数据目录AI Agent人工智能知识管理示例工程【免费下载链接】knowledge-catalogGoogle Cloud Knowledge Catalog Tools and Samples项目地址https://gitcode.com/gh_mirrors/kn/knowledge-catalog点击查看免费下载本篇技术指南以 knowledge-catalog 仓库中 N-Day Active Users 指标参考文档 为核心系统讲解 Google Analytics 4GA4N 日活跃用户受众指标的准确定义、底层事件表结构与完整 SQL 实现并结合仓库中的 GA4 数据集文档与同族指标参考文档进行对比拓展。读完本文你将掌握如何基于engagement_time_msec 0在 BigQuery 分片事件表上精准圈定近 N 天活跃用户并理解这类受众指标在 Knowledge Catalog 中作为可复用 Reference 文档的沉淀方式。指标定义什么是 N-Day Active Users根据仓库中的参考文档N-Day Active UsersN 日活跃用户被明确定义为在最近 N 天内至少记录过一次携带事件参数engagement_time_msec 0事件的用户集合。该定义有两个关键判定点活跃的判定标准是有参与时长而非有事件只有事件参数engagement_time_msec大于 0 的事件才被计入。engagement_time_msec是 GA4 标准事件参数用于记录用户与页面/应用产生真实交互的参与时长毫秒。仅触发页面加载、后台心跳等无参与时长的事件不会将用户标记为活跃从而避免把打开过页面但立刻离开的流量误判为活跃用户。时间窗口是最近 N 天窗口基于事件时间戳event_timestamp而非事件日期字段计算支持任意 N 值灵活圈选。该指标属于受众audience类指标其典型应用场景包括评估产品日活/周活规模、为推送/触达圈定高价值用户、对比不同周期活跃用户的留存变化以及作为其他活跃度指标如 N-Day Inactive Users的输入基础。数据基础GA4 BigQuery 导出表events_*该查询模式依赖 GA4 的 BigQuery 原始事件导出。仓库中的 GA4 示例数据集文档 说明ga4_obfuscated_sample_ecommerce是一个公开的脱敏 GA4 电商事件数据集模拟 Google Merchandise Store 的 Web 电商实现时间跨度约三个月2020-11-01 至 2021-01-31内含一张按天分片的表族 events_。查询 N 日活跃用户时核心依赖的字段如下完整 schema 见 events_ 表文档字段类型/模式在活跃用户查询中的作用event_timestampINTEGER, NULLABLE事件注册的 POSIX 微秒时间戳用于最近 N 天时间窗口过滤event_paramsRECORD, REPEATED事件级键值参数数组engagement_time_msec就存放在其中event_params.keySTRING, NULLABLE参数名此处需匹配engagement_time_msecevent_params.value.int_valueINTEGER, NULLABLE参数整数值此处需满足 0user_idSTRING, NULLABLE登录用户的唯一标识未登录时为 NULL本查询按它去重计数user_pseudo_idSTRING, NULLABLE匿名设备标识GA 客户端 ID可替代user_id使用_TABLE_SUFFIX分片伪列分片表日期后缀用于限定扫描的数据日期范围值得注意的是event_params是REPEATED RECORD数组结构因此在查询中必须通过CROSS JOIN T.event_params展开才能访问其中的key/value子字段——这也是整个活跃用户查询模式最核心的结构性前提。核心查询N-Day Active Users 完整 SQL 与逐段拆解参考文档给出了构建 N 日活跃用户受众的完整标准查询以 N 20 天为例/** * Builds an audience of N-Day Active Users. * * N-day active users users who have logged at least one event with event param * engagement_time_msec 0 in the last N days. */ SELECT COUNT(DISTINCT user_id) AS n_day_active_users_count FROM YOUR_TABLE.events_* AS T CROSS JOIN T.event_params WHERE event_params.key engagement_time_msec AND event_params.value.int_value 0 -- Pick events in the last N 20 days. AND event_timestamp UNIX_MICROS(TIMESTAMP_SUB(CURRENT_TIMESTAMP, INTERVAL 20 DAY)) AND _TABLE_SUFFIX BETWEEN 20180521 AND 20240131;逐段拆解① 展开嵌套参数CROSS JOIN T.event_params由于event_params是数组BigQuery 要求将其展开后才能按参数名过滤。CROSS JOIN会把每个事件的参数数组拍平为多行配合WHERE条件实现参数级筛选。这也是 GA4 嵌套 schema 查询的通用手法仓库中 events_ 表文档 的第二个查询模式同样示范了通过UNNEST/子查询提取event_params内字段的方式。② 活跃判定event_params.key engagement_time_msec AND event_params.value.int_value 0两步条件缺一不可先锁定参数名再要求参与时长严格大于 0。只有同时满足的事件才代表一次有真实参与的交互。③ 时间窗口event_timestamp UNIX_MICROS(TIMESTAMP_SUB(CURRENT_TIMESTAMP, INTERVAL 20 DAY))event_timestamp以微秒为单位POSIX 微秒因此需要先用TIMESTAMP_SUB从当前时间减去 N 天得到 TIMESTAMP再经UNIX_MICROS()转为微秒后与事件时间戳比较。示例中 N 20即统计最近 20 天内的活跃用户。④ 分片范围裁剪_TABLE_SUFFIX BETWEEN 20180521 AND 20240131GA4 导出表按天分片形如events_20180521、events_20240131_TABLE_SUFFIX通配符过滤能同时限定查询扫描的分片表范围兼顾语义正确性与成本控制——只扫需要的数据日期避免全表扫描。若使用仓库示例数据集可将范围改为20201101 AND 20210131以匹配其实际数据跨度见 GA4 示例数据集文档。⑤ 去重计数COUNT(DISTINCT user_id)同一用户在 N 天内可能触发多条满足条件的事件必须按用户去重得到的是活跃用户数而非活跃事件数。查询结果输出别名为n_day_active_users_count可直接作为受众规模评估值。参数化与实战调整指南参考文档中的查询以 N 20 为示例实际使用时可按下表调整参数参数示例值说明YOUR_TABLEbigquery-public-data.ga4_obfuscated_sample_ecommerce项目 数据集占位符替换为实际 GA4 导出位置INTERVAL 20 DAY任意 N活跃窗口天数改 N 即得 7 日活跃、30 日活跃等_TABLE_SUFFIX BETWEEN ...20201101 AND 20210131数据日期范围应与导出数据实际跨度一致user_iduser_pseudo_id统计口径切换详见下文注意事项调整建议统计周活时将INTERVAL 20 DAY改为INTERVAL 7 DAY只统计近三个月数据时收窄_TABLE_SUFFIX范围可显著降低 BigQuery 扫描量与费用。该查询可直接在 BigQuery 控制台运行也可嵌入定时任务实现受众的周期性刷新。活跃度指标家族与同族参考查询的对比该参考文档隶属于 GA4 活跃用户指标族仓库 okf/bundles/ga4/references/metrics/index.md 与 toolbox 演示目录的对应索引 中列出了完整清单。下表对比各指标的判定逻辑指标判定逻辑参考文档N-Day Active Users最近 N 天内至少有 1 次engagement_time_msec 0n_day_active_users.mdN-Day Inactive Users最近 M 天活跃MN但最近 N 天无engagement_time_msec 0事件n_day_inactive_users.mdFrequently Active Users最近 M 天中有 ≥ N 天各发生至少 1 次engagement_time_msec 0frequently_active_users.mdHighly Active Users最近 M 天累计参与时长超过 N 分钟highly_active_users.mdAcquired Users通过指定 Source / Medium / Campaign 获取的用户acquired_users.md对比可见N-Day Active Users 是其中最基础的宽口径活跃判定N-Day Inactive Users 在其基础上做反相圈选流失预警Frequently Active Users 引入活跃天数 ≥ N的频次门槛Highly Active Users 则从时长维度衡量活跃强度。所有查询共享CROSS JOIN event_paramsengagement_time_msec 0_TABLE_SUFFIX分片裁剪的同一套骨架掌握了本文的核心查询即可快速迁移理解同族其余指标。在 Knowledge Catalog 中的沉淀Reference 文档结构解析本文依据的指标查询并非孤立存在而是以Reference 类型文档的形式沉淀在仓库的 knowledge catalog 目录中如 toolbox/mdcode/demo/okf/catalog/references/metrics/n_day_active_users.md以及 okf bundle 中的 同内容副本。其 YAML frontmatter 结构对 Agent/LLM 检索高度友好frontmatter 字段取值示例语义typeReference文档类型标记区别于 Dataset / Table 类目录条目resourceGoogle Analytics Help 官方页面指标的权威出处title/descriptionN-Day Active Users Metric / 定义描述供搜索引擎与 Agent 检索的关键元数据tagsmetric,audience,ga4,active-users主题标签支撑分类检索generated.by/generated.atreference_agent/gemini-3.5-flash/ 时间戳文档由 reference_agent 自动生成及生成时间sources官方 sample_queries 资料查询模式的引用来源保证可溯源目录组织上catalog 下按datasets/数据集、tables/表、references/metrics/指标参考查询分层与 okf 的 GA4 bundle 结构 一一对应。这种定义 schema 查询模式 溯源的标准化结构使指标查询既能被人类分析师直接复制使用也能被 Agent 通过元数据精准定位与引用。仓库中该演示目录还配套了 OKF 目录条目的推送脚本如 okf.ts 负责 OKF frontmatter 与 Dataplex 可推送形态之间的转换说明了这类 Reference 文档从本地 catalog 到云端知识目录的流转链路。注意事项与常见坑user_id与user_pseudo_id的口径差异查询按COUNT(DISTINCT user_id)计数而 events_ 表文档 明确user_id仅在用户登录signed in时才有值、未登录为 NULL。若产品大量用户未登录直接使用user_id会严重低估活跃规模此时应改用user_pseudo_id匿名设备标识作为去重键或两者结合。从表 schema 可以推断这是实践中必须决策的关键口径点。engagement_time_msec的判定语义本指标只要求参数值 0不区分参与时长长短——只要有一次真实参与即算活跃。这与 Highly Active Users按时长阈值的判定粒度不同圈选前需明确业务口径。分片范围与成本_TABLE_SUFFIX范围越宽扫描数据越多、费用越高。建议始终按数据实际存在范围收窄避免扫到空分片或无关历史数据。时间窗口基于运行时刻CURRENT_TIMESTAMP取查询执行时刻若需截至某固定日期的受众应将其替换为固定 TIMESTAMP 常量以保证结果可复现。综上N-Day Active Users 是 GA4 受众分析中复用率极高的基础指标其查询以engagement_time_msec 0为活跃信号、以event_timestamp微秒时间戳圈定窗口、以_TABLE_SUFFIX裁剪分片配合仓库中的数据集与表结构文档即可快速落地并可作为活跃度指标家族其他查询的起点。赞分享数据目录AI Agent人工智能知识管理示例工程【免费下载链接】knowledge-catalogGoogle Cloud Knowledge Catalog Tools and Samples项目地址https://gitcode.com/gh_mirrors/kn/knowledge-catalog点击查看免费下载相关推荐GA4 活跃用户分析基于 BigQuery 的 N-Day Active Users 受众指标查询指南Knowledge CatalogGA4 活跃用户分析基于 BigQuery 的 N Day Active Users 受众指标查询指南Knowledge Catalog 本指南以 Ope数据目录AI Agent人工智能知识管理示例工程knowledge-catalog 中的 GA4 Frequently Active Users 指标基于 BigQuery 的活跃用户受众构建指南knowledge catalog 中的 GA4 Frequently Active Users 指标基于 BigQuery 的活跃用户受众构建指南 本篇技术数据目录AI Agent人工智能知识管理示例工程Knowledge Catalog 高活跃用户Highly Active Users受众指标GA4 事件数据上的 BigQuery 查询指南Knowledge Catalog 高活跃用户Highly Active Users受众指标GA4 事件数据上的 BigQuery 查询指南 本文是 Go数据目录AI Agent人工智能知识管理示例工程上一篇GetQzonehistory三步打造你的个人QQ空间数字档案馆下一篇OpenRGB终极指南一个免费开源软件统一控制所有RGB设备告别多软件烦恼创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
GA4 N-Day Active Users 指标实战：基于 BigQuery 事件导出构建活跃用户受众查询
数据目录AI Agent人工智能知识管理示例工程【免费下载链接】knowledge-catalogGoogle Cloud Knowledge Catalog Tools and Samples项目地址https://gitcode.com/gh_mirrors/kn/knowledge-catalog点击查看免费下载本篇技术指南以 knowledge-catalog 仓库中 N-Day Active Users 指标参考文档 为核心系统讲解 Google Analytics 4GA4N 日活跃用户受众指标的准确定义、底层事件表结构与完整 SQL 实现并结合仓库中的 GA4 数据集文档与同族指标参考文档进行对比拓展。读完本文你将掌握如何基于engagement_time_msec 0在 BigQuery 分片事件表上精准圈定近 N 天活跃用户并理解这类受众指标在 Knowledge Catalog 中作为可复用 Reference 文档的沉淀方式。指标定义什么是 N-Day Active Users根据仓库中的参考文档N-Day Active UsersN 日活跃用户被明确定义为在最近 N 天内至少记录过一次携带事件参数engagement_time_msec 0事件的用户集合。该定义有两个关键判定点活跃的判定标准是有参与时长而非有事件只有事件参数engagement_time_msec大于 0 的事件才被计入。engagement_time_msec是 GA4 标准事件参数用于记录用户与页面/应用产生真实交互的参与时长毫秒。仅触发页面加载、后台心跳等无参与时长的事件不会将用户标记为活跃从而避免把打开过页面但立刻离开的流量误判为活跃用户。时间窗口是最近 N 天窗口基于事件时间戳event_timestamp而非事件日期字段计算支持任意 N 值灵活圈选。该指标属于受众audience类指标其典型应用场景包括评估产品日活/周活规模、为推送/触达圈定高价值用户、对比不同周期活跃用户的留存变化以及作为其他活跃度指标如 N-Day Inactive Users的输入基础。数据基础GA4 BigQuery 导出表events_*该查询模式依赖 GA4 的 BigQuery 原始事件导出。仓库中的 GA4 示例数据集文档 说明ga4_obfuscated_sample_ecommerce是一个公开的脱敏 GA4 电商事件数据集模拟 Google Merchandise Store 的 Web 电商实现时间跨度约三个月2020-11-01 至 2021-01-31内含一张按天分片的表族 events_。查询 N 日活跃用户时核心依赖的字段如下完整 schema 见 events_ 表文档字段类型/模式在活跃用户查询中的作用event_timestampINTEGER, NULLABLE事件注册的 POSIX 微秒时间戳用于最近 N 天时间窗口过滤event_paramsRECORD, REPEATED事件级键值参数数组engagement_time_msec就存放在其中event_params.keySTRING, NULLABLE参数名此处需匹配engagement_time_msecevent_params.value.int_valueINTEGER, NULLABLE参数整数值此处需满足 0user_idSTRING, NULLABLE登录用户的唯一标识未登录时为 NULL本查询按它去重计数user_pseudo_idSTRING, NULLABLE匿名设备标识GA 客户端 ID可替代user_id使用_TABLE_SUFFIX分片伪列分片表日期后缀用于限定扫描的数据日期范围值得注意的是event_params是REPEATED RECORD数组结构因此在查询中必须通过CROSS JOIN T.event_params展开才能访问其中的key/value子字段——这也是整个活跃用户查询模式最核心的结构性前提。核心查询N-Day Active Users 完整 SQL 与逐段拆解参考文档给出了构建 N 日活跃用户受众的完整标准查询以 N 20 天为例/** * Builds an audience of N-Day Active Users. * * N-day active users users who have logged at least one event with event param * engagement_time_msec 0 in the last N days. */ SELECT COUNT(DISTINCT user_id) AS n_day_active_users_count FROM YOUR_TABLE.events_* AS T CROSS JOIN T.event_params WHERE event_params.key engagement_time_msec AND event_params.value.int_value 0 -- Pick events in the last N 20 days. AND event_timestamp UNIX_MICROS(TIMESTAMP_SUB(CURRENT_TIMESTAMP, INTERVAL 20 DAY)) AND _TABLE_SUFFIX BETWEEN 20180521 AND 20240131;逐段拆解① 展开嵌套参数CROSS JOIN T.event_params由于event_params是数组BigQuery 要求将其展开后才能按参数名过滤。CROSS JOIN会把每个事件的参数数组拍平为多行配合WHERE条件实现参数级筛选。这也是 GA4 嵌套 schema 查询的通用手法仓库中 events_ 表文档 的第二个查询模式同样示范了通过UNNEST/子查询提取event_params内字段的方式。② 活跃判定event_params.key engagement_time_msec AND event_params.value.int_value 0两步条件缺一不可先锁定参数名再要求参与时长严格大于 0。只有同时满足的事件才代表一次有真实参与的交互。③ 时间窗口event_timestamp UNIX_MICROS(TIMESTAMP_SUB(CURRENT_TIMESTAMP, INTERVAL 20 DAY))event_timestamp以微秒为单位POSIX 微秒因此需要先用TIMESTAMP_SUB从当前时间减去 N 天得到 TIMESTAMP再经UNIX_MICROS()转为微秒后与事件时间戳比较。示例中 N 20即统计最近 20 天内的活跃用户。④ 分片范围裁剪_TABLE_SUFFIX BETWEEN 20180521 AND 20240131GA4 导出表按天分片形如events_20180521、events_20240131_TABLE_SUFFIX通配符过滤能同时限定查询扫描的分片表范围兼顾语义正确性与成本控制——只扫需要的数据日期避免全表扫描。若使用仓库示例数据集可将范围改为20201101 AND 20210131以匹配其实际数据跨度见 GA4 示例数据集文档。⑤ 去重计数COUNT(DISTINCT user_id)同一用户在 N 天内可能触发多条满足条件的事件必须按用户去重得到的是活跃用户数而非活跃事件数。查询结果输出别名为n_day_active_users_count可直接作为受众规模评估值。参数化与实战调整指南参考文档中的查询以 N 20 为示例实际使用时可按下表调整参数参数示例值说明YOUR_TABLEbigquery-public-data.ga4_obfuscated_sample_ecommerce项目 数据集占位符替换为实际 GA4 导出位置INTERVAL 20 DAY任意 N活跃窗口天数改 N 即得 7 日活跃、30 日活跃等_TABLE_SUFFIX BETWEEN ...20201101 AND 20210131数据日期范围应与导出数据实际跨度一致user_iduser_pseudo_id统计口径切换详见下文注意事项调整建议统计周活时将INTERVAL 20 DAY改为INTERVAL 7 DAY只统计近三个月数据时收窄_TABLE_SUFFIX范围可显著降低 BigQuery 扫描量与费用。该查询可直接在 BigQuery 控制台运行也可嵌入定时任务实现受众的周期性刷新。活跃度指标家族与同族参考查询的对比该参考文档隶属于 GA4 活跃用户指标族仓库 okf/bundles/ga4/references/metrics/index.md 与 toolbox 演示目录的对应索引 中列出了完整清单。下表对比各指标的判定逻辑指标判定逻辑参考文档N-Day Active Users最近 N 天内至少有 1 次engagement_time_msec 0n_day_active_users.mdN-Day Inactive Users最近 M 天活跃MN但最近 N 天无engagement_time_msec 0事件n_day_inactive_users.mdFrequently Active Users最近 M 天中有 ≥ N 天各发生至少 1 次engagement_time_msec 0frequently_active_users.mdHighly Active Users最近 M 天累计参与时长超过 N 分钟highly_active_users.mdAcquired Users通过指定 Source / Medium / Campaign 获取的用户acquired_users.md对比可见N-Day Active Users 是其中最基础的宽口径活跃判定N-Day Inactive Users 在其基础上做反相圈选流失预警Frequently Active Users 引入活跃天数 ≥ N的频次门槛Highly Active Users 则从时长维度衡量活跃强度。所有查询共享CROSS JOIN event_paramsengagement_time_msec 0_TABLE_SUFFIX分片裁剪的同一套骨架掌握了本文的核心查询即可快速迁移理解同族其余指标。在 Knowledge Catalog 中的沉淀Reference 文档结构解析本文依据的指标查询并非孤立存在而是以Reference 类型文档的形式沉淀在仓库的 knowledge catalog 目录中如 toolbox/mdcode/demo/okf/catalog/references/metrics/n_day_active_users.md以及 okf bundle 中的 同内容副本。其 YAML frontmatter 结构对 Agent/LLM 检索高度友好frontmatter 字段取值示例语义typeReference文档类型标记区别于 Dataset / Table 类目录条目resourceGoogle Analytics Help 官方页面指标的权威出处title/descriptionN-Day Active Users Metric / 定义描述供搜索引擎与 Agent 检索的关键元数据tagsmetric,audience,ga4,active-users主题标签支撑分类检索generated.by/generated.atreference_agent/gemini-3.5-flash/ 时间戳文档由 reference_agent 自动生成及生成时间sources官方 sample_queries 资料查询模式的引用来源保证可溯源目录组织上catalog 下按datasets/数据集、tables/表、references/metrics/指标参考查询分层与 okf 的 GA4 bundle 结构 一一对应。这种定义 schema 查询模式 溯源的标准化结构使指标查询既能被人类分析师直接复制使用也能被 Agent 通过元数据精准定位与引用。仓库中该演示目录还配套了 OKF 目录条目的推送脚本如 okf.ts 负责 OKF frontmatter 与 Dataplex 可推送形态之间的转换说明了这类 Reference 文档从本地 catalog 到云端知识目录的流转链路。注意事项与常见坑user_id与user_pseudo_id的口径差异查询按COUNT(DISTINCT user_id)计数而 events_ 表文档 明确user_id仅在用户登录signed in时才有值、未登录为 NULL。若产品大量用户未登录直接使用user_id会严重低估活跃规模此时应改用user_pseudo_id匿名设备标识作为去重键或两者结合。从表 schema 可以推断这是实践中必须决策的关键口径点。engagement_time_msec的判定语义本指标只要求参数值 0不区分参与时长长短——只要有一次真实参与即算活跃。这与 Highly Active Users按时长阈值的判定粒度不同圈选前需明确业务口径。分片范围与成本_TABLE_SUFFIX范围越宽扫描数据越多、费用越高。建议始终按数据实际存在范围收窄避免扫到空分片或无关历史数据。时间窗口基于运行时刻CURRENT_TIMESTAMP取查询执行时刻若需截至某固定日期的受众应将其替换为固定 TIMESTAMP 常量以保证结果可复现。综上N-Day Active Users 是 GA4 受众分析中复用率极高的基础指标其查询以engagement_time_msec 0为活跃信号、以event_timestamp微秒时间戳圈定窗口、以_TABLE_SUFFIX裁剪分片配合仓库中的数据集与表结构文档即可快速落地并可作为活跃度指标家族其他查询的起点。赞分享数据目录AI Agent人工智能知识管理示例工程【免费下载链接】knowledge-catalogGoogle Cloud Knowledge Catalog Tools and Samples项目地址https://gitcode.com/gh_mirrors/kn/knowledge-catalog点击查看免费下载相关推荐GA4 活跃用户分析基于 BigQuery 的 N-Day Active Users 受众指标查询指南Knowledge CatalogGA4 活跃用户分析基于 BigQuery 的 N Day Active Users 受众指标查询指南Knowledge Catalog 本指南以 Ope数据目录AI Agent人工智能知识管理示例工程knowledge-catalog 中的 GA4 Frequently Active Users 指标基于 BigQuery 的活跃用户受众构建指南knowledge catalog 中的 GA4 Frequently Active Users 指标基于 BigQuery 的活跃用户受众构建指南 本篇技术数据目录AI Agent人工智能知识管理示例工程Knowledge Catalog 高活跃用户Highly Active Users受众指标GA4 事件数据上的 BigQuery 查询指南Knowledge Catalog 高活跃用户Highly Active Users受众指标GA4 事件数据上的 BigQuery 查询指南 本文是 Go数据目录AI Agent人工智能知识管理示例工程上一篇GetQzonehistory三步打造你的个人QQ空间数字档案馆下一篇OpenRGB终极指南一个免费开源软件统一控制所有RGB设备告别多软件烦恼创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
