中，主要从订单表、打点日志表、访问日志表中对用户当日的行为（加购、点击、浏览、点赞等）抽取数据，然后清洗加载到用户特征库对应表（本案例 dw.cookie_feature_event_append）的当日分区下。如下图所示：
用户行为特征库开发逻辑
4.5 章节看到108页。明天继续
------------
