大网数据广告活动
数据库部署与 SQL 参考

Apache Doris 中文参考:WINDOW_FUNNEL

· 52CE 我爱测

WINDOW_FUNNEL 函数用于分析用户行为序列,它在指定的时间窗口内搜索事件链,并计算事件链中完成的最大步骤数。这个函数特别适用于转化漏斗分析,比如分析用户从访问网站到最终购买的转化过程。

描述

WINDOW_FUNNEL 函数用于分析用户行为序列,它在指定的时间窗口内搜索事件链,并计算事件链中完成的最大步骤数。这个函数特别适用于转化漏斗分析,比如分析用户从访问网站到最终购买的转化过程。

漏斗分析函数按照如下算法工作:

  • 搜索到满足满足条件的第一个事件,设置事件长度为 1,此时开始滑动时间窗口计时。
  • 如果事件在时间窗口内按照指定的顺序发生,事件长度累计增加。如果事件没有按照指定的顺序发生,事件长度不增加。
  • 如果搜索到多个事件链,漏斗分析函数返回最大的长度。

语法

WINDOW_FUNNEL(<window>, <mode>, <timestamp>, <event_1>[, event_2, ... , event_n])

参数

参数 说明
<window> 滑动时间窗口大小,单位为秒,支持类型为Bigint。
<mode> 模式,共有四种模式,分别为default, deduplication, fixed, increase,详细请参见下面的模式,支持类型为String。
<timestamp> 滑动窗口使用的时间列,支持 DATE、DATETIME、TIMESTAMP_NS 和 TIMESTAMPTZ。
<event_n> 表示事件的布尔表达式,支持类型为 Bool。

模式

- `default`: 标准漏斗计算模式。在时间窗口内,Doris 会按照指定顺序寻找最长的事件链。不匹配任何 condition 的事件会被忽略。

- `deduplication`: 在 `default` 的基础上,当前事件链中已经匹配过的事件不能再次出现。例如,指定事件链为 [event1='A', event2='B', event3='C', event4='D'],原始事件链为 `A-B-C-B-D`,第二个 `B` 会打断事件链,因此最终匹配结果为 `A-B-C`,最大长度为 `3`。

- `fixed`: 事件链必须严格按照指定顺序推进,不能跳过中间步骤。如果某个后续步骤对应的事件在其前驱步骤匹配之前就出现,则事件链立即中断。不匹配任何 condition 的无关事件会被忽略,不再打断事件链。例如,指定事件链为 [event1='A', event2='B', event3='C', event4='D'] 时,`A-B-D-C` 的结果为 `A-B`,最大长度为 `2`;如果原始事件链为 `A-B-X-C-D`(`X` 不匹配任何 condition),则 Doris 返回 `A-B-C-D`。

- `increase`: 在 `default` 的基础上,已匹配事件的时间戳必须严格递增。如果两个已匹配事件的时间戳相同,后一个事件不能推进事件链。

返回值

返回一个整数,表示在指定时间窗口内完成的最大连续步骤数,类型为Integer。

举例

举例 1: default 模式

使用默认模式,筛选出不同user_id对应的最大连续事件数,时间窗口为5分钟:

CREATE TABLE events(
    user_id BIGINT,
    event_name VARCHAR(64),
    event_timestamp datetime,
    phone_brand varchar(64),
    tab_num int
) distributed by hash(user_id) buckets 3 properties("replication_num" = "1");

INSERT INTO
    events
VALUES
    (100123, '登录', '2022-05-14 10:01:00', 'HONOR', 1),
    (100123, '访问', '2022-05-14 10:02:00', 'HONOR', 2),
    (100123, '下单', '2022-05-14 10:04:00', 'HONOR', 3),
    (100123, '付款', '2022-05-14 10:10:00', 'HONOR', 4),
    (100125, '登录', '2022-05-15 11:00:00', 'XIAOMI', 1),
    (100125, '访问', '2022-05-15 11:01:00', 'XIAOMI', 2),
    (100125, '下单', '2022-05-15 11:02:00', 'XIAOMI', 6),
    (100126, '登录', '2022-05-15 12:00:00', 'IPHONE', 1),
    (100126, '访问', '2022-05-15 12:01:00', 'HONOR', 2),
    (100127, '登录', '2022-05-15 11:30:00', 'VIVO', 1),
    (100127, '访问', '2022-05-15 11:31:00', 'VIVO', 5);

SELECT
    user_id,
    window_funnel(
        300,
        "default",
        event_timestamp,
        event_name = '登录',
        event_name = '访问',
        event_name = '下单',
        event_name = '付款'
    ) AS level
FROM
    events
GROUP BY
    user_id
order BY
    user_id;
+---------+-------+
| user_id | level |
+---------+-------+
|  100123 |     3 |
|  100125 |     3 |
|  100126 |     2 |
|  100127 |     2 |
+---------+-------+

对于user_id=100123,因为付款事件发生的时间超出了时间窗口,所以匹配到的事件链是登陆-访问-下单。

举例 2: deduplication 模式

使用deduplication模式,筛选出不同user_id对应的最大连续事件数,时间窗口为1小时:

CREATE TABLE events(
    user_id BIGINT,
    event_name VARCHAR(64),
    event_timestamp datetime,
    phone_brand varchar(64),
    tab_num int
) distributed by hash(user_id) buckets 3 properties("replication_num" = "1");

INSERT INTO
    events
VALUES
    (100123, '登录', '2022-05-14 10:01:00', 'HONOR', 1),
    (100123, '访问', '2022-05-14 10:02:00', 'HONOR', 2),
    (100123, '登录', '2022-05-14 10:03:00', 'HONOR', 3),
    (100123, '下单', '2022-05-14 10:04:00', 'HONOR', 4),
    (100123, '付款', '2022-05-14 10:10:00', 'HONOR', 4),
    (100125, '登录', '2022-05-15 11:00:00', 'XIAOMI', 1),
    (100125, '访问', '2022-05-15 11:01:00', 'XIAOMI', 2),
    (100125, '下单', '2022-05-15 11:02:00', 'XIAOMI', 6),
    (100126, '登录', '2022-05-15 12:00:00', 'IPHONE', 1),
    (100126, '访问', '2022-05-15 12:01:00', 'HONOR', 2),
    (100127, '登录', '2022-05-15 11:30:00', 'VIVO', 1),
    (100127, '访问', '2022-05-15 11:31:00', 'VIVO', 5);

SELECT
    user_id,
    window_funnel(
        3600,
        "deduplication",
        event_timestamp,
        event_name = '登录',
        event_name = '访问',
        event_name = '下单',
        event_name = '付款'
    ) AS level
FROM
    events
GROUP BY
    user_id
order BY
    user_id;
+---------+-------+
| user_id | level |
+---------+-------+
|  100123 |     2 |
|  100125 |     3 |
|  100126 |     2 |
|  100127 |     2 |
+---------+-------+

对于user_id=100123,匹配到访问事件后,登录事件重复出现,所以匹配到的事件链是登陆-访问。

举例 3: fixed 模式

使用fixed模式,筛选出不同user_id对应的最大连续事件数,时间窗口为1小时:

CREATE TABLE events(
    user_id BIGINT,
    event_name VARCHAR(64),
    event_timestamp datetime,
    phone_brand varchar(64),
    tab_num int
) distributed by hash(user_id) buckets 3 properties("replication_num" = "1");

INSERT INTO
    events
VALUES
    (100123, '登录', '2022-05-14 10:01:00', 'HONOR', 1),
    (100123, '访问', '2022-05-14 10:02:00', 'HONOR', 2),
    (100123, '登录 2', '2022-05-14 10:03:00', 'HONOR', 3),
    (100123, '下单', '2022-05-14 10:04:00', 'HONOR', 4),
    (100123, '付款', '2022-05-14 10:10:00', 'HONOR', 4),
    (100125, '登录', '2022-05-15 11:00:00', 'XIAOMI', 1),
    (100125, '访问', '2022-05-15 11:01:00', 'XIAOMI', 2),
    (100125, '下单', '2022-05-15 11:02:00', 'XIAOMI', 6),
    (100126, '登录', '2022-05-15 12:00:00', 'IPHONE', 1),
    (100126, '访问', '2022-05-15 12:01:00', 'HONOR', 2),
    (100127, '登录', '2022-05-15 11:30:00', 'VIVO', 1),
    (100127, '访问', '2022-05-15 11:31:00', 'VIVO', 5);

SELECT
    user_id,
    window_funnel(
        3600,
        "fixed",
        event_timestamp,
        event_name = '登录',
        event_name = '访问',
        event_name = '下单',
        event_name = '付款'
    ) AS level
FROM
    events
GROUP BY
    user_id
order BY
    user_id;
+---------+-------+
| user_id | level |
+---------+-------+
|  100123 |     4 |
|  100125 |     3 |
|  100126 |     2 |
|  100127 |     2 |
+---------+-------+

对于user_id=100123,登录 2不匹配漏斗中的任何 condition,因此不会打断 fixed 模式下的事件链,最终匹配到的事件链是登录-访问-下单-付款。

举例 4: increase 模式

使用increase模式,筛选出不同user_id对应的最大连续事件数,时间窗口为1小时:

CREATE TABLE events(
    user_id BIGINT,
    event_name VARCHAR(64),
    event_timestamp datetime,
    phone_brand varchar(64),
    tab_num int
) distributed by hash(user_id) buckets 3 properties("replication_num" = "1");

INSERT INTO
    events
VALUES
    (100123, '登录', '2022-05-14 10:01:00', 'HONOR', 1),
    (100123, '访问', '2022-05-14 10:02:00', 'HONOR', 2),
    (100123, '下单', '2022-05-14 10:04:00', 'HONOR', 4),
    (100123, '付款', '2022-05-14 10:04:00', 'HONOR', 4),
    (100125, '登录', '2022-05-15 11:00:00', 'XIAOMI', 1),
    (100125, '访问', '2022-05-15 11:01:00', 'XIAOMI', 2),
    (100125, '下单', '2022-05-15 11:02:00', 'XIAOMI', 6),
    (100126, '登录', '2022-05-15 12:00:00', 'IPHONE', 1),
    (100126, '访问', '2022-05-15 12:01:00', 'HONOR', 2),
    (100127, '登录', '2022-05-15 11:30:00', 'VIVO', 1),
    (100127, '访问', '2022-05-15 11:31:00', 'VIVO', 5);

SELECT
    user_id,
    window_funnel(
        3600,
        "increase",
        event_timestamp,
        event_name = '登录',
        event_name = '访问',
        event_name = '下单',
        event_name = '付款'
    ) AS level
FROM
    events
GROUP BY
    user_id
order BY
    user_id;
+---------+-------+
| user_id | level |
+---------+-------+
|  100123 |     3 |
|  100125 |     3 |
|  100126 |     2 |
|  100127 |     2 |
+---------+-------+

对于user_id=100123,付款事件的时间戳与下单事件的时间戳发生在同一秒,没有递增,所以匹配到的事件链是登陆-访问-下单。

本文来自 Apache Doris 文档贡献者,按 Apache 2.0 整理版式与相对链接,保留正文与代码。图示请参阅原文。作者与贡献记录。

资料来源与适用范围

资料来源
Apache Doris 文档贡献者
适用范围
master 文档快照(2026-11-16)
内容语言
中文;命令、路径和错误标识保留技术原文
本地收录日期
2026-11-16
授权说明
Apache 2.0

正文与所需资源由本站本地存储。查看来源及更新记录 ↗

请按适用版本和实际日志确认原因;本站没有对每一种系统或设备逐项执行文中的操作。