activity_metrics-Plug-In

Gilt für: ✅Microsoft Fabric✅Azure Data Explorer

Berechnet nützliche Metriken, die unterschiedliche Anzahlwerte, unterschiedliche Anzahl neuer Werte, Aufbewahrungsrate und Abbruchrate enthalten. Dieses Plug-In unterscheidet sich von activity_counts_metrics Plug-In , in dem jedes Zeitfenster mit allen vorherigen Zeitfenstern verglichen wird.

Syntax

T| evaluateactivity_metrics( IdColumn TimelineColumn,, [,] , [,, ...]

Erfahren Sie mehr über Syntaxkonventionen.

Parameter

Name	Typ	Erforderlich	Beschreibung
T	string	✔️	Die Eingabe, die zum Berechnen von Aktivitätsmetriken verwendet wird.
IdCoumn	string	✔️	Der Name der Spalte mit ID-Werten, die Benutzeraktivitäten darstellen.
TimelineColumn	string	✔️	Der Name der Spalte, die die Zeitachse darstellt.
Starten	datetime	✔️	Der Analyseanfangszeitraum.
ENDE	datetime	✔️	Der Endzeitraum der Analyse.
Schritt	Dezimal-, Datums- oder Uhrzeitbereich	✔️	Der Analysefensterzeitraum. Dieser Wert kann auch eine Zeichenfolge von week, , monthoder year, in diesem Fall werden alle Zeiträume startofweek, startofmonth oder startofyear sein.
dim1, dim2, ...	dynamic		Ein Array der Dimensionsspalten, die die Berechnung der Aktivitätsmetriken segmentieren.

Gibt zurück

Das Plug-In gibt eine Tabelle mit den unterschiedlichen Anzahlwerten, der unterschiedlichen Anzahl neuer Werte, der Aufbewahrungsrate und der Änderungsrate für jeden Zeitachsenzeitraum für jede vorhandene Dimensionskombination zurück.

Das Ausgabetabellenschema lautet:

TimelineColumn	dcount_values	dcount_newvalues	retention_rate	churn_rate	dim1	..	dim_n
type: as of TimelineColumn	long	long	doppelt	doppelt	..	..	..

Hinweise

Definition der Aufbewahrungsrate

Retention Rate über einen Zeitraum wird berechnet als:

Anzahl der Kunden, die während des Zeitraums / (dividiert durch) Kunden am Anfang des Zeitraums zurückgegeben wurden

wobei dies # of customers returned during the period wie folgt definiert ist:

Anzahl der Kunden am Ende des Zeitraums - (minus) Anzahl neuer Kunden, die während des Zeitraums erworben wurden

Retention Rate kann von 0,0 bis 1,0 Eine höhere Bewertung bedeutet eine größere Anzahl von zurückgegebenen Benutzern.

Churn Rate Definition

Churn Rate über einen Zeitraum wird berechnet als:

Anzahl der Kunden, die in der Periode verloren gegangen sind / (dividiert durch) Anzahl der Kunden am Anfang des Zeitraums

wobei dies # of customer lost in the period wie folgt definiert ist:

Anzahl der Kunden am Anfang des Zeitraums - (minus) Anzahl der zurückgegebenen Kunden während des Zeitraums

Churn Rate kann von 0,0 bis 1,0 variieren. Die höhere Bewertung bedeutet, dass die größere Anzahl von Benutzern NICHT an den Dienst zurückkehrt.

Churn vs. Aufbewahrungsrate

Die Änderungsrate im Vergleich zur Aufbewahrungsrate wird von der Definition von Churn Rate und .Retention Rate Die folgende Berechnung ist immer wahr:

[Retention Rate] = 100,0 % - [Churn Rate]

Beispiele

Im folgenden Beispiel wird die Aufbewahrungs- und Änderungsrate für das Wochen-über-Wochen-Fenster berechnet.

Abfrage ausführen

// Generate random data of user activities
let _start = datetime(2017-01-02);
let _end = datetime(2017-05-31);
range _day from _start to _end  step 1d
| extend d = tolong((_day - _start)/1d)
| extend r = rand()+1
| extend _users=range(tolong(d*50*r), tolong(d*50*r+200*r-1), 1)
| mv-expand id=_users to typeof(long) limit 1000000
//
| evaluate activity_metrics(['id'], _day, _start, _end, 7d)
| project _day, retention_rate, churn_rate
| render timechart

Ausgabe

_Tag	retention_rate	churn_rate
2017-01-02 00:00:00.0000000	NaN	NaN
2017-01-09 00:00:00.0000000	0.179910044977511	0.820089955022489
2017-01-16 00:00:00.0000000	0.744374437443744	0.255625562556256
2017-01-23 00:00:00.0000000	0.612096774193548	0.387903225806452
2017-01-30 00:00:00.0000000	0.681141439205955	0.318858560794045
2017-02-06 00:00:00.0000000	0.278145695364238	0.721854304635762
2017-02-13 00:00:00.0000000	0.223172628304821	0.776827371695179
2017-02-20 00:00:00.0000000	0,38	0,62
2017-02-27 00:00:00.0000000	0.295519001701645	0.704480998298355
2017-03-06 00:00:00.0000000	0.280387770320656	0.719612229679344
2017-03-13 00:00:00.0000000	0.360628154795289	0.639371845204711
2017-03-20 00:00:00.0000000	0.288008028098344	0.711991971901656
2017-03-27 00:00:00.0000000	0.306134969325153	0.693865030674847
2017-04-03 00:00:00.0000000	0.356866537717602	0.643133462282398
2017-04-10 00:00:00.0000000	0.495098039215686	0.504901960784314
2017-04-17 00:00:00.0000000	0.198296836982968	0.801703163017032
2017-04-24 00:00:00.0000000	0.0618811881188119	0.938118811881188
2017-05-01 00:00:00.0000000	0.204657727593507	0.795342272406493
2017-05-08 00:00:00.0000000	0.517391304347826	0.482608695652174
2017-05-15 00:00:00.0000000	0.143667296786389	0.856332703213611
2017-05-22 00:00:00.0000000	0.199122325836533	0.800877674163467
2017-05-29 00:00:00.0000000	0.063468992248062	0.936531007751938

Im folgenden Beispiel werden unterschiedliche Werte und "neue" Werte (IDs, die im vorherigen Zeitfenster nicht angezeigt wurden) für das Wochenfenster berechnet.

Abfrage ausführen

// Generate random data of user activities
let _start = datetime(2017-01-02);
let _end = datetime(2017-05-31);
range _day from _start to _end  step 1d
| extend d = tolong((_day - _start)/1d)
| extend r = rand()+1
| extend _users=range(tolong(d*50*r), tolong(d*50*r+200*r-1), 1)
| mv-expand id=_users to typeof(long) limit 1000000
//
| evaluate activity_metrics(['id'], _day, _start, _end, 7d)
| project _day, dcount_values, dcount_newvalues
| render timechart

Ausgabe

_Tag	dcount_values	dcount_newvalues
2017-01-02 00:00:00.0000000	630	630
2017-01-09 00:00:00.0000000	738	575
2017-01-16 00:00:00.0000000	1187	841
2017-01-23 00:00:00.0000000	1092	465
2017-01-30 00:00:00.0000000	1261	647
2017-02-06 00:00:00.0000000	17:44	1043
2017-02-13 00:00:00.0000000	1,563	432
2017-02-20 00:00:00.0000000	1406	818
2017-02-27 00:00:00.0000000	1956	1,429
2017-03-06 00:00:00.0000000	1,593	848
2017-03-13 00:00:00.0000000	1801	1423
2017-03-20 00:00:00.0000000	1710	1017
2017-03-27 00:00:00.0000000	1796	1516
2017-04-03 00:00:00.0000000	1381	1008
2017-04-10 00:00:00.0000000	1756	1162
2017-04-17 00:00:00.0000000	1831	1409
2017-04-24 00:00:00.0000000	23:18	1164
2017-05-01 00:00:00.0000000	1811	1,353
2017-05-08 00:00:00.0000000	1691	1246
2017-05-15 00:00:00.0000000	1812	1608
2017-05-22 00:00:00.0000000	1740	1017
2017-05-29 00:00:00.0000000	960	756