快速了解间隔分析

1. 间隔分析概述

在 1.11 及之后的版本，神策分析提供了“间隔分析”。

产品，运营，市场等人员的日常工作都需要观察某某业务的转化情况。如何衡量转化，除了用漏斗看转化率，还需要看转化时长的分布情况，间隔分析即是解决这类问题和需求的。通过计算用户行为序列中两个事件的时间间隔，得到业务转化环节的转化时长分布。

间隔分析可以帮助你回答以下问题：

包含了实名认证等复杂操作的注册流程，想知道用户从开始注册到注册结束，整个过程花费的时长分布。

电商类产品分析用户首次打开 app 或完成注册，到完成首次下单所花费的时长分布。

投资理财类产品分析新用户完成绑卡到完成首次投资的时间间隔分布。

查看间隔分析功能应用示例

2. 间隔分析功能简介

2.1. 选择初始行为和后续行为

初始行为和后续行为存在两种情况：

  1. 初始行为和后续行为是不同的事件。例如，互联网金融产品分别选择“注册成功”和“投资成功”，电商产品选择“添加购物车”和“提交订单”。用于分析业务流程中用户转化花费的时长，侧面反应转化意愿，从而针对性的优化产品体验及运营策略。
  2. 初始行为和后续行为是相同的事件。例如，在线教育类产品分析用户 2 次上课之间的时间间隔，分析用户对学习的积极性。电商类产品分析用户重复购买生活用品的时间间隔，从而预测下一次购买的时间点，精准推荐。

2.2. 设置初始行为和后续行为筛选条件

根据实际的分析需求，可以对初始行为或后续行为添加筛选条件。以奢侈品电商为例，我们想分析上一次订单金额超过 1 万元的用户，是否短时间就会进行下一次的下单行为。

提出这条分析的基础假设是，下单金额更高的用户，对平台的信任度更高；其次这样的用户比较有钱。通过分析来验证我们的假设，如果成立，则可以说明用户完成一次高金额的订单之后，仍有较强的购买意愿，可以赠送优惠券，引导用户尽快完成复购。

此时初始行为和后续行为都选择“支付订单”，同时对初始行为添加筛选条件“订单金额大于 10000 ”，即可满足分析需求。

2.3. 设置用户筛选条件

根据用户属性，筛选出想要的分析对象。比如，只查看浙江省女性用户的行为时间间隔情况。

2.4. 按属性分组查看

间隔分析含如下 3 种分组方式

  1. 按初始行为属性分组
  2. 按后续行为属性分组
  3. 按用户属性分组

如果选择按初始行为分组查看，如 注册成功的 注册渠道， 则按照每个用户触发注册成功时带有的注册渠道的属性值进行分组，一个用户只会出现在一个分组中；

2.5. 选择聚合时间单位

可选择的数据聚合时间单位：

  1. 按天
  2. 按周
  3. 按月

值得注意的是，间隔分析不支持「按小时」聚合。因为「按小时」即要求用户的初始和后续行为发生在同一个自然小时内，否则行为无法关联，造成分析结果不准确。详见下文初始行为和后续行为配对的计算规则。

2.6. 设置关联属性

支持设置前后两个事件的属性进行关联。不同事件关联的属性可以是相同属性，也可以是不同属性，但是要求属性的类型必须一致。 举例：某电商开展了一个营销活动，除了监测用户从商品详情页到完成商品购买的行为流向，还需要精确定位该用户的行为是和本次营销活动相关。因此需要在浏览商品详情页和支付完成事件中添加营销活动 ID 的属性，此时就可以将该属性作为关联 ID ，以保证用户严格按照该模式配对。

2.7. 查看分析结果

间隔分析的分析结果以箱线图的形式展示。箱形图提供了一种只用 5 个点对数据集做简单总结的方式。它能显示出一组数据的最大值、最小值、中位数、及上下四分位数。

  • 可以看到整个时间段 A 事件 → B 事件 的总体情况的最大、最小、中位、平均间隔时间；

             

  • 分析结果中各指标的计算规则：
  1. 间隔数：在选定时间范围内，按照间隔分析计算规则完成间隔转化的配对数（下载数据中的字段）。
  2. 转化用户数：共有多少人在选定的时间内完成了间隔转化，可能一个人会完成多次间隔转化。
  3. 人均间隔数：间隔数 / 转化用户数（下载数据中的字段）。
  4. 间隔转化时长：在选定时间范围内，按照间隔分析计算规则，计算完成间隔转化的配对之后，统计的每个配对的间隔转化时长。
  5. 最大值：间隔转化时长的最大值。
  6. 最小值：间隔转化时长的最小值。
  7. 中位数：将间隔转化时长按从大到小排期，取中间值。
  8. 上四分位：将间隔转化时长按从大到小排期，取 1/4 处的值。
  9. 下四分位：将间隔转化时长按从大到小排期，取 3/4 处的值。
  10. 平均值：间隔转化时长的总和 / 转化用户数。
  11. 人均转化时间：每个人的平均间隔时长总和 / 转化用户数。

  • 展开表格中查看细项，了解每个分组的间隔时间明细。

3. 初始和后续行为是如何配对的

假设用户在过去某个时间段内行为序列是：A → C → A → B → B → A → B → B → A → A → C → D → A → B

此时我们分析用户做了 A 事件和 B 事件的时间间隔，会按如下的计算规则：

  • 在发生 A 事件后，找到离 A 事件 最近的 B 事件，即为第一个间隔。从间隔向后继续找 A 和 B 的配对，间隔与间隔不交叉，依次类推；
  • 选择聚合时间单位，按天、周、月聚合，则会限定配对的 A 事件 和 B 事件发生在同一天、周、月；例如：如果按天聚合，用户发生A 事件 的时间是 23:50 ，发生 B 事件的时间是次日 00:10 。这两个事件无法完成配对。
  • 此时如果不考虑聚合时间单位，则间隔配对结果是：A → C → A → B → B → A → B → B → A → A → C → D → A → B

4. 典型使用场景实例

  • 以金融投资类产品为例，用户是否发生投资行为是业务的关键。因此在产品运营策略上，会给新用户发红包吸引用户投资。这时可以选取新用户注册成功和 投资成功 2 个事件，得到用户首次投资成功花费的时长分布，同时对事件属性配置筛选条件分析各项策略对转化时长的影响。

    详细见下图：

  • 以短视频类产品为例，这类产品提供了非常丰富的视频内容供用户查看。内容就是短视频 App 提供给用户的核心价值。如何衡量用户是否感受到这一价值。这里我们选择用户完整看过一个短视频作为判断依据，同时选择新用户从启动 App 到完成播放所花费的时长情况作为分析对象。如果用户普遍需要较长的时长才能完成转化，说明用户需要付出的视频筛选的成本较高，用户极有可能流失。因此我们选取新用户从启动 App到完成播放的时间间隔作为优化的目标。

    详细见下图：

间隔分析通常是业务情况的反应，时间间隔多数情况下也并不能作为优化的指标，但是可以帮助我们探索可能存在的问题。如提交订单到支付订单间隔时长中位数是 5 分钟，说明一半的用户支付订单需要花费 5 分钟以上。这时应该主动思考其中可能存在的问题，是支付功能的 Bug ，还是其他问题导致支付失败，需要结合事件分析，漏斗分析等功能定位问题。

4.1. 5.FAQ

4.1.1.1. 5.1 可否用间隔分析的功能分析页面停留时长，时间间隔和页面停留时长有什么区别？

答：不能。假设注册流程包括手机号注册，填写基本信息，实名认证 3 个事件。 填写基本信息 与 实名认证的时间间隔并不是用户在基本信息页的停留时长。因为用户在发生填写基本信息和实名认证 2 个行为之间，可能含有其他操作。而一旦触发了填写基本信息和实名认证，即可利用「间隔分析」来计算。