Формула «покупки / визиты» выглядит очевидной только до первого вопроса: покупки — события, заказы или уникальные покупатели, а визиты — сессии, пользователи или клики? Если числитель и знаменатель живут на разном grain, красивый процент не имеет устойчивого смысла. Сначала запишите определение словами, потом открывайте SQL.

Google Analytics прямо различает session key event rate — долю сессий с ключевым событием — и user key event rate — долю пользователей, вызвавших событие. Оба показателя корректны, но отвечают на разные вопросы. Ваша бизнес-конверсия может использовать ещё один знаменатель, например квалифицированные лиды из CRM.

Одна подпись скрывает несколько формул

ВопросЧислительЗнаменатель
сессия привела к заказу?сессии с order_createdвсе eligible sessions
пользователь купил?уникальные buyerseligible users
лид стал клиентом?уникальные converted leadsaccepted leads
заказы оплачены?paid orderscreated orders
шаг funnel пройден?entities на шаге Bentities на шаге A

В контракт метрики добавьте событие, сущность, источник времени, timezone, фильтры eligibility, окно атрибуции, правила повторных событий и возвратов. Подпись на дашборде должна раскрывать denominator хотя бы в tooltip. Иначе два отчёта с одинаковым названием будут спорить не о данных, а о разных определениях.

Grain определяет допустимое деление

Перед агрегацией сделайте одну строку на выбранную сущность: session, user, lead или order. Признак converted становится 0/1, а conversion — средним либо суммой флагов, делённой на количество eligible rows. Не делите COUNT(event) на COUNT(session): один пользователь может отправить событие несколько раз.

WITH session_flags AS (
  SELECT
    session_id,
    MAX(IF(event_name = 'order_created', 1, 0)) AS converted
  FROM analytics_events
  WHERE event_date BETWEEN @date_from AND @date_to
  GROUP BY session_id
)
SELECT SAFE_DIVIDE(SUM(converted), COUNT(*)) AS session_conversion
FROM session_flags;

SAFE_DIVIDE в BigQuery возвращает NULL при ошибке, например нулевом знаменателе. Это полезно для технической устойчивости, но не чинит смысл формулы: NULL, ноль и «нет данных» отображаются по-разному. Решите явно, что увидит пользователь при пустой population.

Join не должен размножать числитель

  • Проверить cardinality каждого join: one-to-one, one-to-many или many-to-many.
  • Свести events к entity flags до соединения со справочниками.
  • Считать distinct только осознанно: он может скрыть неправильный join.
  • Сверять количество entity IDs до и после каждого CTE.
  • Не смешивать event date с order date без правила атрибуции.

Классический сбой: одна сессия соединяется с тремя товарами заказа, и конверсия растёт после добавления product category. Исправление — выбрать grain отчёта и агрегировать дочернюю таблицу заранее. Если нужен разрез по товару, это уже другая метрика: одна покупка может относиться к нескольким категориям, и суммы долей не обязаны давать 100%.

BI-агрегация не заменяет семантический слой

Looker Studio различает calculated fields на уровне data source и конкретного chart; документация советует явно задавать агрегацию, чтобы изменение default aggregation не ломало формулу. Предпочтительнее отдать дашборду готовые numerator, denominator и rate с описанным grain, чем собирать SUM/AVG заново в каждом виджете.

Проверьте фильтры дат, timezone и сегменты одновременно для обеих частей дроби. Фильтр campaign, применённый только к знаменателю, создаёт правдоподобную, но неверную цифру. Настройка report-level filter должна быть частью теста метрики, а не только визуального QA.

Контрольные данные становятся контрактом

  1. Создать малый набор с известными session/user IDs и ожидаемыми flags.
  2. Добавить повторное событие, сессию без события и пустой период.
  3. Добавить one-to-many join и доказать отсутствие размножения.
  4. Сверить общий rate и каждый ключевой разрез вручную.
  5. Сравнить warehouse query, semantic layer и карточку BI.

Исправление принято, когда формула воспроизводится на контрольном наборе, разрезы не меняют population неожиданно, а tooltip объясняет единицу анализа. Для эскалации приложите metric contract, SQL hash, counts по промежуточным CTE и скрин фильтров. Сырые персональные события и выгрузка клиентов для этого не нужны.

Проверенные источники