基本概念

本节，我们主要介绍在使用小象分析来进行用户行为分析时常用到的一些名词和一些基础指标的配置说明，目的是帮助用户更好的理解和使用小象数据的功能来解决基本的分析需求。

行为分析常用名词

维度

维度描述的是一个事物身上所具备的特征或属性。比如一个人属于什么性别，生活在哪个城市，喜欢什么颜色，这些都是这个人身上所具备的属性特征。
而在网站分析领域，维度往往用来描述和分析指标，比如单一的访问数指标并不能告诉你太多信息，一旦加上来源这个维度，就马上变得有意义了。

指标

指标，即具体的数值。比如访客、页面浏览量、停留时长都属于常见的指标。
指标一般可分为计数指标和复合指标。计数指标如访客、访问、页面浏览量、停留时长等；复合指标如跳出率、交互深度、转化率等。指标一般伴随维度来分析才有更大的意义。

展示和点击

展示，指页面上元素的曝光次数。点击，指页面元素被用户点击的次数。
这两个指标主要适用于线上广告投放，比如评估投放在新浪首页的品牌广告，展示了多少次，点击了多少次。

访客

英文为 Visitor，通俗解释为访问网站或 App 的人。前面加上 Unique 后，即我们平常说的 UV，唯一身份访客。
对于数据统计工具而言，一般用匿名 ID 来标记访问者，网页端产品是 Cookie（网站服务器投放在用户浏览器上的一小段文本），App 端产品是设备 ID。

访问

即 Visit，网页端产品常用概念，指用户一系列连续的页面浏览行为，跟会话 Session 同义。随着移动互联网的崛起，考虑到 App 的使用，Session 慢慢代替 Visit 成为主要用词。
业界对于 Session 内行为间的间隔设定了有效期限，网页端产品为 30 分钟，App 端产品时间较短，一般为 1 分钟。

页面浏览量

PageView，即 PV，指页面被用户浏览的次数，严格定义上指的是用户向网站发出并完成的一个下载页面的请求。
页面浏览的概念主要适用于网页端产品，对于 App 的分析，现主要使用屏幕浏览，即 ScreenView。

停留时长

对应于用户 Session，便有了停留时长指标，主要用来衡量用户与网站、App 交互的深度。交互越深，相应停留的时长也越长。
一般有页面停留时长，会话时长以及平均停留时长等概念，其计算的核心原理在于记录下用户行为发生时的时间戳，后期再应用相应公式来计算。

跳出率

BounceRate，一个衡量落地页质量好坏的重要指标。跳出的概念是指用户在一次访问中仅做了一次互动便选择了离开，单一页面和全站均有跳出率的概念。
页面跳出率为该页面跳出的访问次数占该页面总访问次数的百分比。全站跳出率则为跳出的访问次数除以总的访问次数。

交互深度

交互深度是指用户在一次浏览网站或 App 过程中，访问了多少页面。用户在一次浏览中访问的页面越多，交互深度就越深。交互深度能够侧面反映网站或 App 对于用户的吸引力。
可以通过 Session 来计算用户的平均交互深度。

转化率

任何产品都需要关注的核心指标，主要用来衡量用户从流量到发生实际目标转化的能力。
一般用目标转化的次数或人数除以进入目标转化漏斗的人数或次数，因目标行为的不同，转化率是一个非常灵活的指标，比如你可以自定义注册转化率、登录转化率、购买转化率、搜索成功转化率等。

小象分析相关名词

指标

1. 总次数

事件分析功能常用指标，指在选定的时间范围内，某一事件被触发的次数。
比如选择页面浏览事件，按总次数查看时，计算出来的值即为页面浏览量。

2. 触发用户数

事件分析功能常用指标，指在选定的时间范围内，触发某一事件的独立用户数。
比如选择注册成功事件，按独立用户数查看时，计算出来的值即为选择时间范围内的注册成功人数。

3. 人均次数

事件分析功能常用指标，指在选定的时间范围内，独立用户触发某一事件的平均次数。
比如选择页面浏览事件，按人均次数查看时，计算出来的值即为人均页面浏览次数。

属性

为了帮助使用者更方便地使用我们的产品，我们目前分别为事件和用户提供了一些预置属性。
点击查看预置属性的详细介绍。

基础指标配置说明

Web 端日活跃用户数（UV）

定义：1 天（00:00-24:00）之内，访问网站的不重复用户数，一天内同一访客多次访问网站只被计算 1 次。

App 端日活跃用户数（UV）

定义：1 天（00:00-24:00）之内，访问 App 的不重复用户数，一天内同一访客多次访问 App 只被计算 1 次。

1. 选择“事件分析”功能。
2. 选择事件：启动 App 。
3. 选择指标：用户数。

页面浏览量（PV）

定义：网页浏览是指浏览器加载（或重新加载）网页的实例。页面浏览量可以定义为网页浏览总次数的指标。

1. 选择“事件分析”功能。
2. 选择事件：浏览页面。
3. 选择指标：总次数。

新增注册用户数

定义：当天注册用户数

选择“事件分析”功能。
2. 选择事件：Web 浏览页面。
3. 选择指标：用户数。
4. 添加筛选条件：是否首日访问为真。

App 端新用户数

定义：当日启动 App 的用户中，历史上首日启动 App 的用户为新用户数。

1. 选择“事件分析”功能。
2. 选择事件： App 启动。
3. 选择指标：用户数。
4. 添加筛选条件：是否首日访问为真。

Web 端新用户比例

定义：当日的访客中，新用户在所有访客中占的比例。
* 首先创建虚拟事件：【Web】新用户访问

1. 点击页面“元数据”，找到虚拟事件。
2. 创建虚拟事件。

1. 设置虚拟事件名和显示名，如上图所示。
2. 虚拟事件的组成，选择事件：Web 浏览页面。
3. 添加限制条件：是否首日访问为真。
接下来我们来计算新用户比例这个指标

切换自定义指标

• 绝对时间：有明确开始和截止时间的一个固定时间范围
• 相对时间：相对于某个时间点，确定一个开始时间和截止时间的时间范围
• 相对当前时间点：相对于当前之前的一段时间范围，比如之前 1 小时
• 相对当前时间区间：相对当前的时间点，确定一个开始时间和截止时间

用户分群的筛选

在进行条件筛选时，如果选择用户分群，则判断条件选择跟布尔类型相同，表示用户是否在该分群之内。

十大分析模型

概览

公共概览

概述

公共概览主要用于管理企业级需要共同关注的重要概览，打造企业的数据公共空间，由具有「管理公共概览」权限的成员共同维护。（原 1.13 - 1.15 版本中的「预置概览」更名为「基础数据概览」仅可在「公共概览」中查看。）
在公共概览可以进行创建、复制、排序等基础操作，为了使用的顺畅性，所有的功能操作方式和「我的概览」一致，使用说明请参考「我的概览」中的明细介绍。

如何使用公共概览

「公共概览」中的基本操作与「我的概览」中的均一致，如需了解请查看上一节「如何使用概览」的明细介绍。接下来主要介绍一下「公共概览」中区别于「我的概览」的功能。
[查看基础功能使用说明 >]
点击切换到「公共概览」后，底部的操作将仅与公共概览有关，具有「管理公共概览」权限的成员方可看到此管理功能。

事件分析

事件分析概述

事件，是追踪或记录的用户行为或业务过程。举例来说，一个电商产品可能包含如下事件：用户注册、浏览商品、添加购物车、支付订单等。
事件分析，是指基于事件的指标统计、属性分组、条件筛选等功能的查询分析。借助于小象分析强大的筛选、分组和聚合能力，事件分析可以帮助回答以下问题：

• 最近三个月来自哪个渠道的用户注册量最高？变化趋势如何？
• 各个时段的人均充值金额是分别多少？
• 上周来自北京的，发生过购买行为的独立用户数，按照年龄段的分布情况？
• 每天的独立 Session 数是多少？

根据您的产品特性合理配置追踪事件和属性，可以激发出事件分析的强大潜能，回答关于变化趋势、维度对比的各种细分问题。

事件分析界面功能简介

• 可以对一个指标进行分析，比如对『提交订单』的『触发用户数』。也可以再添加一个指标，同时对多个指标进行分析。
• 对事件的『触发用户数』进行分析，还可以下载行为相关的用户详情，见下图。

选择分析方式

选择指标

添加常规指标

在第一个下拉框中选择事件，在第二个下拉框中选择要分析的指标，点击可以添加多个指标。
对于所有事件，都可以分析如下指标：

总次数： 在选定时间范围内，该事件触发的次数。

触发用户数： 在选定时间范围内，触发该事件的独立用户数。

人均次数： 在选定时间范围内，独立用户触发该事件的平均次数。

预定义指标：只能在按天查询下使用，根据事件发生时间或选定时间范围进行汇总统计，稍后在自定义指标的使用示例中会详细介绍。

对于所有类型的属性，都可以将如下值作为分析指标：

去重数：在选定时间范围内，该属性出现的独立去重个数。

对于有数值型属性的事件，还可以将数值型属性作为分析指标：

总和： 在选定时间范围内，该属性的取值求和。

均值： 在选定时间范围内，该属性取值的算术平均值。

最大值： 在选定时间范围内，该属性取值的最大值。

最小值： 在选定时间范围内，该属性取值的最小值。

添加自定义指标（搭配预定义指标实现分析场景）

对于某些特殊的分析场景，需要使用自定义指标来实现计算，事件分析支持预定义指标作为分析指标，我们来列举两个例子：

当天的活跃用户数占当月活跃用户数的比率，此场景下会将当前日期所在月份的活跃用户数作为分母参与计算；

当天的活跃用户数占选定时间范围的活跃用户数的比率，此场景下会将所选时间范围的总活跃用户数作为分母参与计算；

静态时间下在快速选择区域选择时间范围与在日历框中选择起始日期，当保存至概览时会设置成固定时间，日期不会随着时间的推移而改变。
举例：
今天是 1 月 1 日，我们选择左侧的「今日」并创建概览，查询的数据是 1 月 1 日的，到了 1 月 2 日，这个概览的数据时间还会是 1 月 1 日。

动态时间下在快速选择区域选择时间范围与在日历框中选择起始日期，当保存至概览时会设置成动态时间，日期会随着时间的推移而改变。
举例：
今天是 1 月 1 日，我们选择左侧的「今日」并创建概览，查询的数据是 1 月 1 日的，到了 1 月 2 日，这个概览的数据时间会是 1 月 2 日。

时间对比

​漏斗名称

必填项。给你的漏斗取一个具有代表性的友好名称。同一项目内，漏斗不可重名。你创建的漏斗对同一项目中的其他用户也可见。

漏斗窗口期

窗口期：用户完成漏斗的时间限制，即只有在这个时间范围内，用户从第一个步骤，行进到最后一个步骤，才能被视为一次成功的转化。
你需要在这里根据漏斗的性质选择合理的有效期。默认漏斗有效期为 30 天。1.4 及以后的版本中，除了下拉框中提供的有限选项以外，窗口期也可以由使用者自定义，最短 1 分钟，最长 3650 天。

漏斗步骤

步骤：由一个 元事件/虚拟事件 加一个或者多个筛选条件组成，表示一个转化流程中的一个关键性的步骤。
一个漏斗中至少包含 2 个步骤，每个步骤对应一个事件（可附带一个或多个筛选条件）。
举例来说，某个步骤可以是触发“注册”且“使用了邀请码”。或者，“购买”且“品类”等于“女装”等。
拖动步骤前的序号可以改变步骤顺序。
1.4 及以后的版本，支持给漏斗步骤增加别名，在显示时更加方便易读。

增加步骤

给漏斗增加更多步骤。

漏斗属性关联

设置关联属性

支持设置初始行为事件和后续行为事件的属性进行关联。不同事件关联的属性可以是相同属性，也可以是不同属性，但是要求属性的类型必须一致。 举例：某内容类网站想要知道各页面的七日留存，因此需要在初始行为事件App 浏览页面 和后续行为事件 App 浏览页面 中添加关联属性页面标题，此时就会按照该属性进行关联，以保证用户严格按照该模式配对。

选择考查的时间段和留存/流失时长

留存分析中流失用户的定义是连续多“天”(不包含当天，即从触发初始行为事件之后，从第 1 天开始计算，连续多“天”)没有发生后续事件才认为是流失用户，如上图“第 2 日”流失是指 2,377 人进行初始事件后持续 2 天没有进行后续事件（不考虑用户在 06-30 号当天是否触发过后续事件）。

留存表格

在留存表格中，鼠标 hover 到表格中，会显示相应的提示信息。点击用户数时，可以查看用户列表、创建用户分群。
在 2.1 以后的 SA 版本中，汇总行（支持收起展开的表格行）的留存/流失率中的人数不做去重，即下方各个时段内的留存/流失人数之和除以对应时段内的总人数之和。选择按“总体”查看时，可选择“同时展示”其他指标。同时展示的指标也会展示在表格中。
表格的单元格内的数字是可以点击的，点击可以浏览这些用户的详细信息，并且进一步浏览其中单个用户的详细行为序列。

留存变化趋势曲线

用另一种可视化方式，体现不同分组的留存情况对比。

留存是如何计算的

留存分析中展示的数字代表独立用户数。表示在选定时间范围内进行了初始行为的用户，有多少人在随后的第 n 天/周/月进行了后续行为。

基本计算规则

假设定义的初始行为是 A 事件，后续行为是 B 事件，筛选时间段为 2015 年 1 月 1 日到 2015 年 1 月 8 日，注意这个时间范围是事件 A 发生的时间范围，事件 B 发生的时间范围是 2015 年 1 月 1日到 1 月 15 日（1 月 8 日加上 7 天）。

未设置关联属性

下表为某用户2015 年 1 月 1 日到 2015 年 1 月 8 日的真实行为序列和纳入计算的行为序列（保留用户当日首个初始行为事件或后续行为事件）。表格中，字母 A 和 B 为事件，数字 1，2，3 为该用户某个属性的属性值。

日期真实行为序列纳入计算的行为序列

01-01	A1,A2,A2	A1
01-02	B2,B1,B1	B2
01-03	A3,A1,A1	A3
01-04	A1,A3,A3	A1
01-05	A1,A3,A3	A1
01-06	B1,B2,B1	B1
01-07	A1,A2	A1
01-08	B2,B1,B3	B2

该用户的留存情况如下表：

初始行为日期初始事件第 1 天第 2 天第 3 天第 4 天第 5 天第 6 天第 7 天

01-01	A1	B2

|

|

| B1 |

| B2 |
| 01-03 | A3 |

|

| B1 |

| B2 |

|

|
| 01-04 | A1 |

| B1 |

| B2 |

|

|

|
| 01-05 | A1 | B1 |

| B2 |

|

|

|

|
| 01-07 | A1 | B2 |

|

|

|

|

|

|

1.不加分组，如果指定初始行为日期为 2015 年 1 月 1 日，则该用户分别是第 1 天，第 5 天，第 7 天的留存用户。
2.按初始行为事件 A 的属性分组，如果用户完成事件 A 的属性值各不相同，该用户只会被归到 1 月 1 日 发生的首个 A 事件的属性值 1 中。去重后，该用户分别是属性值 1 的第 1 天、第 2 天、第 3 天、第 4 天、第 5 天、第 7 天的留存用户。
3.按后续行为事件 B 的属性分组，如果用户完成事件 B 的属性值各不相同，该用户只会被归到 1 月 2 日 发生的首个 B 事件的属性值 2 中。去重后，该用户分别是属性值 2 的第 1 天、第 2 天、第 3 天、第 4 天、第 5 天、第 7 天的留存用户。
4.按用户属性分组，比如按性别分组，若用户为女性，则该用户分别是属性值女性的第 1 天、第 2 天、第 3 天、第 4 天、第 5 天、第 7 天的留存用户。

设置关联属性

下表为某用户 2015 年 1 月 1 日到 2015 年 1 月 8 日的真实行为序列和纳入计算的行为序列（同一天内初始行为事件或后续行为事件不同属性值各保留一个，且保留首个）。表格中，字母 A 和 B 为事件，数字 1、2、3 为该用户某个属性的属性值。

日期真实行为序列纳入计算的行为序列（属性值1）纳入计算的行为序列（属性值 2）纳入计算的行为序列
（属性值 3）

01-01	A1,A2,A2	A1	A2

|
| 01-02 | B2,B1,B1 | B1 | B2 |

|
| 01-03 | A3,A1,A1 | A1 |

| A3 |
| 01-04 | A1,A3,A3 | A1 |

| A3 |
| 01-05 | A1,A3,A3 | A1 |

| A3 |
| 01-06 | B1,B2,B1 | B1 | B2 |

|
| 01-07 | A1,A2 | A1 | A2 |

|
| 01-08 | B2,B1,B3 | B1 | B2 | B3 |

按初始行为事件 A 的属性分组，如果按属性值 1 分组，则关联属性值为 1 的初始行为事件或后续行为事件才会纳入计算，该用户分别是属性值 1 的第 1 天，第 2 天，第 3 天，第 4 天，第 5 天，第 7 天的留存用户。如果按属性值 2 分组，则关联属性值为 2 的初始行为事件或后续行为事件才会纳入计算，该用户分别是属性值 2 的第 1 天，第 5 天，第 7 天的留存用户。同理，该用户分别是属性值 3 的第 3 天，第 4 天，第 5 天的留存用户。

筛选条件的含义

和其他分析功能一样，留存分析也提供了筛选功能。留存分析的筛选提供了两种不同的筛选类型。

用户属性上的筛选：例如，我们添加的筛选条件是“性别”为“男”，则只有属性中“性别”为“男”的用户，才满足这个筛选条件，并且出现在筛选后的留存分析结果中；

事件属性的筛选：和漏斗的触发限制条件含义相同，指定事件满足指定属性的过滤。

分组的含义

留存分析提供了两种不同的分组类型。我们以一个初始行为是 A，后续行为是 B，时间范围是 2015 年 1 月 1 日到 1 月 8 日的 7 天留存来进行详细说明：

用户属性上的分组：根据用户属性来进行更进一步的分组。例如我们添加的分组条件是“性别”，那么，就会分别对留存分析的结果按照“男”、“女”来进行分组；

事件属性的分组：例如，我们选择的分组设置是初始行为的属性“屏幕高度”，则这个分组表示，在 2015 年 1 月 1 日到 1 月 15 日这个时间范围内，按初始行为的“屏幕高度”这个属性的值来对他们进行分组；下面是几个具体的例子的描述:

某个用户在这个时间段内的行为序列是 A、B、C、A、B，第一次出现的 A 的“屏幕高度”值为“320”，第二次出现的 A 的“屏幕高度”值为“1080”，因为按照首次出现的 A 事件的“屏幕高度”来分组，所以这个用户会被划分到“320”这个分组的统计结果中;

某个用户在这个时间段内的行为序列是 A、A，这个用户在初始行为 A 事件后没有后续行为。第一次出现的 A 的“屏幕高度”值为“1080”，第二次出现的 A 的“屏幕高度”值为“320”，因为按照首次出现的 A 事件的“屏幕高度”来分组，所以这个用户会被划分到“1080”这个分组的统计结果中；

FAQ

为什么要做留存分析？看活跃用户百分比不够吗？

按初始行为时间分组的留存分析可以消除用户增长对用户参与数据带来的影响。如果产品目前处于快速增长阶段，很有可能新用户中的活跃用户数增长掩盖了老用户活跃度的变化。通过留存分析，你可以将用户按照注册时间分段查看，得出类似如下结论：“三月份改版前，该月注册的用户 7 天留存只有 15%；但是四月份改版后，该月注册的用户 7 天留存提高到了 20%。” 同理，按照非时间维度的留存分析具有类似价值，比如，可以查看新功能上线之后，对不同性别用户的留存是否带来不同效果。我们在分析用户的留存时，一定要根据实际的业务需求，找到有价值的后续行为，对用户的价值留存进行分析，才能对产品的优化和改进提供实质性指导建议。

分布分析

分布分析概述

分布分析不但可以告诉你用户有多依赖你的产品，还可以告诉你某个事件指标的用户分布情况。比如，查看订单金额在 100 元以下、100 元至 200 元、200 元以上三个区间的用户分布情况。
指定一个用户行为事件，然后选择事件的指标。分布分析可以帮助揭示以下问题：

• 通知策略调整前后，用户每天使用产品次数是否增加？
• 用户首次购买后是否会重复购买？
• 假设每天使用 3 次以上某关键功能的用户算作核心用户，那么核心用户的成分变化趋势如何？

[查看分布分析功能应用示例]

分布分析按时间统计

选择用户行为

选择某个事件作为考查的行为。比如选择『提交订单』。

选择指标

在这里选择分布分析的指标，可以选择“小时数”或“天数”等时间单位，以下以“小时数”为例。

选择时间单位

选择行为发生的统计时间单位（在图 3.3 处选择按时间段还是次数进行分析）。可以选择：

• 一天内： 用户在 0:00-23:59 这 24 小时中的行为分布。
• 一周内： 用户在周一到周日这 7 天内的行为分布。
• 一个月内： 用户在不同月份的第一天到最后一天的行为分布。
  

设置所选事件的筛选条件

比如，只查看 iOS 版本的行为分布。

设置用户筛选条件

针对用户属性，筛选合适的分析对象。比如，只查看女性用户的行为分布。

行为分布表格

第一列是用户选定的查询时间段，按照事件发生时间单位（天/周/月）划分。第二列是在相应时间范围发生行为的总用户数。后面各列，分别是发生行为相应频率的用户数和比例。
鼠标悬停在单元格上，可以查看每个单元格数字代表的具体含义。
点击这个数字，则可以看到这些用户的详细信息，并且更进一步看到其中单个用户的详细行为序列。

自定义分组区间

如果这里选择的属性是数字类型，可以自定义分组区间。如果没有设置，查询引擎会动态计算分组区间。此设置仅在当前查询生效，将查询保存为书签后在书签中也生效。
鼠标浮动在表格的单元格内时，会出现下载连接，点击即可下载用户详情。

分布分析按次数统计

选择『次数』

选择次数统计按照实际发生次数不去重。 也可以设置自定义分组区间。

行为分布表格

上面截图说明，在 11-18(三)这一天内进行过『提交订单』的用户有 77 人，其中有 77 人进行了 1 次 ~ 3 次（不含 3 次）。

分布分析按事件指标统计

指标选择“订单金额的总和”，在 11-19 这天有 61 人提交订单，付费金额在 200 ~ 500 (不包含 500)之间的用户有 40 人。

分布分析是如何计算的

分布分析有三种统计方法，按时间段统计、按次数统计和按事件属性的统计指标。选择次数和事件的指标时可以自定义区间。

按时间段统计

统计用户在一天/周/月中，有多少个自然时间段（小时/天）进行了某项操作。
以『一天内』进行『点击广告』的『小时数』分析为例来说明。如果某用户在 15:00 到 16:00 间进行了『点击广告』3 次，17:00 到 18:00 间进行了『点击广告』1 次，则统计为『一天至少在 2 个时段进行点击广告』, 用户在某小时内进行『点击广告』一次或多次，都记 1 次。
对于查看用户一周/一月内某事件的天数，则是统计用户在一周/月中触发过某事件的天数。

按次数统计

统计用户在一天/周/月中，进行某项操作的次数，发生一次就记录一次。

按事件属性的统计指标统计

统计用户在一天/周/月中，发生事件的某属性的统计指标值。属性的统计指标与事件分析一致，有总和、均值、最大值、最小值、去重数。

FAQ

分布分析比单看日活（DAU）优越在哪里？

日活只能告诉你用户数的变化，分布分析却能揭示单个用户对产品依赖程度的变化。比如某产品虽然三月和四月期间活跃用户量没有明显增长，但是用户关键行为（比如下单，或发布内容）的频率却显著增加，说明产品对于用户的价值增加了。反之，如果虽然日活增长很快，但是行为发生频率却在相比之前较低的水平，很有可能新增加的活跃用户并未真正感受到产品价值。