数据应用二

你所在的行业，常用的数据分析指标有哪些？请简述。

• 留存／留存率：订阅周期结束以后，续约客户比例，地域分布

• 使用时长：云服务订阅用户使用时长，时间段分布

• Page View：网页访问统计

Google 搜索引擎是如何对搜索结果进行排序的？（请用自己的语言描述 PageRank 算法。）

PageRank 算法给每个网页附加权值的。它借鉴学术界论文重要性的评估方法：谁被引用的次数多，谁就越重要。全职越大，显示的位置越靠前。核心思想为：

（1）如果一个网页被很多其他网页链接到的话,说明这个网页比较重要，也就是 PageRank 值会相对较高

（2）如果一个 PageRank 值很高的网页链接到一个其他的网页，那么被链接到的网页的 PageRank 值会相应地因此而提高。

除了页内超链接，为了避免模拟客户在某一个页面，通过浏览地址栏输入跳转到其他地址；或者某页面设置指向自己的超链接，欺骗搜索引擎。引入了随机数。

基本算法为：

假设某一时刻点共有 N 个互联网页面。

为了提高存储和处理的效率，用 3 元组表示页面跳转，若某个页面 Pi 可以通过超链接跳转到 其他的页面 Pj, Pk, Pm.....等，则包含[Pi, Pj,1], [Pi, Pk,1], [Pi, Pm,1]

Page 权值计算：

其中 MpiMpi 是所有对 pipi 网页有出链的网页集合，L(pj)L(pj)是网页 pjpj 的出链数目，NN 是网页总数，αα一般取 0.85。

迭代计算每个网页的 PR 值，在不断迭代趋于平稳（ Markov 过程的收敛性）的时候，即为最终结果。

从工程角度来看，通过 MapReduce 实现高效的分布式计算框架。所谓 MapReduce，就是两种操作：Mapping 和 Reducing：

• 映射（Mapping）：对集合里的每个目标应用同一个操作。

• 化简（Reducing ）：遍历 Mapping 返回的集合中的元素来返回一个综合的结果。