Session 分析
1. 影片版講解
2. Session 分析概述
2.1. 在事件分析中選擇分析方式
在 1.6 版本增加了 Session 分析功能，第一次進行 Session 分析之前，首先需要在“元數據”的“Session管理”裡建立 Session。這裡對 Session 的相關概念進行說明，見下圖：
在 a 處選擇已經建立的 Session。在 b 處選擇此 Session 中的事件，選擇“Session總體”可以對 Session 整體情況進行分析。在 b 處選擇事件，則 c 中對應的指標也會發生變化。在 c 中選擇具體指標，除一些通用指標外，還包含 b 處所選事件的屬性的指標。d 處圈紅的是 “Session 屬性”，每個 Session 內首次觸發事件的屬性的並集。下邊對幾個主要概念進行說明：
- 跳出率： Session 中只發生一個事件的 Session 個數除以總 Session 數。比如有三個 Session，第一個 Session 事件序列為 A,B；第二個 Session 事件序列為 A；第三個 Session 事件序列為 A,C,B；則 Session 總體的跳出率為 1/3。
- 退出率： Session 的退出率包括 Session 中某個事件的退出率 和 Session中任意事件的退出率。某個事件的退出率指該事件作為 Session 的結束事件的次數除以該事件發生次數，任意事件退出率指 Session 數除以 Session 中所有事件發生次數。比如有三個 Session，第一個 Session 事件序列為A,B；第二個 Session 事件序列為A；第三個 Session 事件序列為A,C,A；則 Session 中A事件的退出率為 2/4, 任意事件的退出率為 3/6。
- Session 時長： Session 內最後一個事件觸發的時間減去 Session 內第一個事件觸發的時間。
- Session 深度： Session 內觸發事件的次數。
- Session 內事件時長： 假如某 Session 內事件觸發順序為 a > b > c > d，則事件 a 的時長為 b 減去 a，事件 d 的時長未知。
- Session 初始事件： Session 內第一次觸發的事件。
- Session 屬性： d 處的 Session 屬性是指一個 Session 中初始事件的屬性。比如一個 Session 的事件序列為 A,B,C；A 事件的操作系統為 iOS，B 事件的操作系統為 Android，C 事件的操作系統為空，則這個 Session 中的 Session 屬性操作系統應該是 iOS，是第一個事件對應的操作系統屬性值。
如果您想了解 Session 的定義、使用等內容，可閱讀神策部落格文章《如何應用 Sensors Analytics 進行 Session 分析》。
3. 新增了會話（session）的切割方法
在原有的根據間隔時間切割的基礎上，我們支援使用指定的「開始事件」和「結束事件」進行會話切割
3.1. 分析會話（session）整體時，新增了一個「同時併發人數」的指標
選擇分析 session 總體時，可以使用 session 同時併發人數來計算該時間點同時會在的會話數
3.2. 計算口徑說明
3.2.1. 新的 session 切割是如何實現的？
步驟 1：將用戶的行為序列，按照發生時間遠到近進行排序
步驟 2：以第一個行為作為起點，向後進行匹配。
若匹配到的是一個「開始事件」：那麼會自動切斷會話；以這個「開始事件」作為起點，進行第二個 session 的匹配
若匹配到的是一個「結束事件」：那麼會將這個「結束事件」劃入到當前會話中；以「結束事件」的下一個事件作為起點，進行第二個 session 的匹配
若在切割時間內沒有匹配到任何事件：那麼就會自動切斷會話；以下個事件作為起點，進行第二個 session 的匹配
3.2.2. 同時併發人數是如何實現的？
我們認為一個會話是一個持續的時段，那麼在計算同時併發人數的時候，就判斷該時間點有多少個會話同時在線即可。
如圖所示：
時間點 1 的同時在線人數為 3
時間點 2 的同時在線人數為 2
時間點 3 的同時在線人數為 1
3.3. 使用場景
3.3.1. 什麼時候使用開始和結束事件？
當我們對我們的會話有明確的開始和結束事件的定義時，可以使用開始和結束來讓我們切割出來的會話更加符合預期。
比如：
- 在影片行業中有明確的「開始播放」和「結束播放」
- 在移動端有明確的「APP 啟動」和「APP 退出」
- 一次轉化路徑中，會認為「首頁」算做一個開始的點，「支付」的發生是一個結束的標誌
3.3.2. 同時併發人數可以分析什麼？
在事件是存在持續行為的場景中，同時併發人數相對事件的發生次數更加有代表意義。
我們來舉個例子：
- 一個影片類的 APP，每個時段都有用戶不斷地進入和退出。
- 當我們做一些線上的活動時，希望在用戶在線時間最密集的那一刻進行活動的推播
- 那麼我們如何判斷出哪個時段是在線的用戶最多的時段呢？
我們來看一下模擬數據的結論：
| 用戶 | 啟動時間 | 退出時間 | 啟動時間查看指標 | 同時在線查看指標 |
|---|---|---|---|---|
| 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 最後結論得出，我們在 19:00-19:30 期間進行投放效果最好 | 19:00-19:30 —— 3人 19:30-20:00 —— 4人 20:00-20:30 —— 6人 20:30-21:00 —— 2人 最後結論得出，我們在 20:00-20:30 期間進行投放效果最好 |
| 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 |
實際上，我們的用戶在 20:00 至 20:30 之間是在線人數最多的，在這個時間段進行營運活動效果最好
