使用者日誌：
訪問的系統屬性：作業系統、瀏覽器型別
訪問資訊：session_id，訪問ip
資料處理
有資料者有未來，有資料意味著每乙份使用者行為資料都是寶貴的資源。經過資料清洗，再用演算法提取分析，商業價值，商業決策、線上推廣 等等….當然一切建立在有大量使用者有流量的情況下的。
資料處理流程
資料採集：
flume：將記錄的使用者行為日誌提取至hdfs
資料清洗：
髒資料spark、hive、mapreduce 或者是其他的分布式計算框架
清洗完的資料可以放到hdfs（hdfs，spark sql）
資料處理：
按照我們的需要進行相應的業務統計與分析
spark、hive、mapreduce 或者是其他的分布式計算框架
處理結果入庫：
分析處理結果資料儲存至：nosql、rdbms
資料視覺化
通過圖形化展示出計算出來的資料結果
echarts、hue 等…
大資料處理架構
乙個典型的簡單版本的使用者行為大資料處理架構。離線資料處理
資料分析 使用者行為分析
電商 使用者購物路徑如下 使用者行為 分析定義 對使用者購物路徑日誌資訊進行統計 分析，從中發現使用者訪問 的規律，並將這些規律與網路營銷策略等相結合，從而發現目前網路營銷活動中可能存在的問題，並為進一步修正或重新制定網路營銷策略提供依據。使用者行為分析目的 通過對使用者行為監測 獲得的資料進行分析...
大資料和使用者行為觀察
近幾年掀起了一股大資料浪潮，大資料分析也正在從根本上改變著一些不同的領域。但是大資料並非 如果沒有明確要利用大資料解決什麼問題，就開始盲目推崇，最終也只是無端浪費時間和精力。通過大資料與使用者行為觀察並用，能夠為企業提供精準高效的營銷之道。近幾年在服務開發 改善等方面應用大資料正成為流行趨勢，引發了...
使用者行為分析
使用者行為軌跡 熟悉 瀏覽 搜尋 平均停留時長 跳出率 頁面偏好 搜尋訪問次數佔比 試用 使用者註冊 註冊使用者數 註冊轉化率 使用 使用者登入 使用者訂購 登入使用者數 人均登入 訪問登入比 訂購量 訂購頻次 內容 轉化率 忠誠 使用者粘度 使用者流失 回訪者比率 訪問深度 使用者流失數 流失率 ...