Udostępnij za pośrednictwem

Wtyczka activity_metrics

Dotyczy: ✅Microsoft Fabric✅Azure Data Explorer

Oblicza przydatne metryki, które obejmują różne wartości liczbowe, unikatową liczbę nowych wartości, współczynnika przechowywania i współczynnik zmian. Ta wtyczka różni się od wtyczki activity_counts_metrics, w której za każdym razem okno jest porównywane do wszystkich poprzednich okien.

Składnia

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

Dowiedz się więcej na temat konwencji składni.

Parametry

Nazwisko Typ Wymagania opis
T string ✔️ Dane wejściowe używane do obliczania metryk aktywności.
IdCoumn string ✔️ Nazwa kolumny z wartościami identyfikatorów reprezentującymi aktywność użytkownika.
Kolumna osi czasu string ✔️ Nazwa kolumny reprezentującej oś czasu.
Uruchom datetime ✔️ Okres rozpoczęcia analizy.
Koniec datetime ✔️ Okres zakończenia analizy.
Krok liczba dziesiętna, data/godzina lub przedział czasu ✔️ Okres okna analizy. Ta wartość może być również ciągiem week, monthlub year, w takim przypadku wszystkie okresy będą startofweek, startofmonth lub startofyear odpowiednio.
dim1, dim2, ... dynamic Tablica kolumn wymiarów, które wycinek obliczeń metryk aktywności.

Zwraca

Wtyczka zwraca tabelę z unikatowymi wartościami liczbowymi, odrębną liczbą nowych wartości, współczynnikiem utrzymania i współczynnikiem zmian dla każdego okresu osi czasu dla każdej kombinacji istniejących wymiarów.

Schemat tabeli wyjściowej to:

Kolumna osi czasu dcount_values dcount_newvalues retention_rate churn_rate dim1 .. dim_n
type: as of TimelineColumn long long podwójny podwójny .. .. ..

Uwagi

Definicja współczynnika utrzymania

Retention Rate w okresie jest obliczany jako:

liczba klientów zwróconych w okresie /(podzielonym przez) klientów na początku okresu

gdzie element # of customers returned during the period jest zdefiniowany jako:

liczba klientów na koniec okresu — (minus) liczba nowych klientów nabytych w danym okresie

Retention Rate Może się różnić od 0,0 do 1,0 A wyższa ocena oznacza większą liczbę zwracanych użytkowników.

Definicja współczynnika zmian

Churn Rate w okresie jest obliczany jako:

liczba klientów utraconych w okresie / (podzielona przez) liczbę klientów na początku okresu

gdzie element # of customer lost in the period jest zdefiniowany jako:

liczba klientów na początku okresu — (minus) liczba zwracanych klientów w okresie

Churn Rate Może się różnić od 0,0 do 1,0 Wyższy wynik oznacza, że większa liczba użytkowników nie wraca do usługi.

Współczynnik zmian a współczynnik utrzymania

Współczynnik zmian a współczynnik utrzymania pochodzi z definicji i Churn RateRetention Rate. Następujące obliczenie jest zawsze prawdziwe:

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

Przykłady

W poniższym przykładzie jest obliczana wartość przechowywania i współczynnik zmian w przedziale tygodniowym.

Uruchamianie zapytania

// 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

Wyjście

_dzień 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

Tabela przedstawiająca obliczone wskaźniki przechowywania i współczynników zmian na siedem dni, jak określono w zapytaniu.

W poniższym przykładzie są obliczane odrębne wartości i wartości "nowe" (identyfikatory, które nie były wyświetlane w poprzednim przedziale czasu) w oknie tygodniowym.

Uruchamianie zapytania

// 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

Wyjście

_dzień 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 1744 1043
2017-02-13 00:00:00.0000000 1563 432
2017-02-20 00:00:00.0000000 1406 818
2017-02-27 00:00:00.0000000 1956 1429
2017-03-06 00:00:00.0000000 1593 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 1823 1164
2017-05-01 00:00:00.0000000 1811 1353
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

Tabela przedstawiająca liczbę unikatowych wartości (dcount_values) i nowych unikatowych wartości (dcount_newvalues), które nie były wyświetlane w poprzednim przedziale czasu określonym w zapytaniu.