1. Session 分析概述

1.1. 在事件分析中选择分析方式

在 1.6 版本增加了 Session 分析功能，第一次进行 Session 分析之前，首先需要在“元数据”的“Session管理”里创建 Session。这里对 Session 的相关概念进行说明，见下图：

在 a 处选择已经创建的 Session。在 b 处选择此 Session 中的事件，选择“Session总体”可以对 Session 整体情况进行分析。在 b 处选择事件，则 c 中对应的指标也会发生变化。在 c 中选择具体指标，除一些通用指标外，还包含 b 处所选事件的属性的指标。d 处圈红的是 “Session 属性”，每个 Session 内首次触发事件的属性的并集。下边对几个主要概念进行说明：

1. 跳出率： Session 中只发生一个事件的 Session 个数除以总 Session 数。比如有三个 Session，第一个 Session 事件序列为 A,B；第二个 Session 事件序列为 A；第三个 Session 事件序列为 A,C,B；则 Session 总体的跳出率为 1/3。
2. 退出率： Session 的退出率包括 Session 中某个事件的退出率 和 Session中任意事件的退出率。某个事件的退出率指该事件作为 Session 的结束事件的次数除以该事件发生次数，任意事件退出率指 Session 数除以 Session 中所有事件发生次数。比如有三个 Session，第一个 Session 事件序列为A,B；第二个 Session 事件序列为A；第三个 Session 事件序列为A,C,A；则 Session 中A事件的退出率为 2/4, 任意事件的退出率为 3/6。
3. Session 时长： Session 内最后一个事件触发的时间减去 Session 内第一个事件触发的时间。
4. Session 深度： Session 内触发事件的次数。
5. Session 内事件时长： 假如某 Session 内事件触发顺序为 a > b > c > d，则事件 a 的时长为 b 减去 a，事件 d 的时长未知。
6. Session 初始事件： Session 内第一次触发的事件。
7. Session 属性： d 处的 Session 属性是指一个 Session 中初始事件的属性。比如一个 Session 的事件序列为 A,B,C；A 事件的操作系统为 iOS，B 事件的操作系统为 Android，C 事件的操作系统为空，则这个 Session 中的 Session 属性操作系统应该是 iOS，是第一个事件对应的操作系统属性值。

如果您想了解 Session 的定义、使用等内容，可阅读神策博客文章《如何应用 Sensors Analytics 进行 Session 分析》。

2. 新增了会话（session）的切割方法

在原有的根据间隔时间切割的基础上，我们支持使用指定的「开始事件」和「结束事件」进行会话切割

2.1. 分析会话（session）整体时，新增了一个「同时并发人数」的指标

选择分析 session 总体时，可以使用 session 同时并发人数来计算该时间点同时存在的会话数

2.2. 计算口径说明

2.2.1. 新的 session 切割是如何实现的？

步骤 1：将用户的行为序列，按照发生时间远到近进行排序

步骤 2：以第一个行为作为起点，向后进行匹配。

若匹配到的是一个「开始事件」：那么会自动切断会话；以这个「开始事件」作为起点，进行第二个 session 的匹配

若匹配到的是一个「结束事件」：那么会将这个「结束事件」划入到当前会话中；以「结束事件」的下一个事件作为起点，进行第二个 session 的匹配

若在切割时间内没有匹配到任何事件：那么就会自动切断会话；以下个事件作为起点，进行第二个 session 的匹配

2.2.2. 同时并发人数是如何实现的？

我们认为一个会话是一个持续的时段，那么在计算同时并发人数的时候，就判断该时间点有多少个会话同时在线即可。

如图所示：

• 时间点 1 的同时在线人数为 3
• 时间点 2 的同时在线人数为 2
• 时间点 3 的同时在线人数为 1

2.3. 使用场景

2.3.1. 什么时候使用开始和结束事件？

当我们对我们的会话有明确的开始和结束事件的定义时，可以使用开始和结束来让我们切割出来的会话更加符合预期。

比如：

• 在视频行业中有明确的「开始播放」和「结束播放」
• 在移动端有明确的「APP 启动」和「APP 退出」
• 一次转化路径中，会认为「首页」算做一个开始的点，「支付」的发生是一个结束的标志

2.3.2. 同时并发人数可以分析什么？

在事件是存在持续行为的场景中，同时并发人数相对事件的发生次数更加有代表意义。

我们来举个例子：

• 一个视频类的 APP，每个时段都有用户不断地进入和退出。
• 当我们做一些线上的活动时，希望在用户在线时间最密集的那一刻进行活动的推送
• 那么我们如何判断出哪个时段是在线的用户最多的时段呢？

我们来看一下模拟数据的结论：

实际上，我们的用户在 20:00 至 20:30 之间是在线人数最多的，在这个时间段进行运营活动效果最好