activity_metrics 插件

适用于：✅Azure 数据资源管理器

计算有用的指标，有用的指标包括非重复计数值、新值的非重复计数、保留率和流失率。 此插件与 activity_counts_metrics 插件的不同之处在于，每个时间窗口将与前面的所有时间窗口进行比较。

语法

T | evaluate activity_metrics(IdColumn, TimelineColumn, [Start, End,] Window [, dim1, dim2, ...])

详细了解语法约定。

参数

返回

该插件返回一个表，其中包含每个时间线时段和每个现有维度组合的非重复计数值、新值的非重复计数、保留率和流失率。

输出表架构如下：

说明

保留率定义

一段时间内 Retention Rate 的计算方法为：

在该时段回头的客户数 /（除以）该时段最初的客户数

其中的 # of customers returned during the period 定义为：

该时段结束时的客户数 -（减）在该时段赢得的新客户数

Retention Rate 可以在 0.0 到 1.0 之间变化。评分越高，表示回头用户数越多。

流失率定义

一段时间内 Churn Rate 的计算方法为：

该时段内丢失的客户数 /（除以）该时段最初的客户数

其中的 # of customer lost in the period 定义为：

该时段最初的客户数 -（减）该时段内返回的客户数

Churn Rate 可以在 0.0 到 1.0 的范围内变化。评分越高，表示未重新使用该服务的用户数越多。

流失率与保留率 流失率与保留率派生自 Churn Rate 和 Retention Rate 的定义。 以下计算始终正确：

[Retention Rate] = 100.0% - [Churn Rate]

示例

每周保留率和流失率

下一个查询计算每周保留率和流失率。

// 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

输出

不同的值和不同的“新”值

下一个查询计算每周的不同值和“新”值（上一个时间窗口中没有出现的 ID）。

// 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

输出