漏斗分析

漏斗分析用于衡量用户在关键转化路径中各步骤的转化率与流失率，是电商、注册、支付等场景的核心分析模型。对应后端 AnalyticsService.Funnel。

一、它能回答什么问题

• 从「浏览商品」到「支付成功」，整体转化率是多少？
• 哪一步流失最严重？
• 不同时间窗口（30 分钟 vs 24 小时）下，转化率差异如何？

二、漏斗原理

关键指标

三、后端接口

gRPC：AnalyticsService.Funnel

响应 FunnelResponse：steps[]（每个 FunnelStep 含 step_index / event_name / count / conversion_rate / overall_rate）、completed_users / entered_users / overall_conversion。

HTTP（admin 转发）

POST /admin/v1/analytics/funnel
Content-Type: application/json

{
  "timeRange": { "startMs": 1718169600000, "endMs": 1718774399000 },
  "steps": ["view_product", "add_to_cart", "submit_order", "payment_success"],
  "windowMs": 1800000
}

后端会校验 steps 数量 ≥2，否则返回 ErrorBadRequest。

四、SQL 原理

漏斗核心是「在限定时间窗口内，按用户找连续完成各步骤的最大进度」。

Doris 实现（近似：按步骤统计唯一用户）

后端 Doris 实现对每个步骤独立统计 count(DISTINCT user_id)，再计算相邻步骤的转化率：

SELECT event_name, count(DISTINCT user_id) AS user_count
FROM events_fact
WHERE event_time BETWEEN :start AND :end
  AND event_name IN ('view_product','add_to_cart','submit_order','payment_success')
GROUP BY event_name;

然后在应用层按 steps 顺序计算 conversion_rate（本步/上步）与 overall_rate（本步/首步）。

ClickHouse 实现（windowFunnel）

ClickHouse 有原生的 windowFunnel 函数，可在窗口内严格判断连续步骤：

WITH funnel_steps AS (
    SELECT
        user_id,
        windowFunnel(1800)(   -- 30 分钟窗口（秒）
            event_ts,
            event_name = 'view_product',
            event_name = 'add_to_cart',
            event_name = 'submit_order',
            event_name = 'payment_success'
        ) AS step_reached
    FROM events_fact
    WHERE event_ts BETWEEN :start_ms AND :end_ms
      AND event_name IN ('view_product','add_to_cart','submit_order','payment_success')
    GROUP BY user_id
)
SELECT
    step_reached,
    count() AS user_count
FROM funnel_steps
GROUP BY step_reached
ORDER BY step_reached;

step_reached = N 表示该用户连续完成了 N 个步骤。由此可算出每步的留存与转化。

当前后端 analytics_repo.go 的 Funnel 实现是按步骤独立统计 count(DISTINCT user_id)（非严格窗口连续）。需要严格窗口漏斗时，可在 ClickHouse 上用 windowFunnel 自行查询。方言差异见 OLAP 查询手册。

五、典型场景

电商购买转化漏斗

步骤：view_product → add_to_cart → submit_order → payment_success，窗口 30 分钟。找出流失最大的环节（通常是「加购→下单」），针对性优化。

新用户注册转化漏斗

步骤：open_app → view_signup → submit_signup → signup_success，窗口可放宽到 24 小时（windowMs = 86400000）。

内容消费漏斗

步骤：page_view → read_article → share → comment，衡量内容粘性与互动转化。

六、注意事项

• 步骤必须 ≥2，否则接口报错。
• 窗口默认 30 分钟：长流程（注册、金融）建议调大 window_ms。
• 转化率定义：当前实现按步骤独立统计唯一用户，未做严格「同一用户在窗口内连续完成」的约束。若需严格漏斗，用 ClickHouse windowFunnel。
• 跨天漏斗：用户可能在第一天完成步骤 1、第二天完成步骤 2——只要在 window_ms 内即可，注意 time_range 要覆盖整个可能跨度。
• 空数据/转化率为 0：先确认事件已落库（见 上手指南 · 数据落库现状）。

七、相关文档

• 数据分析师上手指南
• 事件趋势分析
• 留存分析
• OLAP 查询手册
• 后端 API 契约