神策数据第九大数据分析模型——间隔分析上线

在用户行为分析领域，数据分析方法的科学应用结合理论推导，能够相对完整地揭示用户行为的内在规律。围绕数据分析探索、应用场景拓展，神策数据始终走在领域前沿。近日，神策数据新上线的神策分析1.11版本再添行业力作——间隔分析。

间隔分析模型为数据分析行业首创，是神策数据继事件分析、漏斗分析、留存分析、用户路径、用户分群等分析模型之后推出的第九大分析模型。该分析模型旨在通过事件发生间隔时间与分布态势，辅助企业实现深度多维交叉分析，进一步提升用户行为分析的精细化程度。本文将详细介绍间隔分析模型的概念、特点与价值、应用场景。(也可通过下方视频提前了解间隔分析模型)

视频链接：https://v.qq.com/x/page/e0663uek4wk.html

一、什么是间隔分析?

间隔分析从事件发生的时间间隔维度来探索用户行为数据价值，它能够科学地反映特定用户群体(如北京地区年龄30岁以上女士)，发生指定行为事件(如事件A到B的转化、金融用户的二次投资等)的时间间隔及数据分布情况。不同数据组的偏态和尾重可反馈用户路径过程中的应用体验，并借此评估产品设置的合理性。

例如，间隔分析在以下场景中可广泛应用：

在金融行业，为刺激新用户快速完成首投，运营人员会赠送新用户体验金。运营人员通过间隔分析可以了解：新用户从首次注册到首次投资通常需要多久?

在同城速递行业，快递上门时间长短非常影响用户体验，作为公司考核快递人员绩效的关键指标之一，企业通过间隔分析可以了解：用户在官网发起快递请求后，快递员多久接单?

二、间隔分析模型的特点与价值

企业市场、产品、运营人员通过事件发生的时间间隔、转化时间长短来判断与分析用户的活跃度、用户转化等情况。间隔分析模型的特点与价值主要表现在以下方面：

第一，可视化时间间隔，六类统计值直观描绘各用户群时间间隔分布差异。

六类统计值将时间间隔可视化

神策分析的间隔分析模型以箱线图形式展示，最大值、上四分位数、中位数、下四分位数、最小值、平均值六类统计量直观描绘特定用户群体的时间间隔分布差异，数据的偏态与尾重一定程度反馈用户体验，从转化时间的维度暴露用户转化瓶颈，可借此评估产品设计的合理性。

第二，依据分析需求，灵活设置用户属性与事件属性(初始行为和后续行为)。

企业可以根据具体分析需求，灵活设置间隔分析的初始行为或后续行为，并根据用户属性筛选合适的分析对象。

例如，在某奢侈品电商企业中，为分析高价值用户的复购频率与普通用户的区别，可将初始行为与后续行为均设为“支付订单”，并给初始行为增加“订单金额大于10000元”的筛选条件以此来表示高价值用户，从而得出分析结论。

第三，以全新视角探索数据价值，从转化时间窥视优化思路，促进用户快速转化。

在间隔分析中，将初始行为、后续行为设置为相同事件或不同事件，可满足不同的数据分析需求。

例如，在金融行业，将初始事件和后续事件分别设置成为“注册成功”和“投资成功”，可用于分析用户转化花费时长，侧面反映用户的转化意愿，帮助企业能够针对性地优化产品体验和运营策略;在在线教育行业，若将初始事件和后续事件均设为“学生上课”，则展示学生两次上课的时间间隔，可以此作为判断学生积极性、教育平台黏性的依据等。

从时间间隔维度呈现用户转化、黏性等情况，提升了用户行为分析的精度和效率,对用户行为的操作流程的异常定位和策略调整效果验证有科学指导意义。同时，通过判断各用户群体事件发生的时间间隔的偏态和尾重，以及数据分布的中心位置和散布范围，为发现问题、流程优化提供线索。

三、间隔分析的应用场景

间隔分析将帮助各行业从时间间隔维度来探索用户行为规律，更多应用场景值得摸索。下面列举一二：

1、互金场景：如何合理设置体验金的发放时间?

在金融投资类产品运营过程中，为了让新用户在注册后能够快速投资，运营人员通常会通过一些激励措施来刺激首投，如发放体验金。这会涉及到我们前面提到的“如何合理设置体验金的发放时间”的问题，在具体操作时，运营人员可以在间隔分析中将初始行为设置为“注册成功”，后续行为设置为“投资成功”事件，当了解事件发生的时间间隔时，可以作为设置体验金发放时间的参考。

当然也可以按天展示不同渠道来源的新用户首次投资成功所花费的时长情况，运营同学通过了解不同用户群体的差异化，让运营更为精细。另外，通过不同渠道来源的用户表现也成为渠道投放的判断的重要依据，如下图：

互金各渠道来源的新用户首次投资成功花费的时长分布

2、视频网站场景：用户多久完成一次视频播放?

内容是短视频App提供给用户的核心价值，可通过“用户完整看过一个短视频”衡量用户是否感受到视频平台的价值。该场景中选择新用户从“启动App”到“完成播放”所花费的时长情况作为分析对象。如果用户普遍需要较长的时长才能完成转化，说明用户需要付出的视频筛选的成本较高，则应将新用户从“启动App”到“完成播放”的时间间隔作为优化目标。

新用户从“启动App”到“完成播放”所花费的时长情况

同样，在同城速递行业，当了解用户发起快递请求后快递员的接单时间之后，公司可依据此来考核快递人员绩效，从而也进一步优化用户体验。

四、间隔分析模型与其他分析模型的配合

值得强调的是，间隔分析模型是多种数据分析模型之一，与其他分析模型存在无法割裂的关系。

从用户转化角度来说，用户转化过程受很多因素影响，间隔分析通常是业务情况的反映，转化时间间隔只是分析用户转化的单一维度，只有与其他分析模型配合，才能清晰看到用户行为特点和背后动机。

虽然在多数情况下，时间间隔并不能作为优化的指标，但是与其他分析模型的配合可以帮助我们探索可能存在的问题。例如，从“提交订单”到“支付订单”间隔时长中位数是5分钟，说明一半的用户支付订单需要花费5分钟以上。则应该思考其中可能存在的问题：是支付功能的Bug，还是其它问题导致支付失败?定位问题需要结合事件分析、漏斗分析等分析模型定位问题。

总之，只有将各分析模型实现科学互动和配合，能够科学揭示出用户个人/群体行为的内部规律，并据此做出理论推导，不断在工作实践中优化商业决策和产品智能。