某指标的次/三/七/十四/三十日留存计算

Hive面试题——次日,3日,7日,30日,90日留存计算 已知用户登录日志表user_login_log user_id event_time 1 2022-01-01 12:10:00 2 2022-01-11 22:10:00 3 2022-01-21 21:20:01 ...... ........ 求:此应用的次日、3日、7日、14日、30日、90日留存率 思路解析: 1、先按照日期、用户去重 2、再做子关联,关联条件为:user_id相同,时间做差 3、再分别去重计算,计算对应的留存率即可 阅读详情

计算每日某个指标留存,实现定时脚本
以某产品下载用户留存为例,计算次,3,4,5,6,7,14,30日留存

最终结果显示如下图:
在这里插入图片描述

思路解析
留存定义为在当天做某操作的用户在相对于当天的下一天(次留存),下两天(3留存)…该用户依旧做这个操作;这里举例的是下载,即当天下载的用户,在相对于当天的下一天(次留存),下两天(3留存)依旧有下载行为;但是因为要实现每天的定时脚本跑当天的后续事件留存。按照普通思路,以当天日期为基础,计算相对于当天的留存显然实现不了(因为数据的t+1更新,当天的数据为最新数据,当天的后续数据现在还没有),所以应该以当天时间为以前某天的时间的留存时间,例如今天是昨天的次留存计算时间,今天是前天的3留存时间,以此类推,利用已有的数据计算。

表结构介绍
此处以下载为例,下载表中字段如下:

字段名类型描述
sourceidbigint资源自增id
usernamestring下载者用户名
datelinebigint下载时间戳

代码

with tmp as (
    SELECT 
        tolower(username) as username,
        substr(from_unixtime(dateline),1,10) as pdate
    FROM
        download_source_userdown_source_base
)
insert into table dl_download_user_remain
SELECT 
    '${pt}' as pt,
    '今日下载用户' as itype,
    count(distinct username) as users
FROM tmp
WHERE pdate = '${pt}'

union all 

SELECT 
    '${pt2}' as pt,
    '次留下载用户' as itype,
    count(distinct b.username) as users
FROM 
    (SELECT username FROM tmp WHERE pdate = '${pt}') a
    left JOIN 
    (SELECT username FROM tmp WHERE pdate = '${pt2}') b
    on a.username = b.username

union all

SELECT 
    '${pt3}' as pt,
    '3留下载用户' as itype,
    count(distinct b.username) as users
FROM 
    (SELECT username FROM tmp WHERE pdate = '${pt}') a
    left JOIN 
    (SELECT username FROM tmp WHERE pdate = '${pt3}') b
    on a.username = b.username

union all

SELECT 
    '${pt4}' as pt,
    '4留下载用户' as itype,
    count(distinct b.username) as users
FROM 
    (SELECT username FROM tmp WHERE pdate = '${pt}') a
    left JOIN 
    (SELECT username FROM tmp WHERE pdate = '${pt4}') b
    on a.username = b.username

union all

SELECT 
    '${pt5}' as pt,
    '5留下载用户' as itype,
    count(distinct b.username) as users
FROM 
    (SELECT username FROM tmp WHERE pdate = '${pt}') a
    left JOIN 
    (SELECT username FROM tmp WHERE pdate = '${pt5}') b
    on a.username = b.username

union all

SELECT 
    '${pt6}' as pt,
    '6留下载用户' as itype,
    count(distinct b.username) as users
FROM 
    (SELECT username FROM tmp WHERE pdate = '${pt}') a
    left JOIN 
    (SELECT username FROM tmp WHERE pdate = '${pt6}') b
    on a.username = b.username

union all

SELECT 
    '${pt7}' as pt,
    '7留下载用户' as itype,
    count(distinct b.username) as users
FROM 
    (SELECT username FROM tmp WHERE pdate = '${pt}') a
    left JOIN 
    (SELECT username FROM tmp WHERE pdate = '${pt7}') b
    on a.username = b.username

union all

SELECT 
    '${pt14}' as pt,
    '14留下载用户' as itype,
    count(distinct b.username) as users
FROM 
    (SELECT username FROM tmp WHERE pdate = '${pt}') a
    left JOIN 
    (SELECT username FROM tmp WHERE pdate = '${pt14}') b
    on a.username = b.username

union all

SELECT 
    '${pt30}' as pt,
    '30留下载用户' as itype,
    count(distinct b.username) as users
FROM 
    (SELECT username FROM tmp WHERE pdate = '${pt}') a
    left JOIN 
    (SELECT username FROM tmp WHERE pdate = '${pt30}') b
    on a.username = b.username

代码释义
with as临时表中先将下载表中的下载时间和下载用户做转化处理,每个union all 都是当天(在代码中变量值为’${pt}’)作为之前天数的对应的留存,’${pt2}’,’${pt3}’,’${pt4}’,’${pt5}’,’${pt6}’,’${pt7}’,’${pt14}’,’${pt30}‘为相对于今天减去后缀数字-1的天数日期 (例如:’${pt2}‘是’${pt}’-1天的日期,即当天的前一天日期,其他以此类推) ;dl_download_user_remain作为结果数据的存储表,改表中字段如下:

字段字段类型字段释义
pdatestring时间
itypestring区分是什么用户数(当天的下载用户数/某天的留存用户数)
usersbigint用户数

结果数据表中存在多条某一天的不同数据(此处的不同指的是itype区别的某天的留存),部分结果表数据如图:
在这里插入图片描述
展示阶段
到这数据已经准备好了,现在需要做的是将这些数据做最后的计算。这里用于展示的平台是阿里的qiuck bi,采用其即席分析sql创建数据集。代码如下:

SELECT 
  a.pdate,
  a.itype,
  a.users,
  cast(a.users as float)/cast(b.users as float)
FROM 
dl_download_user_remain a
left join
(select * from dl_download_user_remain where itype = '今日下载用户') b
on a.pdate = b.pdate

这里做的是将准备好的数据以日期为关联条件自连接将所有日期相同的数据拉平。且用留存用户数除以对应日期的当天下载用户数,以计算留存率。

总结
计算留存的难点在于数据的时效性有限。不能计算当天在以后的时间中的留存,而是将当天作为之前时间的留存天计算。

次日、3日、7日、14日、30日、90日留存计算SQL命令(实测有效版) 以前找过多个不同版本的留存SQL命令,大多无法让人满意,现提供一个真正实用的版本 说明: role_login_back:表名字 event_time:登录日期时间,例如:2019-12-06 10:02:08 device_id:设备ID 数据库表role_login_back的字段: /*计算某日新增登录设备的次日、3日、7日、14日、30日、90日留存率*/ SELECT log_day... 阅读详情

相关推荐

app运营:用户留存率详解

留存率,越来越受到大家的关注,从网站用户到客户端产品,游戏产品,无线APP产品,都非常重视这一指标,留存率成为衡量一个产品是否健康成长的重要指标之一。 SELECT first_day, sum(case when by_day = 0 then 1 else 0 end) day_0, sum(case when by_day = 1 then 1 else 0...

OYY_90的博客 1404

计算活跃度、次留、三留、七留、次留率、三留率、七留率

活跃度:每天不同的新增的用户 第1日留存率(即“次留”):(当天新增的用户中,新增日之后的第1天还登录的用户数)/第一天新增总用户数; 第2日留存率:(当天新增的用户中,新增日之后的第2天还登录的用户数)/第一天新增总用户数; 第3日留存率:(当天新增的用户中,新增日之后的第3天还登录的用户数)/第一天新增总用户数; 第7日留存率:(当天新增的用户中,新增日之后的第7天还登录的用户数)/第一天新增...

Hopes_J的博客 4万+

RAG不是加搜索引擎:揭秘检索增强生成的纠错本质与可信架构

检索增强生成(RAG)是一种将大语言模型与外部知识源动态协同的技术范式,其核心原理在于解耦‘语义检索’与‘条件生成’两个阶段,通过向量相似性匹配实现精准知识召回,并以引用约束机制抑制幻觉。相比微调,RAG具备知识实时更新、答案可追溯、运维成本低等显著技术价值,广泛应用于金融研报、医疗问答、法务咨询等对事实准确性与审计合规性要求严苛的专业场景。本文深入剖析RAG四大核心模块——检索引擎、知识库中枢、生成调度器与可信度护栏的设计逻辑与工程落地要点。

didui8202的博客 491

MySQL实现7天,15天,30天,90天用户留存数量查询

MySQL实现7天,15天,30天,90天用户留存数量查询

m0_74444744的博客 3004

Dense X Retrieval:面向业务约束的多维语义检索技术

稠密检索(Dense Retrieval)是RAG系统的核心组件,其原理是将文本与查询映射至统一向量空间,通过相似度匹配实现语义召回。但传统单维向量检索难以应对法律、医疗、制造等专业场景中显式的结构、时效、角色等业务约束,导致‘答案对、引用错’等工程痛点。Dense X Retrieval(DXR)通过引入可建模、可验证、可嵌入的X维度(如章节层级、生效时间、责任主体),将文本块升维为带坐标的语义体,在保持向量检索效率的同时,注入强业务逻辑。该技术已在Langchain与LlamaIndex框架中落地为结构

Ferrerooo 成长 606

浅谈游戏数据分析------留存篇一---留存折损

浅谈游戏数据分析—-长线留存分析方法一 留存折损—–两个不同节点的留存之间的比值,用于判断留下用户的留存情况,即真实用户的留存。 常见的留存疑惑:** 我的游戏次留很好,怎么活跃涨不起来,一个月后感觉活跃有些快崩了? 我知道游戏的留存差,但不确定在那个阶段差,比正常值差多少,该怎么去调整? 一、简述 在游戏的数据分析中,重点无外乎是分析...

Allon的博客 1万+

留存率的应用及算数

第1日留存率(即“次留”):(当天新增的用户中,新增日之后的第1天还登录的用户数)/第一天新增总用户数;第30日留存率:(当天新增的用户中,新增日之后的第30天还登录的用户数)/第一天新增总用户数;第3日留存率:(当天新增的用户中,新增日之后的第3天还登录的用户数)/第一天新增总用户数;第7日留存率:(当天新增的用户中,新增日之后的第7天还登录的用户数)/第一天新增总用户数;第N日留存:指的是新增用户日之后的第N日依然登录的用户占新增用户的比例。登录用户数:登录应用后至当前时间,至少登录过一次的用户数;

qq_66882059的博客 544

SQL:批量获取次月留存和滚动留存

一次性获取多月的次月留存,一次性获取多日的滚动30日留存

weixin_47198715的博客 1946

NLU落地与数据编程实战:从语言理解到业务决策

自然语言理解(NLU)在工程实践中并非追求通用语义认知,而是面向特定业务场景的歧义消解与结构化映射;其核心瓶颈往往不在模型能力,而在数据质量、领域漂移与逻辑关系建模。数据编程(Data Programming)作为一种可编程的数据治理范式,通过规则函数、知识库与模型启发生成弱标签,并经Label Model自动校准,显著提升小样本、高噪声、快迭代场景下的标注效率与泛化能力。该技术已广泛应用于金融合同解析、医疗文本结构化、酒店舆情根因分析等真实业务系统,成为Data-Centric AI落地的关键基础设施。

weixin_30425949的博客 473

SQL关于每日新增用户、次留存率、七日留存率等问题

1.数据下载(七周成为数据分析师的原数据): https://pan.baidu.com/s/1ZWQKm1zy9xnNpUfo9Uc9WA 2.将数据CSV导入到SQL中 如下 3.思路 –关于新增用户(第一次登陆的用户): select userid,min(paytime) first from order_info group by userid; –次留用户(即第一次登陆的用户在一天...

qq_43807789的博客 2万+

【信息科学与工程学】【管理科学】第七十二篇 管理层相对基层员工的信息差/资源差/权力差/认知差03 总裁/副总裁

定义系统状态(如:全正常、1个单元故障、降级运行、完全故障),状态间转移率 λ(故障率)和 μ(修复率)构成转移强度矩阵 Q。其中 γ_k = (2π/λ) n_k d_k cosθ_k 为相位厚度,η_k = n_k / cosθ_k (TE波) 或 η_k = n_k cosθ_k (TM波) 为光学导纳,θ_k为层内入射角。用于在光刻机设计阶段评估各子系统(光源、光学、工件台、真空等)的可靠性,识别薄弱环节,计算系统整体可用性(Availability),指导冗余设计和维护策略制定。

weixin_49199313的博客 991

Mythos动态推理机制:大模型能力精准编排技术解析

大模型推理正从静态架构迈向动态拓扑——Mythos代表了一种新型能力编排范式,其核心是上下文驱动的稀疏图路由与多级风险闸门控制。它不依赖参数膨胀,而是通过实时激活专业子网络,在法律条款解析、金融合规审查、临床指南比对等高确定性任务中实现结构化精度跃升。该机制天然适配低容错、强逻辑链、跨文档一致性等典型企业级文本处理场景,为开发者提供无需微调、不改架构、可度量验证的生产就绪能力升级路径。

weixin_30352191的博客 490

【社会科学】【管理科学】 第二十六章 评价管理——企业中通过评价实现人的管理方法和策略及行为01

编号类型领域评价人被评价人评价方法和策略评价控制的逐步推理思考的方程式及语言/话术/表情/姿态/动作/脸色/眼色关联知识法律法规和底线要求1绩效结果导向型评价绩效管理直接上级全体员工关键绩效指标法(KPI)与季度/年度复盘会推理方程式:核对期初目标(量化)→ 分析实际数据与目标差距 → 归因(外部/内部、能力/意愿)→ 共识下阶段改进点。 话术:“来看下我们Q2的业绩面板。你负责的A指标超额完成,值得肯定。但B指标有10%的缺口,你分析主要是什么原因?” 表情/姿态:坐在会议桌同侧,电脑屏幕或文

weixin_49199313的博客 625

GLM-5技术深度解析:长上下文、多模态原生与中文语义建模

大语言模型的核心能力正从通用参数规模转向场景化工程落地。长上下文处理能力是支撑法律合同分析、医疗病历摘要等专业任务的基础,其本质依赖于注意力机制重构与内存感知型分块加载;多模态原生架构则突破传统图文拼接范式,通过单塔融合与时空联合位置编码实现工业图纸、政策文件等中文垂直场景的结构化理解。GLM-5将长上下文、多模态原生两大关键技术深度耦合进中文语义文化图谱,在古文翻译、方言识别、政策条款推理中展现出远超统计建模的语言认知能力。该模型已非实验室产物,而是面向企业知识库构建、代码工程级调试、RAG增强协议栈等真

weixin_34416649的博客 438

新手必看:电路设计里的‘地’到底怎么接?单点、多点、混合接地保姆级图解

本文深入解析电路设计中的接地技术,涵盖单点、多点和混合接地的原理与应用。通过详细的图解和实战案例,帮助新手理解接地在提供参考电位、构成电流回路及抑制电磁干扰中的关键作用,避免常见设计误区,提升电路稳定性与抗干扰能力。

weixin_28455801的博客 301

WPS制作甘特图实操(带图超详细)

一、数据准备 图1 二、添加公式 在表格的E3处添加公式:=IF(C3>=G3,0,IF(C3+D3>=G3,G3-C3,D3)),点击该单元格的右下角。使鼠标箭头变“+”后下拉拖拽,复制该公式。F3处的公式为:=D3-E3,使用相同的拖拽方式复制公式应用,操作完毕如下图3. 图2 图3 三、插入图表 1、选中方框1内容,按住ctrl按键,继续选择2、3列的内容,点击插入全部图表中的条形图,选择2对应的图标样式,生成图6的样式。 点击图6中的3标尺,右击选择数据弹出图8,点击+号选择表格中

m0_49047167的博客 3万+

游戏指标含义

市场部门通常关注的留存率是指定时间段内的总留存率,以便衡量广告和宣传活动的效果,以及预测公司的用户增长和受众群体的变化。:可看做衡量用户每月的活跃天数(反映游戏人气、用户粘性),《游戏数据分析的艺术》认为,该指标低于0.2时,代表活跃用户每月至少6天处于活跃状态,但不同游戏有不同的考量。,ROI评估的是项目整体投资的总回报,而ROAS只计算特定广告活动的回报。因此,激活率和新用户转换率都是非常重要的数据指标,评估游戏应用的流量获取效果,但是两个指标的计算方法不同,使用时需要结合实际情况选择使用。

weixin_46637999的博客 3422

Win10本地账户密码遗忘?巧用指纹/PIN快速重置(家庭版/专业版通用指南)

本文提供了一份详细的Win10本地账户密码遗忘自救指南,适用于家庭版和专业版用户。核心方法是利用已登录的指纹或PIN码权限,通过创建新的管理员账户或使用系统工具,安全重置遗忘的本地账户密码,无需第三方工具或重装系统,有效保护个人数据。

e6f7g8h9i的博客 584

【策划经验】关于广告变现游戏的留存,我有话说

游戏结合社交,可以让现实生活中的朋友或游戏中的玩家进行互动、对抗,建立情感羁绊,催生亲密关系,通过形成关系存量提升长线留存。2)小孩子占比高的游戏留存会有较大波动,此前做过低年龄段游戏,毕竟小孩子的游戏时间是比较收控制的,0-17岁玩家留存波动较大,长留会较低,有的周末回流。本文重点讨论一下留存对游戏的影响,以及在以往的经验中,哪些方面的设计曾对增加休闲游戏的留存有一定作用。签到、任务、成就等,都是常规锦上添花型的系统,不能从根本上解决留存问题,这里不做太多关于这块的说明。喜欢的小伙伴可以关注我的。

一枚游戏干饭人 1556

【C++】DDS:FastDDS环境配置与使用示例

FastDDS环境配置与使用示例

DevFrank的博客 6513

【论文汇总】Diffusion Models视频生成/视频编辑/可控视频生成/跨模态视频生成

本文总结了Diffusion Models视频生成领域相关的工作,目前共收录142篇,持续更新中。

沉迷单车的追风少年 1676

app运营:用户留存率详解与计算案例

摘要: 文/BLUES留存率,越来越受到大家的关注,从网站用户到客户端产品,游戏产品,无线APP产品,都非常重视这一指标,留存率成为衡量一个产品是否健康成长的重要指标之一。留存率的“40–20–10”规则Facebook平台流传出留 ... 文/BLUES 留存率,越来越受到大家的关注,从网站用户到客户端产品,游戏产品,无线APP产品,都非常

每天积累一点,一年后你会发现,自己变化很大 1万+

CDD数据库文件制作(二)——DTC配置

1.DTC库 2.新建DTC DTC相关介绍:https://blog.youkuaiyun.com/LOVE135149/article/details/122565443 ① 选择DTC数据库 ② 点击新建DTC ③ DTC参数编辑 3.将DTC库中的DTC加载到Variant中 找到Fault Memory的DTC Table,鼠标放在DTC Table区域,右键点击选择Copy … Reference from Available DTCs…,即可将DTC库中的故障码加载至Variant中。 虽然选择Co

LOVE135149的博客 1万+

SQL-留存率

留存率可以评用户对产品的粘性,留存率越低用户对产品的粘性越小留存率通常分为次日留存率、3日留存率、7日留存率、30日留存率这里以新增用户留存率为例:次日留存率:(基准日之后的第1天留存的用户数)/基准日当天新增用户数第3日留存率:(基准日之后的第3天留存的用户数)/基准日当天新增用户数第7日留存率:(基准日之后的第7天留存的用户数)/基准日当天新增用户数第30日留存率:(基准日之后的第30天留存的用户数)/基准日当天新增用户数。

weixin_59342501的博客 1426

主题035:计算流体力学(CFD)

计算流体力学(Computational Fluid Dynamics, CFD)是利用数值方法求解流体流动、传热传质等问题的学科。CFD已成为化学反应工程中反应器设计和优化的重要工具。∂ρ∂t+∇⋅(ρu)=0 \frac{\partial \rho}{\partial t} + \nabla \cdot (\rho \mathbf{u}) = 0 ∂t∂ρ​+∇⋅(ρu)=0对于不可压缩流动:∇⋅u=0 \nabla \cdot \mathbf{u} = 0 ∇⋅u=0动量方程:∂(ρu)∂t+∇⋅(ρ

kkchenjj的博客 269

深入解析雪球网股票行情数据爬取:基于WebSocket与API的实时数据获取技术实践

本文详细介绍了如何使用Python爬虫技术获取雪球网的股票行情数据,涵盖了WebSocket实时数据连接和RESTful API接口调用两种主要技术方案。完整的WebSocket客户端,支持实时行情订阅和数据处理功能丰富的API客户端,支持多种数据类型的获取数据存储和管理系统,使用SQLite进行数据持久化实时监控和预警系统,支持自定义预警规则技术指标计算,提供基本的数据分析功能。

2201_76125261的博客 1258
上一篇: Excel多个表格通过相同的列合并成一个表格
下一篇: 数据去重
@nanami
博客等级 码龄9年 4247粉丝 53原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

@nanami

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值