概述
Session 分析是基于会话的分析，将用户单点发生的行为串联成整体进行分析。通过 Session 分析，可统计用户在产品中的整体访问深度、某些特殊节点的访问情况等。
Session 分析入口： 分析 > Session 分析 。
创建 Session
进行 Session 分析之前，需要先创建 Session。
创建 Session 入口： 分析 > Session 分析 ，然后点击右上角的 Session 管理 ，在弹出的 Session 管理窗口中点击 创建 Session 。
- 填写 Session 显示名 。
- 填写 Session 名 。
- 填写 备注 ，可选。
- 选择 Session 包含的事件 。
- 设置切割规则 。
- 时间切割
- 事件切割
关于切割规则，下文介绍。
Session 的切割方法
时间切割
时间切割 ，是指当相邻事件间的时间间隔超出此时长，则进行一次切割。
事件切割
在时间切割的基础上，支持使用指定的 开始事件 和 结束事件 进行会话切割。其中， 开始事件 可选， 结束事件 必选。
事件切割使用场景
当我们对会话有明确的 开始事件 和 结束事件 的定义时，可以使用 开始事件 和 结束事件 让我们切割出来的会话更加符合预期。
例如：
- 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 访问首页 是开始， 支付订单 是结束。
事件切割是如何实现的
- 将用户的行为序列按照发生时间由远到近进行排序。
- 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 ：会自动切断会话，并以这个 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 ：会将这个 结束事件 划入到当前会话中，并以 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 ：会根据设置的 Session 切割时间自动切断会话，并以下个事件作为起点，进行第二个 Session 的匹配。
Session 分析
选择 分析 > Session 即可使用 Session 分析。
- 在 A 处选择已经创建的 Session 。
- 在 B 处选择此 Session 中的 事件 。
- Session 总体 ：可以对 Session 整体情况进行分析。
- Session 中具体某个事件 ：可以对事件本身进行分析。
- 选择 指标 ：在 B 处选择不同类型的事件，则 C 中对应的指标也会发生变化，除一些通用指标外，还包含 B 处所选事件的属性的指标。
- 设置 全局筛选 。
- 选择 分组 。
- 点击 查询 按钮。
Session 相关指标计算规则
下面对几个主要的指标的计算规则进行说明：
- Session 中具体某个事件
- 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。
- 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。
- Session 内事件发生次数： 分析 Session 内具体事件时，可以计算 Session 内事件发生次数。
- Session 总体：
- 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。
- 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。
- Session 深度： Session 内触发事件的次数。
- 同时并发人数： 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。我们认为一个会话是一个持续的时段，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。
如上图所示：
- 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。
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。
比如：
- 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：
| 用户 | 启动时间 | 退出时间 | 启动时间查看指标 | 同时在线查看指标 |
|---|---|---|---|---|
| A | 19:01 | 20:14 |
19:00 - 19:30 —— 3 人 19:30 - 20:00 —— 1 人 20:00 - 20:30 —— 2 人 20:30 - 21:00 —— 0 人 结论得出 ：在 19:00 - 19:30 期间进行投放效果最好。 |
19:00 - 19:30 —— 3 人 19:30 - 20:00 —— 4 人 20:00 - 20:30 —— 6 人 20:30 - 21:00 —— 2 人 结论得出 ：在 20:00 - 20:30 期间进行投放效果最好。 |
| B | 19:14 | 20:14 | ||
| C | 19:29 | 20:14 | ||
| D | 19:59 | 20:14 | ||
| E | 20:14 | 21:01 | ||
| F | 20:29 | 22:01 |
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。
如果想了解更多关于 Session 的内容，可阅读神策博客文章 《如何应用 Sensors Analytics 进行 Session 分析》。