Analítica web y de apps
Usuarios únicos diarios y mensuales por página o función, combinados entre días con PFMERGE.
Datos básicosAnalítica
Conteo a gran escala
Visitantes únicos, "¿ya hemos visto esto?", elementos principales y frecuencias sobre miles de millones de eventos, cada uno en una cantidad de memoria pequeña y fija.
- estructuras probabilísticas
- 4
- memoria por estructura
- Fija
- márgenes de error
- Conocidos
Paso 1 de 5
Visitantes únicos
Añade los ids de los visitantes a un HyperLogLog. La memoria sigue siendo pequeña por muchos que lleguen.
Sesión de ejemploplaying
# Visitantes únicos
hotkv> PFADD visitors:2026-10-16 user:42 user:77 user:91
(integer) 1
Un recorrido animado con comandos reales de HotKV y respuestas de ejemplo. Haz clic en cualquier paso para saltar a él. Los comandos y las respuestas se quedan en inglés, tal como los escribes y los ves en HotKV.
El problema
Las respuestas exactas a "cuántos usuarios únicos", "¿ya enviamos este correo?" o "cuáles son las búsquedas principales" necesitan una memoria que crece con cada elemento distinto. Con miles de millones de eventos, eso se convierte en gigabytes de sets y contadores por pregunta.
Cómo lo resuelve HotKV
Las estructuras probabilísticas cambian un error pequeño y conocido por memoria constante. HyperLogLog cuenta elementos distintos, los filtros Bloom responden a la pertenencia, Top-K sigue los elementos más frecuentes y los Count-min sketches estiman cuántas veces apareció cualquier elemento. Las cuatro están integradas en HotKV.
Paso a paso
Qué ocurre, comando a comando
- 01
Visitantes únicos
Añade los ids de los visitantes a un HyperLogLog. La memoria sigue siendo pequeña por muchos que lleguen.
PFADD visitors:2026-10-16 user:42 user:77 user:91 - 02
¿Cuántos?
Una estimación de los visitantes distintos con un error estándar pequeño.
PFCOUNT visitors:2026-10-16 - 03
Nunca envíes dos veces
Antes de enviar el correo de una campaña, comprueba si esta dirección ya lo recibió.
BF.EXISTS sent:campaign:fall ada@example.com - 04
Búsquedas principales
Top-K conserva los elementos más frecuentes a medida que llegan los eventos.
TOPK.LIST searches:today WITHCOUNT - 05
Frecuencia de cualquier elemento
Un Count-min sketch estima el recuento de cualquier elemento, esté en la lista o no.
CMS.QUERY pageviews /home /pricing /blog
Dónde encaja
Escenarios reales
Correo y notificaciones
Los filtros Bloom evitan los envíos duplicados entre reintentos y campañas.
Búsqueda y comercio
Las consultas principales y los productos más vistos se siguen en vivo para el merchandising.
Integrado
Qué obtienes
HyperLogLog
Recuentos de distintos, combinables entre intervalos.
PFADDPFCOUNTPFMERGEFiltros Bloom
Pertenencia con una tasa de falsos positivos configurable.
BF.RESERVEBF.ADDBF.EXISTSTop-K
Los elementos más frecuentes de un stream.
TOPK.ADDTOPK.LISTCount-min sketch
Estimaciones de frecuencia para cualquier elemento.
CMS.INCRBYCMS.QUERYPreguntas frecuentes
¿Qué precisión tienen?
Los filtros Bloom te permiten fijar la tasa de error, y los Count-min sketches el ancho y la profundidad. HyperLogLog tiene un error estándar pequeño y fijo.
¿Puede un filtro Bloom pasar por alto algo que ya ha visto?
No. Puede dar un falso positivo, nunca un falso negativo.
¿Necesito un módulo?
No. Forman parte de HotKV.
Casos de uso relacionados
Pruébalo con tu propia carga de trabajo
HotKV habla el protocolo de Redis, así que puedes apuntar un cliente que ya usas hacia él y ejecutar estos mismos comandos.