数据分析指南

本文档介绍如何使用 Vibany 的数据分析功能监控系统运营状况。

数据来源

Vibany 的数据主要来自：

• PostgreSQL 数据库：业务数据（用户、订单、历史记录等）
• Clerk：用户认证数据
• Vercel Analytics：访问统计（如果启用）
• Microsoft Clarity：用户行为分析（可选）

核心指标

用户指标

指标	说明	计算方式
总用户数	注册账号总数	COUNT(*) FROM users
日新增用户	当日注册用户	COUNT(*) FROM users WHERE DATE(created_at) = TODAY
活跃用户	最近 7 天有操作	COUNT(DISTINCT user_id) FROM histories WHERE created_at > NOW() - 7 days
付费用户	有过充值记录	COUNT(DISTINCT user_id) FROM orders WHERE status = 'SUCCESS'

收入指标

指标	说明	计算方式
日收入	当日充值积分	SUM(amount) FROM orders WHERE status = 'SUCCESS' AND DATE(created_at) = TODAY
月收入	当月充值积分	SUM(amount) FROM orders WHERE status = 'SUCCESS' AND MONTH(created_at) = CURRENT_MONTH
ARPU	用户平均收入	总收入 / 付费用户数
付费率	付费用户占比	付费用户数 / 总用户数

使用指标

指标	说明	计算方式
日生成量	当日生成图片数	COUNT(*) FROM histories WHERE DATE(created_at) = TODAY
总生成量	累计生成图片数	COUNT(*) FROM histories
平均耗时	图片生成平均时间	AVG(generation_time) FROM histories
成功率	生成成功比例	成功数 / 总数

SQL 查询示例

用户增长趋势

-- 每日新增用户
SELECT 
  DATE(created_at) as date,
  COUNT(*) as new_users
FROM users
WHERE created_at > NOW() - INTERVAL '30 days'
GROUP BY DATE(created_at)
ORDER BY date DESC;

-- 累计用户数
SELECT 
  DATE(created_at) as date,
  COUNT(*) OVER (ORDER BY DATE(created_at)) as cumulative_users
FROM users
GROUP BY DATE(created_at)
ORDER BY date;

收入分析

-- 每日收入统计
SELECT 
  DATE(o.created_at) as date,
  COUNT(*) as order_count,
  SUM(o.amount) as revenue_points,
  COUNT(DISTINCT o.user_id) as paying_users
FROM orders o
WHERE o.status = 'SUCCESS'
  AND o.created_at > NOW() - INTERVAL '30 days'
GROUP BY DATE(o.created_at)
ORDER BY date DESC;

-- 支付方式分布
SELECT 
  payment_method,
  COUNT(*) as order_count,
  SUM(amount) as total_points,
  ROUND(AVG(amount), 2) as avg_points
FROM orders
WHERE status = 'SUCCESS'
GROUP BY payment_method
ORDER BY order_count DESC;

模型使用统计

-- 各模型使用频率
SELECT 
  (extra->>'model') as model,
  COUNT(*) as usage_count,
  AVG(points_used) as avg_points
FROM histories
WHERE created_at > NOW() - INTERVAL '30 days'
  AND status = true
GROUP BY (extra->>'model')
ORDER BY usage_count DESC;

用户留存分析

-- 次日留存率
WITH first_login AS (
  SELECT 
    user_id,
    MIN(DATE(created_at)) as first_date
  FROM histories
  GROUP BY user_id
),
next_day_login AS (
  SELECT DISTINCT
    h.user_id,
    DATE(h.created_at) as login_date
  FROM histories h
  JOIN first_login f ON h.user_id = f.user_id
  WHERE DATE(h.created_at) = f.first_date + INTERVAL '1 day'
)
SELECT 
  ROUND(
    COUNT(DISTINCT n.user_id) * 100.0 / COUNT(DISTINCT f.user_id),
    2
  ) as retention_rate
FROM first_login f
LEFT JOIN next_day_login n ON f.user_id = n.user_id
WHERE f.first_date = CURRENT_DATE - INTERVAL '1 day';

邀请效果分析

-- 邀请码效果统计
SELECT 
  i.invite_code,
  i.invite_type,
  i.ref_ratio,
  COUNT(iu.id) as usage_count,
  SUM(iu.recharge_amount) as total_recharge
FROM invitations i
LEFT JOIN invitation_usages iu ON i.id = iu.invitation_id
GROUP BY i.id, i.invite_code, i.invite_type, i.ref_ratio
ORDER BY usage_count DESC;

可视化工具

Drizzle Studio

内置数据库 GUI 工具：

npm run db:studio

访问 http://localhost:4983

连接 BI 工具

可以使用以下工具连接 PostgreSQL 进行可视化分析：

工具	特点	适用场景
Metabase	开源，易用	自建分析平台
Grafana	专业监控	实时仪表板
Tableau	商业软件	高级分析
Google Data Studio	免费	简单报表

Metabase 配置示例

1. 安装 Metabase（Docker）：

docker run -d -p 3000:3000 --name metabase metabase/metabase

2. 添加数据库连接：

• 数据库类型：PostgreSQL
• 主机：Neon 连接字符串中的主机
• 端口：5432
• 数据库名：数据库名
• 用户名/密码：连接字符串中的凭证

监控告警

关键指标告警

建议设置以下告警：

指标	阈值	告警方式
错误率	> 5%	邮件/短信
支付成功率	< 90%	邮件
API 响应时间	> 5s	邮件
磁盘使用率	> 80%	邮件

Vercel 监控

如果使用 Vercel Pro，可以在 Dashboard 设置：

• 函数错误率告警
• 带宽使用告警
• 构建失败通知

数据导出

CSV 导出

-- 导出用户数据
\copy (SELECT * FROM users) TO '/tmp/users.csv' WITH CSV HEADER;

-- 导出订单数据
\copy (
  SELECT 
    o.id, 
    u.email, 
    o.amount, 
    o.status, 
    o.created_at
  FROM orders o
  JOIN users u ON o.user_id = u.clerk_id
  WHERE o.status = 'SUCCESS'
) TO '/tmp/orders.csv' WITH CSV HEADER;

定期报告

可以使用 node-cron 创建定期报告任务：

// 每日报告示例
import { cron } from 'node-cron';

cron.schedule('0 9 * * *', async () => {
  // 生成昨日报告
  const report = await generateDailyReport();
  // 发送邮件
  await sendEmail('admin@yourdomain.com', 'Daily Report', report);
});

A/B 测试

测试场景

1. 定价测试：不同积分套餐的转化效果
2. UI 测试：不同界面的用户体验
3. 模型测试：不同 AI 模型的用户偏好

数据追踪

在代码中添加追踪：

// 记录 A/B 测试分组
await db.insert(experiments).values({
  userId,
  experimentId: 'pricing_v2',
  variant: 'B',
  createdAt: new Date()
});

隐私与合规

数据脱敏

分析时注意：

• 邮箱地址脱敏（a***@example.com）
• 不导出敏感字段（密码、API Key 等）
• 遵守数据保留政策

GDPR 合规

• 提供数据导出功能
• 支持数据删除请求
• 记录数据处理活动

最佳实践

1. 定期备份：每日自动备份数据库
2. 数据验证：定期检查数据一致性
3. 性能优化：为常用查询添加索引
4. 安全访问：限制数据库访问权限
5. 文档记录：维护数据分析文档

相关文档

• 用户管理指南
• 订单处理指南
• 管理后台指南
• Neon 数据库配置