AI 助理
备案控制台
文档
产品文档
输入文档关键字查找
首页 数据湖构建 DLF 2.0 实践教程 游戏行业玩家行为实时分析

游戏行业玩家行为实时分析

更新时间：
一键部署
产品详情
相关技术圈
我的收藏

构建基于阿里云大数据产品的实时数据分析平台，实现玩家行为日志的实时处理、分析及通过Quick BI进行数据可视化展示，本文为您介绍具体的操作流程。

背景信息

基于多款阿里云大数据产品构建一个实时数据分析平台，该平台能够收集玩家的行为日志，进行实时处理和分析，并最终将分析结果通过图表的形式展现给业务人员。由DLF提供底层元数据管理和表的数据读写能力，通过EMR Serverless StarRocks实现实时数据处理和分析，最后使用Quick BI完成数据可视化。

前提条件

  • 已创建DLF 2.0数据目录。如未创建，详情请参见创建数据目录。

    说明

    如果是RAM用户，在进行数据操作之前，需要先授予相应的资源权限。详情请参见授权管理。

  • 已创建Serverless StarRocks实例，实例版本需要不低于3.2。如未创建，详情请参见创建实例。

  • 已创建DataWorks工作空间，并绑定Serverless StarRocks实例的计算资源。

操作流程

步骤1：载入Notebook案例

  1. 登录DataWorks Gallery控制台。

  2. 找到对应的案例卡片，单击卡片中的载入案例。

  3. 选择载入到的工作空间和实例，单击确认，进入DataWorks数据开发页面。

步骤2：参数初始化

# 参数初始化

# 1. 在DLF中创建Catalog,通过DLF控制台页面创建，获取[your_dlf_catalog_id}]
# DLF控制台地址：https://dlf-next.console.aliyun.com/
DLF_CATALOG_ID="[your_dlf_catalog_id]"

# 2.将[your-region]替换为您当前Demo的Region，比如 cn-beijing,cn-hangzhou,cn-shanghai,cn-shenzhen
REGION="[your-region]"

# 切记，一定要执行该脚本，以使得变量生效。

步骤3：创建StarRocks表，用于接收导入的OSS数据

运行以下SQL，创建用户画像（user_profile）与用户行为表（user_event）。

CREATE DATABASE IF NOT EXISTS game_db;
use game_db;

--用户信息表
CREATE TABLE IF NOT EXISTS ods_user_profile (
    user_id INT NOT NULL,
    registration_date DATE NOT NULL,
    last_login_date DATE,
    age_group VARCHAR(20),
    gender VARCHAR(10),
    location VARCHAR(50),
    game_hours INT,
    favorite_game_mode VARCHAR(20),
    play_frequency VARCHAR(20),
    device_type VARCHAR(20),
    os_version VARCHAR(20),
    current_level INT,
    total_deaths INT,
    active_time VARCHAR(20),
    language_preference VARCHAR(10)
) 
PRIMARY KEY (user_id)
DISTRIBUTED BY HASH(user_id)
PROPERTIES (
    "replication_num" = "1"
);

-- 用户事件表
CREATE TABLE IF NOT EXISTS ods_user_event (
    `user_id` INT,
    `event_type` STRING,
    `timestamp` datetime,
    `location` STRING,
    `level` INT,
    `event_details` STRING
)
DISTRIBUTED BY HASH(user_id)
PROPERTIES (
    "replication_num" = "1"
);

步骤4：使用Broker Load将OSS数据导入到StarRocks表中

运行以下SQL，进行数据导入。

use game_db;
--导入新的数据
LOAD LABEL game_db.user_profile_20240902_22
(
    DATA INFILE("oss://emr-starrocks-benchmark-resource-${REGION}/sr_game_demo/user_profile/*")
    INTO TABLE ods_user_profile
    FORMAT AS "parquet"
)
WITH BROKER
(
    "fs.oss.endpoint" = "oss-${REGION}-internal.aliyuncs.com"
)
PROPERTIES
(
    "timeout" = "3600"
);

LOAD LABEL game_db.user_event_20240902_22
(
    DATA INFILE("oss://emr-starrocks-benchmark-resource-${REGION}/sr_game_demo/user_event/*")
    INTO TABLE ods_user_event
    FORMAT AS "parquet"
)
WITH BROKER
(
    "fs.oss.endpoint" = "oss-${REGION}-internal.aliyuncs.com"
)
PROPERTIES
(
    "timeout" = "3600"
);

步骤5：即席查询分析玩家留存率

StarRocks是极速的湖仓新范式计算引擎，针对ODS层的海量数据查询整体查询性能极高，有时候一些场景可以直接即席查询ODS表，直接进行日常分析。

USE game_db;

WITH daily_new_users AS (
    SELECT 
        user_id,
        registration_date
    FROM 
        ods_user_profile
    WHERE 
        registration_date BETWEEN DATE_SUB(CURRENT_DATE(), INTERVAL 30 DAY) AND CURRENT_DATE()
),
daily_login_events AS (
    SELECT 
        user_id,
        DATE(timestamp) AS login_date
    FROM 
        ods_user_event
    WHERE 
        timestamp BETWEEN DATE_SUB(CURRENT_DATE(), INTERVAL 31 DAY) AND CURRENT_DATE()
),
retention AS (
    SELECT 
        n.user_id,
        n.registration_date,
        l.login_date
    FROM 
        daily_new_users n
    LEFT JOIN 
        daily_login_events l ON n.user_id = l.user_id AND l.login_date = DATE_ADD(n.registration_date, INTERVAL 1 DAY)
)
SELECT 
    registration_date,
    COUNT(DISTINCT user_id) AS new_users,
    COUNT(DISTINCT CASE WHEN login_date IS NOT NULL THEN user_id END) AS retained_users,
    COUNT(DISTINCT CASE WHEN login_date IS NOT NULL THEN user_id END) / COUNT(DISTINCT user_id) * 100.0 AS retention_rate
FROM 
    retention
GROUP BY 
    registration_date
ORDER BY 
    registration_date;

步骤6：使用StarRocks物化视图，自动化构建数仓DWD和ADS层

构建DWD层

为简化逻辑，此处直接将ODS层数据插入DWD。然而，实际情况中应考虑更多业务逻辑的处理。

use game_db;
DROP MATERIALIZED VIEW IF EXISTS dwd_mv_user_profile;
CREATE MATERIALIZED VIEW IF NOT EXISTS dwd_mv_user_profile
DISTRIBUTED BY RANDOM
REFRESH ASYNC EVERY(INTERVAL 1 HOUR) -- 每隔小时刷新一次
AS
SELECT  *  FROM ods_user_profile;

DROP MATERIALIZED VIEW IF EXISTS dwd_mv_user_event;
CREATE MATERIALIZED VIEW IF NOT EXISTS dwd_mv_user_event
DISTRIBUTED BY RANDOM
REFRESH ASYNC EVERY(INTERVAL 1 HOUR) -- 每隔小时刷新一次
AS
SELECT  *  FROM ods_user_event;

构建ADS层

use game_db;

--1. 创建ADS_MV_USER_RETENTION (用户留存率)
CREATE MATERIALIZED VIEW IF NOT EXISTS ADS_MV_USER_RETENTION
DISTRIBUTED BY RANDOM
REFRESH ASYNC EVERY(INTERVAL 1 HOUR)
AS
SELECT
    DATE_TRUNC('day', registration_date) AS registration_day,
    DATE_TRUNC('day', last_login_date) AS last_login_day,
    COUNT(DISTINCT user_id) AS users_retained
FROM dwd_mv_user_profile
GROUP BY
    DATE_TRUNC('day', registration_date),
    DATE_TRUNC('day', last_login_date);

-- 2. ADS_MV_USER_GEOGRAPHIC_DISTRIBUTION (用户地理分布)
CREATE MATERIALIZED VIEW IF NOT EXISTS ADS_MV_USER_GEOGRAPHIC_DISTRIBUTION
DISTRIBUTED BY RANDOM
REFRESH ASYNC EVERY(INTERVAL 1 HOUR)
AS
SELECT
    location AS geographic_location,
    COUNT(DISTINCT user_id) AS total_users
FROM dwd_mv_user_profile
GROUP BY
    location;

-- 3. ADS_MV_USER_DEVICE_PREFERENCE (设备使用习惯)
CREATE MATERIALIZED VIEW IF NOT EXISTS ADS_MV_USER_DEVICE_PREFERENCE
DISTRIBUTED BY RANDOM
REFRESH ASYNC EVERY(INTERVAL 1 HOUR)
AS
SELECT
    device_type,
    COUNT(DISTINCT user_id) AS total_users
FROM dwd_mv_user_profile
GROUP BY
    device_type;

-- 4. ADS_MV_USER_PURCHASE_TRENDS (用户购买趋势)
-- 该视图用于分析玩家每天的购买趋势变化
CREATE MATERIALIZED VIEW IF NOT EXISTS ADS_MV_USER_PURCHASE_TRENDS
DISTRIBUTED BY RANDOM
REFRESH ASYNC EVERY(INTERVAL 1 HOUR)
AS
SELECT
    DATE(timestamp) AS purchase_date,
    COUNT(user_id) AS daily_purchase_events
FROM dwd_mv_user_event
WHERE event_type = '购买'
GROUP BY
    purchase_date
ORDER BY
    purchase_date;

步骤7：向数据湖中写入数据（Paimon格式）

  1. 在StarRocks中创建External Catalog。

    -- myfirstcatalog可以根据您的实际情况调整。
-- DROP CATALOG `myfirstcatalog`;
CREATE EXTERNAL CATALOG `myfirstcatalog`
PROPERTIES (
    "type"  =  "paimon",
    "paimon.catalog.type"  =  "dlf-paimon",
    "dlf.catalog.id"  = "${DLF_CATALOG_ID}"
);

-- 如出现：Unexpected exception: Catalog 'myfirstcatalog' doesn't exist，您可以注释掉 -- DROP CATALOG `myfirstcatalog`; 重新执行再试一次。

    dlf.catalog.id为您在数据湖构建控制台中创建的Catalog ID。

  2. 写数据到数据湖中（Paimon格式）。

    CREATE DATABASE IF NOT EXISTS myfirstcatalog.game_db;

CREATE TABLE IF NOT EXISTS myfirstcatalog.game_db.ADS_USER_PURCHASE_TRENDS(
    purchase_date DATE COMMENT '购买日期',
    daily_purchase_events INT COMMENT '每日购买事件数量'
);

-- ADS：ETL加工数据
INSERT
    INTO myfirstcatalog.game_db.ADS_USER_PURCHASE_TRENDS
SELECT * from ADS_MV_USER_PURCHASE_TRENDS;

步骤8：通过Quick BI进行报表分析和展示

通过Quick BI可以直接查询StarRocks中最终ADS层的数据，进行报表页面展示。

  1. 登录Quick BI控制台。

  2. 配置StarRocks数据源，详情请参见阿里云数据源StarRocks。

  3. 创建数据集并分析数据，详情请参见创建并管理数据集。

    • 数据集SQL1：select * from game_db.ADS_MV_USER_RETENTION;

    • 数据集SQL2：select * from game_db.ADS_MV_USER_GEOGRAPHIC_DISTRIBUTION;

    • 数据集SQL3：select * from game_db.ADS_MV_USER_DEVICE_PREFERENCE;

    • 数据集SQL4：select * from game_db.ADS_MV_USER_PURCHASE_TRENDS;

上一篇：专利申请和授权分析及展示下一篇：RAG知识库在线问答
文档推荐