一、用户活跃度分析：
需求1：最近一个月内，每个用户的最大连续活跃天数
解释：这个需求旨在找出每个用户在最近一个月内连续活跃的最长天数。这有助于识别高度活跃的用户群体。
为什么做：
用户分层：根据连续活跃天数，可以将用户分为不同的活跃层级，从而可以更好的实施精准的用户运营策略。
活跃度监测：了解用户的最大连续活跃天数变化，可以监测用户活跃度的变化趋势，及时发现并应对可能的用户活跃度下降。
怎么做：调整start_dt和end_dt以确保它们都在查询的最近一个月范围内。
如果start_dt早于这个范围，则将其设置为范围的开始（即查询日期向前推30天）；
如果end_dt是'9999-12-31'，则将其替换为查询的当前日期（'2022-11-23'）。
然后，它计算从调整后的start_dt到end_dt的连续天数差（加1以包含起始和结束日期），并将这个值命名为x1，再求x1的最大值
需求2：最近一个月内，连续活跃[1-10)天的人数，[10-20)天的人数，[20+ 天的人数
解释：这个需求将用户按照连续活跃天数划分为不同的区间，并统计每个区间内的人数。
为什么做：
用户活跃度分布：了解不同活跃度区间的用户分布情况，有助于评估用户整体的活跃度水平。
运营策略制定：针对不同活跃度的用户群体，可以制定不同的运营策略，如激励低活跃度用户提高活跃度，或维护高活跃度用户的持续使用。
怎么做：调整start_dt和end_dt以确保它们都在查询的最近一个月范围内。
如果start_dt早于这个范围，则将其设置为范围的开始（即查询日期向前推30天）；
如果end_dt是'9999-12-31'，则将其替换为查询的当前日期（'2022-11-23'）。
然后，它计算从调整后的start_dt到end_dt的连续天数差（加1以包含起始和结束日期），并将这个值命名为x1。
根据CASE表达式将每个设备的deviceid根据其x1值分配到相应的范围内（1-10天、10-20天、20天以上），
并使用COUNT(DISTINCT ...)来统计每个范围内不同设备的数量。
需求3：最近一个月内，沉默天数超过3天的有多少人，超过5天有多少人
解释：这个需求统计了在最近一个月内，沉默（未活跃）天数超过特定值（如3天、5天）的用户数量。
为什么做：
用户流失预警：沉默天数较长的用户可能面临流失风险，通过统计这些数据，可以及时发现并采取措施挽回这些用户。
运营效果评估：如果某项运营活动或产品更新后，沉默天数超过特定阈值的用户数量显著增加，可能说明该活动或更新并未达到预期效果，需要进一步优化。
怎么做：
二、流量多维分析
流量分析-session会话聚合信息表构建：
解释：根据业务需求，将用户的会话数据按照一定规则进行聚合，形成会话聚合信息表。
为什么这么做：通过构建会话聚合信息表，可以全面记录和分析这些互动行为，从而洞察用户的兴趣、偏好和行为模式。
怎么做：使用了collect_list函数收集所有符合条件的timestamp和url组合（仅当eventid为pageView时），
然后使用sort_array排序这些组合（只取第一个元素），
最后通过split函数分割字符串以获取URL部分
流量分析-cube（多维数据立方体）
解释：将原始数据加载到数据仓库中，并按照多维数据立方体模型进行转换和聚合
为什么做：多维数据立方体允许从多个维度对流量数据进行深入分析，如时间、地域、设备类型、用户属性等。
这种多维分析有助于发现隐藏在数据背后的规律和趋势。
怎么做：通过各种维度分组，然后进行group by分组，将不同维度分组的结果union all合并在一张表中
三、用户新增、留存指标分析
新增用户统计
解释：新增用户数量是衡量产品市场吸引力的直接指标
为什么这么做：跟踪新增用户数量可以揭示用户增长的趋势，这对于制定长期规划和预算至关重要
留存用户统计
解释：留存用户是那些继续使用产品并可能在未来产生更多价值的用户。留存率的高低直接反映了用户对产品的忠诚度和满意度。
为什么做：通过分析不同时间段或不同用户群体的留存率，可以识别出产品中的问题区域，
如用户流失的高发期、特定功能或版本的接受度低等，从而针对性地进行改进。
四、漏斗主题dws层表设计
解释：用于分析用户在完成某个目标（如购买商品、注册账号等）过程中，从起始步骤到最终完成步骤的转化情况。
为什么做：DWS层通常用于对DWD层的数据进行进一步的汇总和聚合，以支持更高效的查询和分析。
对于漏斗分析，这包括按步骤对用户行为进行分类和计数，计算每一步的转化率等。
怎么做：根据设备编号分组，将时间戳和事件名称拼接
将一个设备的多个行为存储到数组中,并且排序
将数组中元素按照：分隔符拼接成一个字符串
在ads层创建漏斗转化率表
解释：ADS层是数据仓库中最接近应用层的一层，它主要用于支持各种分析需求，包括报表生成、可视化展示等。
将漏斗转化率表放在ADS层，可以更方便地直接为各种应用提供数据支持。
为什么做：ADS层可以根据具体的应用需求，对DWS层的数据进行进一步的加工和优化，以适应特定的查询模式。
对于漏斗分析来说，这可能包括预计算某些关键指标、创建索引等，以提高查询性能。
怎么做：指标口径：转化率=当前步骤转化人数/上一步转化人数
总转化率=当前步骤转化人数/第一步转化人数
使用FIRST_VALUE函数获取每个漏斗的第一步的user_count，然后计算当前步骤的user_count与第一步user_count的百分比。
五、事件归因分析
首次触点归因
解释：待归因事件中，最早发生的事件，被认为是导致业务结果的唯一因素
指标口径【规则】
目标转化总次数 = 待归因事件出现次数 * 权重
贡献度 = 当前待归因事件转化总次数/所有待归因事件转化总次数
为什么做：首次触点通常是用户首次了解产品或品牌的渠道，它对于建立用户对品牌的初步认知和兴趣至关重要。
怎么做：按model_name（模型名称）、attribution_strategy（归因策略）、target_event（目标事件）、wait_attribution（等待归因期）进行分组。
计算每个分组内weight（权重）的总和，并将这个总和命名为x1
使用了窗口函数sum(x1) over(partition by model_name,attribution_strategy)来计算每个model_name和attribution_strategy分组内所有x1的总和。
计算x1（即每个分组内weight的总和）占其所属model_name和attribution_strategy分组内所有x1总和的百分比，作为contribution（贡献百分比）