间隔分析

视频版讲解

• 间隔分析讲解视频

概述

产品、运营、市场等人员的日常工作都需要观察业务的转化情况。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。

了解间隔分析的更多示例，可参考 查看间隔分析功能应用示例。

间隔分析

功能入口：分析 > 间隔分析。

1. 选择 初始行为 事件。点击 添加筛选 可以给初始行为事件添加筛选条件。
2. 选择 后续行为 事件。点击 添加筛选 可以给后续行为事件添加筛选条件。
3. 设置 关联属性。打开右上角的 设置关联属性 开关，可以为 初始行为 事件和 后续行为 事件设置管理属性。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。
4. 选择 分组。支持三种分组方式：
   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
5. 设置 用户筛选 条件。
6. 选择 时间。可选择的数据聚合时间单位：按天、按周、按月。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。
7. 点击 查询 按钮。

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：
  • 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）。
  • 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。
  • 人均间隔数：间隔数 / 转化用户数（下载数据中的字段）。
  • 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。
  • 最大值：间隔转化时长的最大值。
  • 最小值：间隔转化时长的最小值。
  • 中位数：将每个人的平均间隔时长按从大到小排序，取中间值。
  • 上四分位：将每个人的平均间隔时长按从大到小排序，取 1/4 处的值。
  • 下四分位：将每个人的平均间隔时长按从小到大排序，取 1/4 处的值。
  • P90 ：将每个人的平均间隔时长按从小到大排序，取 9/10 处的值。
  • P10 ：将每个人的平均间隔时长按从小到大排序，取 1/10 处的值。
  • 平均值：间隔转化时长的总和 / 间隔数。
  • 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，可以了解每个分组的间隔时间明细。

典型使用场景实例

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。

下面以金融投资类产品和短视频类产品为例进行介绍。

金融投资类产品

在金融投资类产品，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。

短视频类产品

在短视频类产品，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。

常见问题

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？

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。

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