DB設計の考察
現在アクセスログツールを開発中だったりします。
で、GoogleAnalytics（以下GA）の結果と照らし合わせて
テストを行ったりもします。
基本的な集計結果はGAとほぼ一致するんですが、一つだけわからん事が。
その前に大量ログのさばき方
アクセスログともなると、生ログだけで持っていると
際限なくボリュームが増えていってしまいます。
PVが多いサイトですと月に数百万や数千万PVというのはあたりまえ。
さらにGAはほぼアクセス解析の標準みたいな感じで
大抵のサイトでは導入されています。*1
全部合わせると数十億レコードは下らないでしょう。
（一サイトで月間1億PVのサイトでも導入してるみたいですし）
なので普通は時間軸*2＋集計軸*3で
あらかじめレコードを集計します。
もちろんGAも例外ではないでしょう。画面から大体の物理テーブル設計は見えます。
ユニークユーザの計算方法
まず初めに、ユニークユーザ（以下UU）の計算方法を考えてみます。
ユーザAさんは以下のような行動履歴を取ったとします。
| 2009/1/1 | トップページ→ページA→ページB（離脱） |
| 2009/1/4 | トップページ（離脱） |
| 2009/1/5 | トップページ→ページC（離脱） |
ユーザBさんは以下のような行動履歴を取ったとします。
| 2009/1/4 | トップページ（離脱） |
ユーザCさんは以下のような行動履歴を取ったとします。
| 2009/1/5 | トップページ→ページD（離脱） |
（Ａ）この時、2009/1/5のUU数は２人（ＡさんとＢさんＣさん*4）です。
（Ｂ）次に2009/1/1〜2009/1/10のUU数は何人でしょうか？３人ですよね。
（Ｃ）では、これを日別に集計したら何人になりますか？
- 2009/1/1→１人
- 2009/1/4→２人
- 2009/1/5→２人
この結果を集計してしまうと、５人になってしまいます。
つまり、期間内UU数はあらかじめ集計しておくことが出来ないという事です。
GAはどうなっているか
GAの結果と自作ログ解析を比べてみると、
GAは「期間内のUU数は上記（Ｂ）の結果と同様」という事がわかりました。
GAの仕様から、日付の範囲は自由に選択することが可能です。
つまり
リアルで生ログを集計している
としか考えられないんです。
生ログとは言わず、「ユニークユーザ別アクセス履歴」に丸める事は可能ですが、
それでもかなりのレコード数になってしまうと思われます。
それを毎回再集計しているんでしょうか？
でもGAのレスポンスは特別悪いわけでもないんですよねー。
Googleだから普通じゃないDB持ってる
と済ませれば簡単ですが、それじゃつまらないじゃないですかｗ
何か他に方法が無いかと考察中です…*5
