一、互联网产业的需求

1、分布式系统执行任务瓶颈：延迟高。MapReduce：几分钟，Spark：几秒钟。

2、互联网产品要求：毫秒级响应(1秒以内完成)；需要通过大数据实现统计分析、数据挖掘、关联推荐、用户画像。

3、大数据平台：整合网站应用和大数据系统之间的差异，将应用产生的数据导入到大数据系统，经过处理计算后再导出给应用程序使用。

二、大数据平台架构

1、数据采集
1）App/Web产生的数据&日志同步到大数据系统
2）数据库同步：Sqoop，日志同步：Flume，打点：Kafka
3）不同数据源产生的数据质量可能差别很大，数据库，也许可以直接用；日志、爬虫，大量的清洗，转化处理。

2、数据处理
1）大数据存储与计算的核心
2）数据同步后导入HDFS
3）MapReduce、Hive、Spark，读取数据进行计算，结果再保存到HDFS。
4）MapReduce、Hive、Spark，离线计算，HDFS离线存储。
离线计算：通常针对(某一类别)全体数据，比如：历史上所有订单。离线计算特点：数据规模大，运行时间长。
流式计算：淘宝双11每秒产生订单数，监控宣传。Storm(毫秒)，SparkStreaming(秒)。

3、数据输出与展示
1）HDFS需要把数据导出交给应用程序，让用户实时展示（ECharts）淘宝卖家量子魔方。
2）给运营和决策层提供各种统计报告，数据需要写入数据库。

4、任务调度系统：
将上面三个部分整合起来

三、大数据应用–数据分析

1、通过数据分析指标监控企业运营状态，及时调整运营和产品策略，是大数据技术的关键价值之一。

2、大数据平台(互联网企业)运行的绝大多数大数据计算都是关于数据分析的。统计指标，关联分析，汇总报告。

3、运营数据是公司管理的基础：了解公司目前发展的状况，数据驱动运营: 调节指标对公司进行管理。

4、运营数据的获取需要大数据平台的支持。埋点采集数据；数据库、日志、三方采集数据；对数据清洗、转换、存储；利用SQL进行数据统计、汇总、分析；得到需要的运营数据报告。

5、运营常用数据指标
1）新增用户数：UG，user growth，用户增长，产品增长性的关键指标，新增访问网站(新下载APP)的用户数。
2）用户留存率：用户留存率=留存用户数/当期新增用户数，3日留，5日留存，7日留存。
3）活跃用户数：打开使用产品的用户、日活（知乎：几十万，微信、微博：一亿）、月活、提升活跃是网站运营的重要目标。
4）PV：Page View，打开产品就算活跃，打开以后是否频繁操作就用PV衡量，每次点击，页面跳转都记一次PV。
5）GMV：成交总金额(Gross Merchandise Volume)电商网站统计营业额, 反应网站应收能力的重要指标。GMV相关的指标：订单量、客单价。
6）转化率：转化率=有购买行为的用户数/总访问用户数。

四、数据分析案例

背景：某电商网站，垂直领域领头羊，各项指标相对稳定。

运营人员发现从8月15日开始，网站的订单量连续四天明显下跌，8月18号早晨发现8月17号的订单量没有恢复正常，运营人员开始尝试寻找原因：是否有负面报道被扩散、是否竞争对手在做活动、是否某类商品缺货、价格异常。没有找到原因，将问题交给数据分析团队。

数据分析师分析可能性：新增用户出现问题，查看日活数据，发现日活没有明显下降：

基本判断，用户在访问网站的过程中，转化出了问题。

转化过程：打开APP；搜索关键词，浏览搜索结果列表；点击商品访问详情；有购买意向开始咨询；放入购物车；支付。

网站的转化漏斗如下。

如果定义打开 App 为活跃，那么网站的整体转化就是活跃到订单的转化，公式为：
订单活跃转化率 = 日订单量 / 打开用户数

显然从 15 号开始，这个转化率开始下降，但转化过程有多个环节，那么具体是哪个环节出了问题呢？数据分析师对转化过程每个环节计算转化率。例如：

搜索打开转化率 = 搜索用户数 / 打开用户数

以此类推，每个环节都可以计算其转化率，将这些转化率的近期历史数据绘制在一张折线图上，就可以看到各个环节转化率的同期对比视图。

有明显降幅的是咨询详情转化率，对咨询信息分类统计后发现，新用户的咨询量几乎为0。数据分析师自己注册了一个新用户然后发起咨询，没有得到回复。查询后台，发现咨询信息没有到达客服。

于是将问题提交给技术部门调查，工程师查看8月15日当天发布记录，发现有消息队列SDK更新。而咨询信息是通过消息队列发给客服的。进一步调查发现是程序 bug，新用户信息构建不完整，导致消息发送异常。最后紧急修复 bug 发布上线，第二天订单量恢复正常。