1. 影片版講解

間隔分析講解影片

2. 間隔分析概述

在 1.11 及之後的版本，神策分析提供了“間隔分析”。

產品，營運，市場等人員的日常工作都需要觀察某某業務的轉化情況。如何衡量轉化，除了用漏斗看轉化率，還需要看轉化時長的分佈情況，間隔分析即是解決這類問題和需求的。透過計算用戶行為序列中兩個事件的時間間隔，得到業務轉化環節的轉化時長分佈。

間隔分析可以幫助你回答以下問題：

包含了實名認證等複雜操作的註冊流程，想知道用戶從開始註冊到註冊結束，整個過程花費的時長分佈。

電商類產品分析用戶首次打開 app 或完成註冊，到完成首次下單所花費的時長分佈。

投資理財類產品分析新用戶完成綁卡到完成首次投資的時間間隔分佈。

查看間隔分析功能應用範例

3. 間隔分析功能簡介

3.1. 選擇初始行為和後續行為

初始行為和後續行為存在兩種情況：

  1. 初始行為和後續行為是不同的事件。例如，互聯網金融產品分別選擇“註冊成功”和“投資成功”，電商產品選擇“增加購物車”和“提交訂單”。用於分析業務流程中用戶轉化花費的時長，側面反應轉化意願，從而針對性的優化產品體驗及營運策略。
  2. 初始行為和後續行為是相同的事件。例如，在線教育類產品分析用戶 2 次上課之間的時間間隔，分析用戶對學習的積極性。電商類產品分析用戶重複購買生活用品的時間間隔，從而預測下一次購買的時間點，精準推薦。

3.2. 設定初始行為和後續行為篩選條件

根據實際的分析需求，可以對初始行為或後續行為增加篩選條件。以奢侈品電商為例，我們想分析上一次訂單金額超過 1 萬元的用戶，是否短時間就會進行下一次的下單行為。

提出這條分析的基礎假設是，下單金額更高的用戶，對平臺的信任度更高；其次這樣的用戶比較有錢。透過分析來驗證我們的假設，如果成立，則可以說明用戶完成一次高金額的訂單之後，仍有較強的購買意願，可以贈送優惠券，引導用戶儘快完成再購。

此時初始行為和後續行為都選擇“支付訂單”，同時對初始行為增加篩選條件“訂單金額大於 10 000 ”，即可滿足分析需求。

3.3. 設定用戶篩選條件

根據用戶屬性，篩選出想要的分析對象。比如，只查看浙江省女性用戶的行為時間間隔情況。

3.4. 按屬性分組查看

間隔分析含如下 3 種分組方式

  1. 按初始行為屬性分組
  2. 按後續行為屬性分組
  3. 按用戶屬性分組

如果選擇按初始行為分組查看，如 註冊成功的 註冊渠道， 則按照每個用戶觸發註冊成功時帶有的註冊渠道的屬性值進行分組，一個用戶只會出現在一個分組中；

3.5. 選擇聚合時間單位

 可選擇的數據聚合時間單位：

  1. 按天
  2. 按週
  3. 按月

值得注意的是，間隔分析不支援「按小時」聚合。因為「按小時」即要求用戶的初始和後續行為發生在同一個自然小時內，否則行為無法關聯，造成分析結果不準確。詳見下文 初始行為和後續行為配對的計算規則。 

3.6. 設定關聯屬性

支援設定前後兩個事件的屬性進行關聯。不同事件關聯的屬性可以是相同屬性，也可以是不同屬性，但是要求屬性的類型必須一致。 舉例：某電商開展了一個行銷活動，除了監測用戶從商品詳情頁到完成商品購買的行為流向，還需要精確定位該用戶的行為是和本次行銷活動相關。因此需要在瀏覽商品詳情頁和支付完成事件中增加行銷活動 ID 的屬性，此時就可以將該屬性作為關聯 ID ，以保證用戶嚴格按照該模式配對。

3.7. 查看分析結果

間隔分析的分析結果以箱線圖的形式展示。箱形圖提供了一種只用 5 個點對數據集做簡單總結的方式。它能顯示出一組數據的最大值、最小值、中位數、及上下四分位數。

  • 可以看到整個時間段 A 事件 → B 事件 的總體情況的最大、最小、中位、平均間隔時間；

             

  • 分析結果中各指標的計算規則： 

  1. 間隔數：在選定時間範圍內，按照間隔分析計算規則完成間隔轉化的配對數（下載數據中的欄位）。
  2. 轉化用戶數：共有多少人在選定的時間內完成了間隔轉化，可能一個人會完成多次間隔轉化。
  3. 人均間隔數：間隔數 / 轉化用戶數（下載數據中的欄位）。
  4. 間隔轉化時長：在選定時間範圍內，按照間隔分析計算規則，計算完成間隔轉化的配對之後，統計的每個配對的間隔轉化時長。
  5. 最大值：間隔轉化時長的最大值。
  6. 最小值：間隔轉化時長的最小值。
  7. 中位數：將間隔轉化時長按從大到小排期，取中間值。
  8. 上四分位：將間隔轉化時長按從大到小排期，取 1/4 處的值。
  9. 下四分位：將間隔轉化時長按從大到小排期，取 3/4 處的值。
  10. 平均值：間隔轉化時長的總和 / 轉化用戶數。
  11. 人均轉化時間：每個人的平均間隔時長總和 / 轉化用戶數。 

  • 展開表格中查看細項，瞭解每個分組的間隔時間明細。

4. 初始和後續行為是如何配對的

假設用戶在過去某個時間段內行為序列是：A → C → A → B → B → A → B → B → A → A → C → D → A → B

此時我們分析用戶做了 A 事件和 B 事件的時間間隔，會按如下的計算規則：

  • 在發生 A 事件後，找到離 A 事件 最近的 B 事件，即為第一個間隔。
  • 從間隔向後繼續找 A 和 B 的配對，間隔與間隔不交叉，依次類推； 選擇聚合時間單位，按天、週、月聚合，則會限定配對的 A 事件 和 B 事件發生在同一天、週、月；例如：如果按天聚合，用戶發生A 事件 的時間是 23:50 ，發生 B 事件的時間是次日 00:10 。這兩個事件無法完成配對。
  • 此時如果不考慮聚合時間單位，則間隔配對結果是：A → C → A → B → B → A → B → B → A → A → C → D → A → B

5. 典型使用場景實例

  • 以金融投資類產品為例，用戶是否發生投資行為是業務的關鍵。因此在產品營運策略上，會給新用戶發紅包吸引用戶投資。這時可以選取新用戶註冊成功和 投資成功 2 個事件，得到用戶首次投資成功花費的時長分佈，同時對事件屬性配置篩選條件分析各項策略對轉化時長的影響。 

    詳細見下圖：

  • 以短片類產品為例，這類產品提供了非常豐富的影片內容供用戶查看。內容就是短片 App 提供給用戶的核心價值。如何衡量用戶是否感受到這一價值。這裡我們選擇用戶完整看過一個短片作為判斷依據，同時選擇新用戶從啟動 App到完成播放所花費的時長情況作為分析對象。如果用戶普遍需要較長的時長才能完成轉化，說明用戶需要付出的影片篩選的成本較高，用戶極有可能流失。因此我們選取新用戶從啟動 App到完成播放的時間間隔作為優化的目標。

    詳細見下圖：

間隔分析通常是業務情況的反應，時間間隔多數情況下也並不能作為優化的指標，但是可以幫助我們探索可能存在的問題。如提交訂單到支付訂單間隔時長中位數是 5 分鐘，說明一半的用戶支付訂單需要花費 5 分鐘以上。這時應該主動思考其中可能存在的問題，是支付功能的 Bug ，還是其他問題導致支付失敗，需要結合事件分析，漏斗分析等功能定位問題。

6. FAQ

6.1. 可否用間隔分析的功能分析頁面停留時長，時間間隔和頁面停留時長有什麼區別？

答：不能。假設註冊流程包括手機號碼註冊，填寫基本資料，實名認證 3 個事件。 填寫基本資料 與 實名認證的時間間隔並不是用戶在基本資料頁的停留時長。因為用戶在發生填寫基本資料和實名認證 2 個行為之間，可能含有其他操作。而一旦觸發了填寫基本資料和實名認證，即可利用「間隔分析」來計算。