视频版讲解
Session 分析概述
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、以及某些特殊节点的访问情况等。
在神策分析2.4版本，Session分析的入口为：神策分析→分析→Session分析。
第一次进行 Session 分析之前，首先需要创建 Session
创建Session需要填写Session的基础信息、Session包含的行为事件、Session的切割规则。
空页面创建Session入口：
Session管理常驻入口：
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。
开始事件、结束事件切割
在根据间隔时间切割的基础上，支持使用指定的「开始事件」和「结束事件」进行会话切割。其中，开始事件非必选，结束事件必选。
开始事件、结束事件切割的使用场景
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
按照开始事件、结束事件切割是如何实现的
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：那么就会根据设置的session切割时间自动切断会话；以下个事件作为起点，进行第二个 session 的匹配
Session相关指标计算规则
- 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；选择“Session中的具体某个事件”可以对事件本身进行分析。
- 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。
- D 处圈红的是 “Session 属性”，为每个 Session 内初始事件的属性的并集。Session 初始事件是 Session 内第一次触发的事件。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。
下边对几个主要指标进行说明：
1、对于“Session中的具体某个事件”
- 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
2、对于“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，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
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：
| 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 最后结论得出，我们在 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 最后结论得出，我们在 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。
如果您想了解更多 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》。