app流量区排序有12项指标，每个指标区间分段赋分值，然后进行各指标的加权求和。指标有付费行为，比如刷新道具使用次数，有非付费行为，比如任务通过数量、通过率。如何进行评估各个指标分几个行为区间以及各行为区间赋予多少分，以及各个指标的权重比怎么分配比较好？

评估各个指标的分数区间和赋分值，以及权重比的分配，需要经过一系列数据分析和实验验证才能得出最优的方案。以下是一些参考思路：

1. 确定指标

首先需要明确评估的指标，可以考虑从以下几个方面入手：

- 用户活跃度：日活/月活/留存率等；
- 付费行为：付费转化率、ARPU等；
- 非付费行为：任务通过数量、通过率、分享次数等；
- 产品体验：CR、CTR、留存率等。

2. 分段赋分值

对于每个指标，可以根据数据进行分析，将其划分为不同的区间，并为每个区间赋予不同的分值。对于付费行为，可以考虑将使用次数分为不同的区间，并赋予不同的分值。对于非付费行为，可以根据任务通过率划分为不同的区间，并赋予不同的分值。

3. 权重比的分配

在确定各个指标的分数区间和赋分值后，需要考虑各个指标的权重比。权重比可以根据产品目标和业务需求来确定，也可以通过实验验证来调整。对于付费行为，可以考虑赋予较高的权重，因为这是直接影响收入的指标；对于非付费行为，可以考虑赋予较低的权重，因为这是间接影响收入的指标。在权重比的分配上，需要注意平衡各个指标的贡献度，以保证评估结果的准确性。

4. 进行实验

最后，需要进行实验验证，对于不同的分数区间和权重比进行测试，评估其效果，并根据实验结果进行调整。同时，也需要不断监测数据的变化，及时调整评估方案，以适应业务的变化和发展。

相关问题

对面以上指标，有没有类似的yarn容器相关的指标能够与其映射成同一类型的指标

是的，对于 Flink 应用程序在 YARN 上运行的情况，可以使用以下指标来监控 YARN 容器的状态和性能状况，与之前提到的 Flink 指标相对应：

1. `yarn_container_status{app_id="<app_id>", container_id="<container_id>"}`
- 含义：表示 YARN 容器的状态，包括 running（运行中）和 completed（已完成）。
- 取值范围：running、completed。

2. `yarn_container_memory_bytes{app_id="<app_id>", container_id="<container_id>"}`
- 含义：表示 YARN 容器使用的内存大小（单位：字节）。
- 取值范围：整数。

3. `yarn_container_cpu_cores{app_id="<app_id>", container_id="<container_id>"}`
- 含义：表示 YARN 容器可用的 CPU 核数。
- 取值范围：浮点数。

4. `yarn_container_elapsed_time_seconds{app_id="<app_id>", container_id="<container_id>"}`
- 含义：表示 YARN 容器运行的时间长度（单位：秒）。
- 取值范围：浮点数。

这些指标可以通过 Prometheus Exporter 监控 YARN 容器的状态和性能状况，帮助用户更好地了解 Flink 应用程序在 YARN 上的运行情况，从而对其进行优化。

能够将yarn的一些指标和spark的一些指标做成映射的指标有哪些 以普罗米修斯标准指标数据为例

以下是一些可以将Yarn和Spark指标映射的示例指标，以普罗米修斯标准指标数据为例：

1. 内存使用情况：使用普罗米修斯的`jvm_memory_used_bytes`指标来监测Spark的内存使用情况，使用Yarn的`yarn_allocated_mb`和`yarn_allocated_vcores`指标来监测Yarn的内存使用情况。

2. CPU使用情况：使用普罗米修斯的`process_cpu_seconds_total`指标来监测Spark的CPU使用情况，使用Yarn的`CPU_MILLISECONDS`指标来监测Yarn的CPU使用情况。

3. 磁盘使用情况：使用普罗米修斯的`node_filesystem_avail_bytes`指标来监测Spark的磁盘使用情况，使用Yarn的`yarn_node_disk_avail_mb`指标来监测Yarn的磁盘使用情况。

4. 网络使用情况：使用普罗米修斯的`node_network_receive_bytes_total`和`node_network_transmit_bytes_total`指标来监测Spark的网络使用情况，使用Yarn的`yarn_node_network_rx_bytes`和`yarn_node_network_tx_bytes`指标来监测Yarn的网络使用情况。

5. 任务执行情况：使用普罗米修斯的`spark_job_duration_seconds`指标来监测Spark应用程序的执行时间，使用Yarn的`yarn_app_num_completed_tasks`和`yarn_app_num_failed_tasks`指标来监测Yarn应用程序的任务执行情况。

以上仅是一些示例指标，您可以根据需要选择要映射的指标，并使用普罗米修斯标准指标数据来监测和分析Yarn和Spark应用程序的性能和资源使用情况。