bussiness_data可观测性实践--drop_off_rates

这是很去年和小伙伴的一次头脑风暴，有关弃用率如何算，本来清闲时鼓捣，无奈中途有事中断，不过将来也还有机会，拿出来耍，不喜勿喷。

定义

常见定义：

弃用率适用于观测用户是不是在由一些类网页构成的操作流程中途退出或放弃。

举几个例子，开通一个新账户或完成一次购物流程，或者假设用户要注册新账户，必须要在5个页面上填写相关信息，则通过观测注册历程中的5个页面中的用户百分比的数据，就能得出弃用率。

如何计算--例子

很显然，上图页面4的弃用率是最大的，为21%；要清楚了解是什么导致页面4 的弃用率如此高。

现实难题

第一个难题 给产品

在1-2-3-4-n级别的情况下，有m条business route，depth不定，常见的用户想法是，获取business_routes、journey，这种思维模型是个大坑。

第二个难题 给产品和技术

然而，business_route/journey有两个不可逾越的大山：

1. 非常难以获取或者拆解
2. 常变动且根因难以确定

如何自动巡检弃用率

假设要实现自动巡检弃用率的功能，该如何实现？

单独以网站访问路径进行思考，基本会整理成以下图，

实际上复杂模型可能是这样，不论是通过page_view_count还是通过通过viewId查看。

但实际和上面计算的逻辑一样，还是通过view_count来算,通过计算viewID_children_percent的列表,页面层级在这里我们只看一层：

top_down_disgraded_algo

脱离business_routes/journey,如何定义一个通用的top_down_disgraded_algo? 假设存在以下场景。

也就是一个网站有多个页面构成，也就是存在以及一级路由、二级路由、。。。N级路由，网站的访问情况可能是一张复杂的图，不同的

每个层级存在循环引用，每个路由可能是首次访问或者跳转到其他级别路由，这张交错的网让本就复杂且不断增加的逻辑更加复杂。这里我们简化一下

上图还是不够简化，同时也有覆盖不到的业务交叉的场景，我们跳出这个怪圈，

转换思路

转换一下思维模型，跳出business route/journey这个圈子。这里，我拍脑袋将一个公司网站5级系统:

• 1st_path_group，
• 2nd_path_group，
• 3rd_path_group,
• 4th_path_group,
• 5th_path_group，

姑且认为:

1. 能获取5级view/user数据
2. 5级能代表涵盖所有business_routes
3. 不足5级自动补位
4. 只关注drop_off_rates

这样一看，是不是突然整个世界都清晰了？这和漏斗模型很相似，但又完全不同。

这里有一个陷阱，拍脑袋出来的5层结构无法覆盖用户路径较长的情况。

模拟数据1:用户数量和成功完成每一页操作步骤的用户数量之比。

模拟数据2:到达页面也成功完成页面操作的百分比之差

待定

1. 在drop_off_rate_list中，找到top，这一步已经非常难得了。
2. 关联分析，top_drop_off_rate可以归因到哪里。

bussines value（用户、流量）

从业务增长或者用户流量的角度来看，drop_off_rate的意义都很大，无奈当时只做了一部分，就没有继续再做。