集算示例：10行代码解决漏斗转换计算
销售过程是一个多环节的过程，哪个步骤有了过大瑕疵，都会导致业绩急剧下滑。而诊断出哪个步骤有瑕疵，除了无形的经验，还有量化的诊断方式，就是今天要讨论的主角：转化漏斗模型。
示例数据
为了详细讨论这个漏斗的实现过程，我们举一个具体的网上商城的例子，被分析的数据也不复杂，只有一个事件表：
用户ID：用户编码
事件ID：事件编码
事件属性：不同事件有不同属性；json格式，{"content":"computer","page_num":1}
时间：事件发生的时间
事件类型和事件属性如下所示
需求定义
目标结果是获得某个操作流程在每个操作的客户流失率，如下图，登录的用户有20000人；其中有12000人进行了：登录->搜索商品；其中有8000人进行了：登录->搜索商品->查看商品。如下图所示：
每个事件后都可能流失一些用户，整个图示就象一个漏斗形状，所以被称为漏斗转换分析。
我们来研究这个运算的一些需求点：
针对同一个用户，我们观察下面这两组数据，因为事件顺序关系，我们认为1000001用户只发生了登录行为，而1000002的三个事件符合目标顺序，到查看商品事件才流失
| 用户ID | 事件ID | 事件名称 | 时间 |
| 1000001 | 10002 | 登录 | 2017/2/3 0:01 |
| 1000001 | 10004 | 浏览产品 | 2017/2/3 0:03 |
| 1000001 | 10003 | 搜索产品 | 2017/2/3 0:08 |
| 1000001 | 10007 | 生成订单 | 2017/2/3 0:12 |
| 用户ID | 事件ID | 事件名称 | 时间 |
| 1000002 | 10002 | 登录 | 2017/2/3 0:01 |
| 1000002 | 10003 | 搜索产品 | 2017/2/3 0:03 |
| 1000002 | 10004 | 浏览产品 | 2017/2/3 0:08 |
上面这些事件，有一些事件有必然的前后关系，比如退订商品肯定发生在订单付款之后，订单付款肯定发生在生成订单之后；而收藏商品和加入购物车就不一定谁先谁后了，退订商品前也不一定发生评价商品的事件。这些不稳定性背后隐藏着用户行为，通过对一组有序事件的漏斗分析，就找到了这组行为用户在各个阶段的流失率。这是第一个需求点：事件要顺序发生，且能灵活定义。
第二个需求点是能对事件属性自由定义条件，如brand=’APPLE’，price>10。
第三个需求点是定义时间段，这段时间之外的数据不在考察范围内，如2017-02-01~2017-02~28。
第四个需求点仍然是和时间有关，窗口时间，只有在窗口时间以内顺序发生的事件才符合要求，比如5分钟、3个自然天；上面图中的1000002用户在5分钟的窗口时间条件下，那只有前两个事件符合要求，因为浏览产品事件迟于登录7分钟而超出窗口时间了。
第五个需求点是每个用户只记录一次符合要求的最长事件序列。
额外多提一句，现实业务中发生的漏斗分析不一定和上面这些需求细节完全一致，完全有可能更复杂，更个性化，我们这里是为了容易说明问题而假定了这些需求细节。
算法详述
因为事件要求顺序发生，所以我们第一步应该把数据先按照时间排序了，这样同一个窗口期的数据就汇聚到比较集中的一块了，而且窗口期内数据的位置也能表示先后次序了。数据量大大超出内存，用可以借用集算器的sortx对原始数据游标进行外存排序。
| A | B | |
| 1 | =file(fPath+"event.data").cursor@t(用户ID,事件ID,事件属性,时间) | /以游标方式加载文件数据 |
| 2 | =A1.sortx(时间) | /用时间字段外存排序 |
| 3 | =file(fPath+"eventOrdered.data").export@b(A2) | /排序结果存入目标文件 |
最终的结果只需要每个用户最长符合条件的事件序列的长度：代表该用户发生流失时的最后一个事件。因为查找的过程中，不确定哪个事件序列最长，所以聚合信息里会保持住多个事件序列的信息。
events：定义目标事件顺序数组：[A,B,C,D,E]，事件序号分别为1,2,3,4,5
UserList：定义空序表，每个用户的信息聚合成一条信息存入这个序表，单个用户聚合后的信息用JSON格式说明如下
{
用户ID：1000001
maxLen当前已找到的最大事件序列长度：3
seqs多个符合要求的事件序列数组：[
{//第一个事件序列
该事件序列的开始时间：2017-02-03 21:18:18
,该事件序列最后事件序号：2
}，
{//第二个事件序列
该事件序列的开始时间：2017-02-04 08:08:08
,该事件序列最后事件序号：3
}，
……
]
}
在定义了上面变量的基础上，写段伪代码来描述算法过程：
for (按时间排好序的原始数据，循环逐条处理）{
//当前记录里四个个变量：当前用户、当前事件、当前时间，当前事件属性
if (当前时间不在查询时间段内 || 当前事件属性不符合要求) continue；
if (在UserList里找到当前用户）{
if (maxLen == events长度) {
continue; //已经找到当前用户完整的目标事件序列，不用处理了，直接跳过
} else {
if (当前事件 == events第一个事件) {
新建一个事件序列追加入events。
} else {
for（events）{
//变量：事件序列=events [i]
if (当前事件序号 == 事件序列的最大序号+1 AND 当前时间在事件序列的窗口期内 ) {
事件序列的最大序号增加1
if（事件序列的最大序号>maxLen）{
maxLen增加1
}
}
}
}
}
} else {//没找到
新建当前用户的聚合信息，然后追加到UserList里
}
}
解决方案
- sql或存储过程。虽然这个计算针对单表，但过程复杂，还对数据有序性有要求，这特点就正好是sql的软肋。 能用sql写出来的人，估计是凤毛麟角，理论上能不能写出来也存疑。退一步讲，即便是写出来了，性能的可控又是一大难题。反正我是没有去细研究了，假如有研究出来的同学，可以反馈给我学习下。
- UDF？那相当于直接用高级语言硬编码了，代码量可想而知（比如用Java不会少于200行），不光写出来难度很大，以后再修改维护都是头疼的事，这种UDF又没什么通用性，需求变了就得重写。
- MapReduce以及Spark之类的东西？MapReduce对付这种有序的运算还真不好想。只是这个算法用Scala确实也写得出来，也不算太长，不过，其中的问题却是……，算了，这次先不提，以后专门细说，总之Scala是不合适。
- 想要一种能精确描述这个计算过程，并且描述方法符合人类自然思维习惯，并且能清楚知道每个步骤结果，并且能对步骤里的性能优化也能精确控制，并且代码量不大，并且代码容易复用……! 这么多贪心的“并且”，那就只能推荐这个专门处理数据的集算器脚本语言了。直接看代码
| A | B | C | D | E | |
| 1 | >begin=date(string(begin),"yyyyMMdd") | >end=date(string(end),"yyyyMMdd") | >dateWindow=eval(dateWindow) | ||
| 2 | =create(用户ID,maxLen,seqs).keys(用户ID) | =now() | |||
| 3 | =file(fPath+"event30.txt").cursor@t() | =A3.select(时间>=begin&&时间<end && events.pos(事件ID)>0 && ${filter}) | |||
| 4 | for C3 | >user=A2.find@b(A4.用户ID) | |||
| 5 | if user==null | >if (A4.事件ID==events(1),A2.insert(,A4.用户ID:用户ID,1:maxLen,[[A4.时间,1]]:seqs)) | |||
| 6 | next | ||||
| 7 | if user.maxLen==events.len() | next | |||
| 8 | for user.seqs | >nextXh=B8(2)+1, time1=long(A4.时间), time2=long(B8(1))+dateWindow, outWindow=time1>time2, nextEvt=A4.事件ID==events(nextXh) |
if(outWindow||!nextEvt) | next | |
| 9 | >B8(2)=nextXh, if(nextXh>user.maxLen,user.maxLen=nextXh), if(nextXh==events.len(),user.seqs=null) |
next A4 | |||
| 10 | if A4.事件ID==events(1) | >user.seqs.insert(0,[[A4.时间,1]]), if(user.maxLen==0,user.maxLen=1) |
|||
| 11 | =[A2.len()] | for events.len()-1 | >A11.insert(0,A11(B11)-(A2.select(maxLen==B11).len())) | ||
| 12 | =interval@ms(C2,now()) |
针对单用户的聚合代码是第4~10行，规模和上面的伪代码相当，基本上就是按自然思路去写出算法。如果用Java类语言起码是10倍长度了，代码长了就要翻好几页，看到后面就会忘了前面，而集算器的代码很短，一屏就能呈现出来，整个算法过程一目了然。
如果以前没接触过集算器的话，可能会看不懂这些代码，不过没关系了，掌握任何一门语言的语法都需要一个学习过程，我稍微解释一些关键点：
变量说明：开始事件begin，结束时间end，窗口期毫秒数dateWindow，目标事件序列events，事件属性过滤条件filter。
A2：定义一个空序表，也就是伪代码中的UserList。以用户ID为主键。
A3：定义被分析数据文件的游标，这样多大的文件都能分批加载入内存进行计算了。
C3：对数据游标进行条件过滤，效果类比SQL语句里的where子句。
A4：从C3游标里循环取数据，每次取一行记录做处理。
B4：用二分法从UserList里找当前记录的用户。
第5、6行：UserList里不存在当前用户的处理分支，按照主键用户ID顺序自动找正确的位置插入。
第7行：当前用户已经找到完整目标事件序列，直接跳过。
第8~9行：已找到的多个事件序列进行循环处理，试图把当前用户信息融入某个符合条件的事件序列。融入成功，跳出到A4执行下一条；融入失败，执行第10行。
第11行：用UserList计算出每个目标事件存留的用户数，也就是漏斗需要的各层数据了。
A12：以秒为单位计算出C2执行到A12的耗时。
实现上面这个功能，无论用哪门语言，程序逻辑应该没多大变化，关键就是看方便程度。这段流程还算繁杂的程序，写完之后执行，只改了两三处小毛病就跑通了，运行到哪个格子发生什么错误；哪个格子运算后的结果是啥都会一目了然。
为了验证这段程序是否正确，只剩下1000001用户如下的9条数据：
| 用户ID | 事件ID | 时间 | 事件属性 |
| 1000001 | 10001 | 2017/2/3 8:11 | {} |
| 1000001 | 10002 | 2017/2/3 8:12 | {} |
| 1000001 | 10003 | 2017/2/3 8:13 | {"content": "watch", "page_num": 3} |
| 1000001 | 10004 | 2017/2/3 8:14 | {"brand": "Apple", "price": 2500} |
| 1000001 | 10005 | 2017/2/3 8:15 | {} |
| 1000001 | 10006 | 2017/2/3 8:16 | {} |
| 1000001 | 10007 | 2017/2/3 8:17 | {"price_all": 3500} |
| 1000001 | 10008 | 2017/2/3 8:18 | {} |
| 1000001 | 10009 | 2017/2/3 8:19 | {"how": -1} |
不同条件的执行结果：
窗口期1分钟，事件序列[10003,10004,10005]，算出来最大事件序号是2
增长窗口期到5分钟，结果是3，找到了完整的目标事件序列。
目标事件序列反序[10005,10004,10003]测试，结果是1，因为不存在这种顺序。
修改事件属性Huawei，结果同样为1，因为没有符合条件的10004事件
结语及预告
6万条符合条件的记录，聚合出3万个用户的事件数据，耗时1.8秒。目标数据6亿条时，性能即便是线性的也需要5个小时，还很可能不是线性的，这就不能容忍了。
理论上能完成的任务在性能不达标的情况下，等同于不能完成。实际上好些生产中的业务就因为耗不起时间和计算资源，不得不作罢。可以预告下我们已经验证了更多优化办法，不仅限于修改这段程序的逻辑，还有发生在数据预处理阶段的。正是在逐步优化、反复试错的过程中才真切体会到一个顺手工具的重要性。敬请关注！