Tenga en cuenta el ejemplo de un juego de datos que consta de logs de acceso de Oracle WebLogic Server desde el origen de log FMW WLS Server Access Logs. Los registros de log contienen datos sobre el acceso de los usuarios a Oracle WebLogic Server durante un período de tiempo específico. Estos registros de log individuales se pueden analizar para obtener información significativa sobre las estadísticas de uso, la popularidad de las URL, los usuarios más activos y más datos de este tipo. En los logs, descubra cómo obtener los siguientes resultados analizando los registros de log con la selección de campos específicos para cada resultado:

1. Mostrar las URL principales por número de aciertos

2. Mostrar las anomalías por número de aciertos

3. Mostrar las anomalías por duración de acceso

4. Identificar las URL por tamaño de carga

5. Identificar las URL por tamaño de descarga

6. Analizar la correlación entre el número de aciertos y el tamaño de descarga

7. Determinar las páginas más visitadas

8. Identificar los usuarios principales

9. Identificar los usuarios principales y sus páginas favoritas

10. Identificar la página de entrada que controla el máximo de visitas

11. Identificar la ruta de entrada y salida para la mayoría de los usuarios

Para recuperar el juego de datos, seleccione un rango de fechas adecuado, especifique el origen de log y ejecute la consulta:

'Log Source' = 'FMW WLS Server Access Logs'

Seleccione Enlazar en el panel Visualizar. Se mostrará la tabla de grupos 'FMW WLS Server Access Logs' y el gráfico de burbujas.

1. Para mostrar las URL principales por número de aciertos, agrupe los registros de log por el valor de la URL en el registro de log, obtenga el recuento total de la URL en cada grupo, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y muestre el resultado en formato tabular. Con este análisis, puede determinar las URL más utilizadas.

   1. Arrastre y suelte el campo URI en Agrupar por y elimine el campo Origen de log de Agrupar por.

   2. Una vez ejecutada la consulta, en la línea de comandos, cambie los nombres de los campos Recuento por Número de aciertos, Hora de inicio to Primer acceso, Hora de finalización to Último acceso, así como Duración de grupo por Duración de acceso.

   3. Elimine el comando classify de la línea de comandos y envíe la consulta.

      La consulta será la siguiente:

      'Log Source' = 'FMW WLS Server Access Logs' | link URI | rename Count as 'Number of Hits', 'Start Time' as 'First Access', 'End Time' as 'Last Access', 'Group Duration' as 'Access Duration'

   Al ejecutar la consulta, puede determinar las URL principales por número de aciertos en la tabla. El nombre de las columnas se cambia según lo especificado en el comando rename.

2. Para mostrar las anomalías por número de aciertos, agrupe los registros de log por el valor de la URL en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y analice los grupos para el número de aciertos. Con este análisis, puede separar el patrón inusual en el acceso a las URL.

   Haga clic en Analizar, seleccione Número de aciertos y haga clic en Aceptar.

   La consulta debe cambiar a lo siguiente:

   'Log Source' = 'FMW WLS Server Access Logs' | link URI | rename Count as 'Number of Hits', 'Start Time' as 'First Access', 'End Time' as 'Last Access', 'Group Duration' as 'Access Duration' | classify topcount = 300 'Number of Hits'

   Esta consulta dispara el análisis de la columna 'Número de aciertos' y crea burbujas que representan los rangos que se suelen ver. La mayoría de los valores se tratan como base. Por ejemplo, una burbuja grande se puede convertir en la línea base, o un gran número de burbujas más pequeñas agrupadas pueden formar la línea base. Las burbujas que estén más lejos de la base se marcan como anomalías.

   Por lo tanto, de esta forma se muestran las URL anómalas agrupadas en burbujas separadas en el gráfico de burbujas. Para ver el porcentaje de URL en cada rango de número de aciertos, pase el cursor sobre las burbujas.

3. Para mostrar las anomalías por duración de acceso, agrupe los registros de log por el valor de la URL en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a valores adecuados y analice los grupos para obtener la duración de acceso de la URL. Con este análisis, puede separar el patrón inusual en el tiempo dedicado a acceder a las URL. Como continuación al paso 2:

   Haga clic en Analizar, seleccione Duración de acceso y haga clic en Aceptar.

   La duración del acceso indica la duración durante la que se ha accedido a cada URL. Se calcula como la diferencia entre el último registro de hora y el primer registro de hora del archivo log para cada URL.

4. Para identificar las URL por tamaño de carga, agrupe los registros de log por el valor de la URL en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y analice los grupos para el tamaño de los datos cargados. Con este análisis, puede identificar las URL que tengan un tamaño inusual de los datos cargados. Como continuación al paso 3:

   1. Arrastre y suelte el campo Tamaño de contenido en en la sección Valor.

   2. Cambie el nombre del campo Tamaño de contenido en a Bytes cargados modificando la consulta en la línea de comandos y ejecute la consulta.

   3. Haga clic en Analizar, seleccione Bytes cargados y haga clic en Aceptar.

      La consulta será la siguiente:

      'Log Source' = 'FMW WLS Server Access Logs' | link URI | stats avg('Content Size In') as 'Bytes Uploaded' | rename Count as 'Number of Hits', 'Start Time' as 'First Access', 'End Time' as 'Last Access', 'Group Duration' as 'Access Duration' | classify topcount = 300 'Bytes Uploaded'

      En el gráfico Analizar se muestran los grupos de URL por los bytes cargados.

   4. Para correlacionar los datos de Bytes cargados en el rango de tiempo, puede ocultar o mostrar gráficos de forma selectiva en Opciones de gráfico de histograma. Explore las otras opciones de visualización además del gráfico de barras.

5. Para identificar las URL por tamaño de descarga, agrupe los registros de log por el valor de la URL en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y analice los grupos para el tamaño de los datos descargados. Con este análisis, puede identificar las URL que tengan un tamaño inusual de datos descargados. Como continuación al paso 4:

   1. Arrastre y suelte el campo Content Size Out en la sección Valor y elimine Content Size In de la sección Valor.

   2. Cambie el nombre del campo Content Size Out a Tamaño de descarga modificando la consulta en la línea de comandos y ejecute la consulta.

   3. Haga clic en Analizar, seleccione Tamaño de descarga y haga clic en Aceptar.

      La consulta será la siguiente:

      'Log Source' = 'FMW WLS Server Access Logs' | link URI | stats avg('Content Size Out') as 'Download Size' | rename Count as 'Number of Hits', 'Start Time' as 'First Access', 'End Time' as 'Last Access', 'Group Duration' as 'Access Duration' | classify topcount = 300 'Download Size'

      En el gráfico Analizar se muestran los grupos de URL por tamaño de descarga.

   4. Para correlacionar los datos de Tamaño de descarga en el rango de tiempo, puede ocultar o mostrar gráficos de forma selectiva en Opciones de gráfico de histograma. Explore las otras opciones de visualización además del gráfico de barras.

6. Para analizar la correlación entre el número de aciertos y el tamaño de descarga, agrupe los registros de log por el valor de la URL en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y analice los grupos para obtener el tamaño de los datos descargados y el número de aciertos. Con este análisis, puede identificar las URL que tengan patrones inusuales de tamaño de datos descargados y el número de aciertos. Como continuación al paso 5:

   1. Haga clic en Analizar, seleccione los campos Número de aciertos, Tamaño de descarga y haga clic en Aceptar.

   2. Elimine topcount=300 de la consulta para ver todas las burbujas y ejecute la consulta.

      La consulta será la siguiente:

      'Log Source' = 'FMW WLS Server Access Logs' | link URI | stats avg('Content Size Out') as 'Download Size' | rename Count as 'Number of Hits', 'Start Time' as 'First Access', 'End Time' as 'Last Access', 'Group Duration' as 'Access Duration' | classify 'Download Size', 'Number of Hits'

   En el gráfico de burbujas, el campo Número de aciertos se traza en el eje X y Tamaño de descarga en el eje Y.

   
   
   
   Descripción de la ilustración correlation.bmp
   
   

   Las burbujas se pueden interpretar de la siguiente manera:

   • Se ha accedido al 73,8% de las URL de una a siete veces.

   • El tamaño medio de descarga para el 73,8% de las URL está entre 32.345 y 34.000. Este rango reducido implica que un gran número de direcciones URL tienen un comportamiento muy uniforme con referencia al tamaño de descarga.

   • Dado que el 73,8% es la gran mayoría, el resto de los puntos están marcados como anomalías.

   • Con datos reales, es habitual que el sistema agrupe archivos .css, .js y de imagen por separado de otras URL, ya que tienden a tener diferentes comportamientos de descarga.

7. Para determinar las páginas más visitadas, agrupe los registros de log por el valor de la URL en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y analice los grupos para el número de visitantes únicos. Con este análisis, puede identificar las URL más visitadas por los visitantes únicos. Como continuación al paso 6:

   1. Arrastre y suelte el campo Nombre de usuario en la sección Valor.

   2. Haga clic en la flecha hacia abajo junto al nombre del campo, cambie la función de Único a Recuento distinto. Consulte las otras funciones que puede seleccionar para un campo numérico:

   3. Cambie el nombre del campo Nombre de usuario a Número de usuarios únicos, elimine el comando classify modificando la consulta en la línea de comandos y ejecute la consulta. La consulta será la siguiente:

      'Log Source' = 'FMW WLS Server Access Logs' | link URI | stats avg('Content Size In') as 'Bytes Uploaded', avg('Content Size Out') as 'Download Size', distinctcount('User Name') as 'Number of Unique Users' | rename Count as 'Number of Hits', 'Start Time' as 'First Access', 'End Time' as 'Last Access', 'Group Duration' as 'Access Duration' 

   4. Haga clic en Analizar, seleccione el campo Número de usuarios únicos y haga clic en Aceptar.

   En la tabla se muestran las URL y el número correspondiente de usuarios únicos, lo que nos ayuda a identificar las URL más visitadas por los usuarios únicos. En la tabla, también puede determinar el número de aciertos que tiene cada URL.

   El análisis muestra que más del 99 % de las URL tienen 0 o 1 usuario único. Este sería el caso de las URL que no necesitan una conexión o a las que rara vez se accede. Al profundizar en cualquiera de las burbujas más pequeñas, apuntará a las páginas específicas, cuántos aciertos suelen tener y cuántos visitantes únicos.

8. Para identificar los usuarios principales, agrupe los registros de log por el valor del nombre de usuario en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y analice los grupos para el número de aciertos. Con este análisis, puede identificar los usuarios más activos.

   1. Edite la línea de comandos para eliminar todos los filtros: 'Log Source' = 'FMW WLS Server Access Logs' | link URI

   2. Arrastre y suelte el campo Nombre de usuario en Agrupar por, elimine URI y ejecute la consulta.

   3. Elimine el comando classify, cambie el nombre de los campos por defecto en la línea de comandos y ejecute la siguiente consulta:

      'Log Source' = 'FMW WLS Server Access Logs' | link 'User Name' | rename Count as 'Number of Hits', 'Start Time' as 'First Access', 'End Time' as 'Last Access', 'Group Duration' as 'Access Duration'

      La tabla se ordena por el número de aciertos del usuario.

   4. Para ver el comportamiento del usuario por acceso, haga clic en Analizar, seleccione el campo Número de aciertos y haga clic en Aceptar.

   5. Haga clic en las anomalías para identificar los usuarios que han registrado un número mayor o menor de aciertos en comparación con los demás usuarios.

9. Para identificar los usuarios principales y sus páginas favoritas, agrupe los registros de log por el valor del nombre de usuario en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y analice los grupos para el número de páginas únicas. Con este análisis, puede identificar los usuarios menos activos y los más activos, así como sus páginas favoritas. Como continuación al paso 8:

   1. Arrastre y suelte el campo URI en la sección Valor. Cambie la función de Único a Recuento distinto.

   2. Cambie el nombre del campo URI a Número de páginas únicas modificando la consulta en la línea de comandos y ejecute la consulta.

   3. Haga clic en Analizar, seleccione el campo Número de páginas únicas y haga clic en Aceptar.

10. Para identificar la página de entrada que controla el máximo de visitas, agrupe los registros de log por el valor del nombre de usuario en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y analice los grupos para encontrar los valores de las URL de entrada y el número de aciertos para las URL. Con este análisis, puede identificar las páginas a las que los usuarios acceden primero. Como continuación al paso 9:

    1. Para obtener las URL de entrada, cambie la función del campo URI de Recuento distinto a Primero.

    2. Cambie el nombre del campo URI a URL de entrada modificando la consulta en la línea de comandos y ejecute la consulta.

    3. Haga clic en Analizar, seleccione los campos Número de aciertos y URL de entrada, seleccione el topcount como 20 y haga clic en Aceptar.

       'Log Source' = 'FMW WLS Server Access Logs' | link 'User Name' | stats earliest(URI) as 'Entry URL' | rename Count as 'Number of Hits', 'Start Time' as 'First Access', 'End Time' as 'Last Access', 'Group Duration' as 'Access Duration' | classify topcount = 20 'Number of Hits', 'Entry URL'

    
    
    
    Descripción de la ilustración entry_page.bmp
    
    

    De esta forma se muestra la primera URL utilizada por los usuarios en relación con el número de aciertos. Por ejemplo, /login es la URL que más utilizan los usuarios.

11. Para identificar la ruta de entrada y salida para la mayoría de los usuarios, agrupe los registros de log por el valor del nombre de usuario en el registro de log, cambie el nombre de los campos por defecto de la tabla de grupos a los valores adecuados y analice los grupos para los valores de las URL de entrada y las URL de salida. Con este análisis, puede identificar

    • Las rutas más comunes que siguen los usuarios para transitar por el sitio web

    • Las páginas de productos más populares desde las que los usuarios salen del sitio web

    • Las URL de salida más comunes, como las páginas de finalización de compra del producto o la puerta de enlace de pago

    • Las URL de salida inusuales y la causa raíz de las salidas inesperadas

    Como continuación al paso 10:

    1. Arrastre y suelte el campo URI en la sección Valor.

    2. Para obtener la página de salida, cambie la función del campo URI de Único a Más reciente.

    3. Edite la línea de comandos y cambie el nombre del campo latest(URI) a URL de salida y envíe la consulta.

    4. Haga clic en Analizar, seleccione los campos URL de entrada y URL de salida, seleccione el topcount como 20 y haga clic en Aceptar.

       'Log Source' = 'FMW WLS Server Access Logs' | link 'User Name' | stats earliest(URI) as 'Entry URL', latest(URI) as 'Exit URL' | rename Count as 'Number of Hits', 'Start Time' as 'First Access', 'End Time' as 'Last Access', 'Group Duration' as 'Access Duration' | classify topcount = 20 'Entry URL', 'Exit URL'

    5. Aumente el tamaño del gráfico mediante Analizar opciones de gráfico.

    
    
    
    Descripción de la ilustración entry_exit.bmp
    
    

    En este gráfico de rectángulos se muestra la relación entre las URL de entrada y salida de un sitio. Esto sería muy útil para los sitios minoristas en los que los proveedores de servicios desearían identificar las URL de entrada que llevan a los clientes a las páginas de finalización de compra, y las URL de producto que están causando que los usuarios no vayan a la finalización de compra.

Para crear un nuevo campo virtual, puede utilizar el comando eval en la función link. La consulta eval en la línea de comandos generará un gráfico de líneas para el campo virtual y activará el seguimiento a lo largo del tiempo.

Ejemplos:

• Tenga en cuenta el caso en el que los registros de log del origen de log SAR CPU Logs se agrupan por el nombre de host y la CPU. Para determinar la carga experimentada por la CPU del servidor a lo largo del tiempo, el comando eval crea un campo virtual Load % y genera el gráfico de líneas.

  'Log Source' = 'SAR CPU Logs' | rename Instance as CPU | link 'Host Name (Server)', CPU | stats avg('CPU Idle Time (%)') as 'CPU Idle Time (%)' | eval 'Load %' = 100 - 'CPU Idle Time (%)'

  Para ver el gráfico de líneas:

  1. Haga clic en el separador Histograma.

  2. Haga clic en la flecha abajo junto al icono Opciones de gráfico (). Haga clic en Mostrar/Ocultar gráficos. Seleccione % de carga.

  3. Haga clic en la flecha abajo junto al icono Opciones de gráfico (). Haga clic en Opciones de gráfico. En la lista Tipo de gráfico, seleccione Línea sin marcador. Haga clic en Cerrar.

  
  
  
  Descripción de la ilustración eval_load_cpu.png
  
  

• Tenga en cuenta el caso en el que los registros de log del origen de log OMC WLS Server Access Logs se agrupan por el URI. Para determinar el tamaño de los datos a los que se accede a lo largo del tiempo en megabytes, el comando eval crea un campo virtual Tamaño de contenido (MB), calcula el tamaño de contenido en MB según el valor del campo Tamaño de contenido y genera el gráfico de líneas.

  'Log Source' = 'WLS Server Access Logs' | link URI | stats avg('Content Size') as 'Content Size Bytes' | eval 'Content Size (MB)' = 'Content Size Bytes' / 1024

  Para ver el gráfico de líneas:

  1. Haga clic en el separador Histograma.

  2. Haga clic en la flecha abajo junto al icono Opciones de gráfico (). Haga clic en Mostrar/Ocultar gráficos. Seleccione Tamaño de contenido (MB) y Registros de log de acceso.

  3. Haga clic en la flecha abajo junto al icono Opciones de gráfico (). Haga clic en Opciones de gráfico. En la lista Tipo de gráfico, seleccione Línea sin marcador. Haga clic en Cerrar.

  
  
  
  Descripción de la ilustración content_size_mb.png
  
  

Puede utilizar link 'SQL Statement' para agrupar sentencias SQL y analizar su comportamiento e identificar anomalías.

Ejemplo:

Tenga en cuenta la siguiente consulta que enlaza los registros de log en función del campo Sentencia SQL:

'Log Source' in ('Database Audit Logs', 'Database Audit XML Logs') 
	| rename 'Host Name (Server)' as 'DB Server', 'User Name (Originating)' as 'OS User', 'User Name' as 'DB User' 
	| link 'SQL Statement' 
	| rename Count as 'Number of Runs', 'Start Time' as 'First Run', 'End Time' as 'Last Run', 'Group Duration' as Age 
	| addfields [ Object = dual | stats count as 'dual Table Access' ], 
		[ Object like 'all_%' | stats count as 'ALL_ Table Access' ], 
		[ Object like 'dba_%' | stats count as 'DBA_ Table Access' ], 
		[ Object like 'user_%' | stats count as 'USER_ Table Access' ], 
		[ Object like 'v$%' | stats count as 'VDollar Table Access' ], 
		[ Object = null | stats count as 'No Table Access' ], 
		[ Action = '2' | stats count as 'Insert Count' ], 
		[ Action = '3' | stats count as 'Select Count' ], 
		[ Action = '6' | stats count as 'Update Count' ], 
		[ Action = '7' | stats count as 'Delete Count' ], 
		[ Type = '8' | stats count as 'Connect Count' ], 
		[ 'Status Code' = 1 | stats count as Failures ] 
	| eval 'Object Type' = if('dual Table Access' > 0, Dual, 
		'ALL_ Table Access' > 0, System, 
		'DBA_ Table Access' > 0, System, 
		'USER_ Table Access' > 0, System, 
		'VDollar Table Access' > 0, System, 
		'No Table Access' > 0, 'No Table', Other) 
	| eval 'SQL Type' = if('Insert Count' > 0, Insert, 
		'Select Count' > 0, Select, 
		'Update Count' > 0, Update, 
		'Delete Count' > 0, Delete, 
		'Connect Count' > 0, Connect, Other) 
	| stats distinctcount(Object) as Objects, distinctcount('Database ID') as 'Number of DBs', 
		distinctcount(Session) as 'Number of Sessions' 
	| fields -'dual Table Access', -'No Table Access', -'ALL_ Table Access', 
		-'USER_ Table Access', -'DBA_ Table Access', -'VDollar Table Access', -'Insert Count', 
		-'Select Count', -'Update Count', -'Delete Count', -'Connect Count', -'SQL Type', -'Object Type' 
	| classify Age 
	| classify 'Number of Sessions' 
	| classify 'Number of DBs' 
	| classify 'Number of Runs', 'Object Type' 
	| classify 'Object Type', 'SQL Type'

Al ejecutar la consulta anterior, se pueden observar los siguientes resultados:

• Según el comando classify, se generan los gráficos de burbujas para Age, Number of Sessions, Number of DBs, Number of Runs, Object Type y Object Type, SQL Type.

  
  
  
  Descripción de la ilustración link_sql_statement.png
  
  
  
  
  Descripción de la ilustración link_sql_bubble.png
  
  

  En los gráficos de burbujas, los registros de log se agrupan según el número de sentencias SQL incluidas en cada juego de parámetros. Los parámetros Object Type y SQL Type se determinan mediante el comando eval de la consulta.

• En los gráficos del histograma Línea con área se muestran la aparición de campos como dual Table Access, No Table Access, ALL_ Table Access, USER_ Table Access, DBA_ Table Access, VDollar Table Access, Insert Count, Select Count, Update Count, Delete Count, Connect Count y Log Records en relación con el tiempo.

  1. En la ficha de gráfico de histograma, haga clic en la flecha hacia abajo junto al icono Opciones de gráfico ().

  2. Seleccione esta opción para mostrar los gráficos de todos los campos.

  3. En Tipo de gráfico, seleccione Línea con área.

  4. Ajuste el ancho para mostrar dos gráficos por línea.

  
  
  
  Descripción de la ilustración link_sql_area_chart.png
  
  

• En la tabla de grupos se muestran los grupos identificados por enlace según el campo Sentencia SQL. Puede observar que, para cada SQL, en la tabla se muestra el número de veces que se ha ejecutado el SQL, la hora de inicio, la hora de finalización y la duración del grupo. Haga clic en cada grupo y consulte los registros de log para obtener más información. También puede ver los grupos en la visualización del cluster para realizar un análisis más detallado.

  
  
  
  Descripción de la ilustración link_sql_table.png
  
  

Tenga en cuenta este juego de datos sin ordenar tomado de un archivo log de acceso. Los siguientes campos indican la información sobre una sesión de usuario y las acciones que realiza el usuario:

Time | Session ID | Action
 T2  | 1          | Login
 T1  | 5          | Login
 T6  | 1          | addtocart
 T3  | 1          | productlisting
 T4  | 1          | purchase
 T9  | 1          | purchase
 T7  | 5          | addtocart
 T5  | 1          | addtocart
 T8  | 5          | purchase 

Las acciones como Login, addtocart, productlisting y purchase se registran en un orden aleatorio de T1 a T9 y se han producido en dos sesiones con el ID de sesión 1 y 5.

Para realizar un análisis de tiempo similar de los logs de acceso, extraiga Session ID de los logs en un campo. Extraiga los pasos intermedios de la sesión de los logs de acceso aplicando una expresión regular para obtener la URL de los logs.

En un contexto genérico, las sesiones de este ejemplo representan cualquier transacción de usuario, mientras que las acciones representan los pasos intermedios que realiza el usuario para completar una transacción.

Para analizar estos datos no ordenados y extraer la información necesaria, se puede ejecutar la siguiente consulta de ejemplo:

'Upload Name' = logadmin 
| link 'Session ID'
| rename 'Group Duration' as 'Session Duration' 
| addfields 
  [ Action = addtocart | stats earliest(Time) as 'First Add To Cart Time' ], 
  [ Action = purchase | stats latest(Time) as 'Last Purchase Time' ] 
| eval 'Time Taken for Purchase (Secs)' = ('Last Purchase Time' - 'First Add To Cart Time') / 1000 
| fields -'First Add To Cart Time', 
         -'Last Purchase Time' 
| classify 'Time Taken for Purchase (Secs)'

• link 'Session ID' agrupa los registros de logs de acceso por ID de sesión, creando dos grupos:

  Time | Session ID | Action
   T2  | 1          | Login
   T6  | 1          | addtocart
   T3  | 1          | productlisting
   T4  | 1          | purchase
   T5  | 1          | addtocart
   T9  | 1          | purchase
  
   T1  | 5          | Login
   T7  | 5          | addtocart
   T8  | 5          | purchase

• addfields se ejecuta en cada uno de estos grupos. El primer comando addfields selecciona los registros donde Action = addtocart. El resultado de esta consulta es el siguiente para ambos grupos:

  Time | Session ID | Action
   T6  | 1          | addtocart
   T5  | 1          | addtocart
  
   T7  | 5          | addtocart

• stats earliest(Time) ordena el resultado anterior por tiempo para cada grupo:

  Time | Session ID | Action
   T5  | 1          | addtocart
   T6  | 1          | addtocart
   
   T7  | 5          | addtocart

• A continuación, se selecciona el campo especificado, que es Time, del primer registro:

  'First Add To Cart Time' = T5 for Group = 1
  'First Add To Cart Time' = T7 for Group = 5

• El segundo addfields se ejecuta en Action = purchase y extrae los siguientes registros:

  Time | Session ID | Action
   T4  | 1          | purchase
   T9  | 1          | purchase
  
   T8  | 5          | purchase

• latest(Time) también ordena los registros anteriores por Time:

  Time | Session ID | Action
   T4  | 1          | purchase
   T9  | 1          | purchase
  
   T8  | 5          | purchase

• latest(Time) selecciona el último registro y extrae el campo especificado, que es Time:

  'Last Purchase Time' = T9 for Group = 1
  'Last Purchase Time' = T8 for Group = 5

• En este punto, ambos grupos tienen definidos los valores para First Add to Cart Time y Last Purchase Time. Se trata de registros de hora. eval resta uno de otro para obtener el tiempo transcurrido.

• En efecto, puede obtener el tiempo que se tarda en agregar al carrito en el paso Comprar de cada sesión. Ahora se puede utilizar en classify para analizar la varianza de este tiempo transcurrido entre sesiones.

  
  
  
  Descripción de la ilustración time_analysis_bubble.png
  
  

Para obtener la sintaxis y otros detalles del comando addfields, consulte addfields.