间隔分析

#1 概述

间隔分析是分析用户产生两个指定事件之间的时间间隔的分析模型，通过间隔分析模型，分析人员观察用户完成两次指定事件的时间间隔的分布情况，了解用户某一核心行为的发生频率，或者获取两个具有前后因果关系的事件的转化时长。

间隔分析既可以用于统计产品的登录时间间隔、复购周期等，作为衡量用户活跃度和用户黏性的分析工具；也可以作为对转化漏斗分析的一种补充，通过转化时长指标来衡量特定转化路径在时间维度上的转化效率。

#2 功能介绍

#2.1 整体界面

左侧为条件筛选区域，添加起始事件和结束事件，选择区间类型及筛选条件进行查询。右侧为查询结果展示区域，默认展示盒须图和数据表。

#2.2 起始事件和结束事件

选择起始事件和结束事件，可以选择同一事件，也可以选择不同的事件；例如：可以将起始事件和结束事件设置为 [app启动]，用于计算用户两次进行app启动的时间间隔；将起始事件和结束事件设置为 [支付成功] ，用来统计用户复购周期。

关联属性：设置起始事件和结束事件的关联属性，两个事件的关联属性可以不同，但属性类型需要一致。所有类型都可以选择两个关联属性相等，数值型属性还可以在结束事件下方设置属性值高于或低于多少值。

假设我们查看用户从[账号登录]到[支付成功]的时间间隔，若用户在不同城市触发了这两个行为，都会被统计在内。设置关联属性为[城市]，则起始事件和结束事件发生时，用户[城市]属性必须一致，若用户在A城市进行[账号登录]，在B城市进行了[支付成功]，该查询结果不符合当前的指标值，不展示在查询结果区。

#2.3 条件筛选

筛选条件支持选择事件属性、用户属性。

支持进行筛选的属性数据类型包括：文本类型、数值类型、布尔类型、时间类型；

文本类型的属性可选逻辑关系为：

包含：所输入的值与属性值整个字符串完全一致则视为符合筛选条件
不包含：所输入的值与属性值某部分字符串不相同则视为符合筛选条件
等于：所输入的值与属性值整个字符串完全一致则视为符合筛选条件
不等于：所输入的值与属性值整个字符串不相同的视为符合筛选条件
有值：属性值不为空
无值：属性值为空
正则匹配：属性值满足正则表达式的匹配规则
正则不匹配：属性值不满足正则表达式的匹配规则

数值类型的属性可选逻辑关系为：

等于：可输入多个值，等于其中任意一个则视为符合筛选条件
不等于：可输入多个值，该属性有值且不等于其中任意一个视为符合筛选条件
小于：小于所输入的值视为符合筛选条件
大于：大于所输入的值视为符合筛选条件
大于等于：大于或等于所输入的值视为符合筛选条件
小于等于：小于或等于所输入的值视为符合筛选条件
区间：所输入的值为一个开区间，属性值在区间范围内视为符合筛选条件
有值：属性值不为空
无值：属性值为空

布尔类型的属性可选逻辑关系为：为真、为假。

为真：该属性为True视为符合筛选条件
为假：该属性为False视为符合筛选条件
有值：属性值不为空
无值：属性值为空

时间类型的属性可选逻辑关系为：

大于等于：属性值不早于设定的时间
小于等于：属性值不晚于设定的时间
区间：属性值在设置的时间区间范围内（区间为左闭右闭）
相对当前日期：将属性值与当前的日期进行比较
相对事件日期：将属性值与事件时间进行比较
有值：属性值不为空
无值：属性值为空

#2.4 分组查看

通过添加指标的分组，分析事件不同维度。例如添加城市分组，可查看不同城市用户带来的事件转化。分组查看选择事件属性，可选择开始事件的属性分组或结束事件的属性分组

关联属性与分组的引入，都不会改变所有计算的核心逻辑。这两个功能在逻辑上比较类似，但处理上有所不同。关联属性的引入会在间隔计算前进行，首先会将所有原始数据按照关联属性进行分组，然后在各组内进行间隔的计算。而分组项则是在间隔计算完成后，再进行的间隔数据分组。由于进行分组的时刻不同且互不干扰，关联属性与分组也可以同时使用。