本文非常好：https://blog.bcmeng.com/post/doris-bitmap.html
meta搜也非常好：https://metaso.cn/

用户行为分析是什么？简单说，就是围绕全体用户，做各种分析。用户就是一个个的 id。id 在不同方面有各种行为记录，我们需要根据不同行为做分析。

两个行为如何关联呢？很简单：一个用户，做了A又做了B，那么他就留下了两行记录，id 出现了两次。

如何筛选出做了A还做了B的用户？用 JOIN 是可以的，用 BITMAP 更高效。

下面，（https://blog.bcmeng.com/post/doris-bitmap.html）文中列举了很多圈人场景，值得学习：

 为什么要做用户行为分析呢? 其终极目的就是为了不断优化产品，提升用户体验，让用户花更多的时间，花更多的钱在自己的产品上。图中列出了常见的用户行为模型，比如留存分析，是指用户在某段时间内开始使用应用，经过一段时间后，仍然继续使用该应用的用户，被认作是该应用的留存用户。比如某应用某天新增用户 1 万人，然后低二天只有 5 千人打开过应用，那么日留存就是 50%。还有漏斗分析，最常见的就是一个转换漏斗，就是从展现页开始，有多少人会点击，进而有多少人会访问，最后又多少人会咨询和下单，这里面每一步的人数都会减少，用图画出来的话，刚好就是一个漏斗的形状。还有点击分析，就是可以根据用户在整个页面的点击浏览，情况，知道哪些图片，广告是设置合理的，哪些是有问题的，进而进行改进。 比如双 11 京东，天猫的首页，每个图片怎么放置，决定不是随便放的，背后肯定是有数据支撑的。剩下的就不一一介绍了。大家需要注意一点，目前我们数据库是可以回答用户行为 What 和 Why 的问题，而和机器学习结合后，我们是可以直接进行预测用户行为的。目前用户行为分析的解法大概有这么几种：第一种就数据库的 Join 解法，一般效率是比较低的。 我们在 Doris 中是可以用这种思路实现的。第二种是基于明细数据的，UDAF 实现。Doris 也是支持的。第三种是基于 Bitmap 的 UDAF 实现的，也就是今天要分享的。第四种是用专用的系统来做用户行为分析，专用系统的好处是可以针对特定场景，做更多的优化。而且在专用系统里，很多公司也采用了基于 Bitmap 的方案，原因是我们可以用 1 个 bit 位表示一个用户，那么 Bitmap 的交，并，差，对称差集等运算都可以和大多数用户行为模型对应起来，并且 Bitmap 的交，并，差，对称差集运算可以借助 SIMD 指令加速，是很高效的。比如， 去重用户就是 Bitmap 取 1 的个数，活跃用户就是两个 Bitmap 取并集，重度用户，留存用户，转换可以是两个 Bitmap 取交集，新增用户可以是 Bitmap 取差集等等。

存留分析、漏斗分析、点击分析，这些分析场景，都会用到 bitmap。 OVER。

以下数据来自metaso搜索引擎：https://metaso.cn/search/8459168987833442304