# 事件分析

# 一、事件分析的定义？

用户（USER）在项目上的行为定义为事件（EVENT），它可以用来记录和描述行为前后用户所受到的影响。事件可以通过埋点进行采集，当利用采集到的数据直接进行统计、计算、归类和展示时，称为事件分析。

# 二、事件分析的作用？

通过 Thinking Analytics 的统计、计算、归类和展示能力。事件分析可以分析一段时间内，指定群体产生特定行为的趋势情况，从而对事件的影响能够宏观把控，优化决策。

以消费事件举例来说，可以解决如下问题：

最近一月每日收入流水情况趋势？
最近一月来各渠道的每日收入流水与分布情况？
来自上海的用户，最近一月人均付费金额的趋势？
来自上海和北京的用户，最近一月在购买会员卡上的总付费次数对比情况？

# 三、事件分析的使用方法？

可以通过数据看板中的事件分析模型，宏观查看指定事件的最新变化趋势。

当对用户行为有深入分析的需求时，可以从事件分析模型中进入：

# 3.1 分析对象的选择

分析对象即 “事件描述” + “指标描述” + “分析角度”：

事件描述	指标描述（数据类型）	分析角度
任意事件		总次数、触发用户数、人均次数
元事件		总次数、触发用户数、人均次数
元事件	事件属性（数值型）	总和、均值、最大值、最小值、人均值、去重数
元事件	事件属性（列表型）	列表去重数、列表元素去重数
元事件	事件属性（布尔型）	去重数、为真数、为假数、为空数、不为空数
元事件	事件属性（非数值、布尔型）	去重数

如：任意事件的触发用户数、购买商品的人均次数、购买商品的用户平均 VIP 等级、购买商品使用 WIFI 为真数、购买商品的用户省份的去重数。

# 3.1.1 编辑公式

如果需要进行分析对象间的一些四则运算，可以通过”编辑公式“来实现。如分析 ARPU 值（活跃用户的人均付费金额）：

“付费事件.付费金额.总和” / “用户登录.触发用户数”

# 3.1.2 添加对象

可以通过“添加对象”对多个分析对象同时进行分析，实现某些对比和展示需求，如下图：

# 3.2 分组对比的选择

分组对比可根据用户属性或事件属性或用户群体进行：

事件描述	分组角度
任意事件	全部用户
元事件	全部用户、事件属性、用户属性、用户群体

如：选择分析对象为“付费事件的付费金额的总和”，选择分组角度为“来源渠道”，即可分析各渠道的付费总额。

# 3.2.1 设置指定分组条件

可通过组合筛选条件设置出“指定分组”，如上述案例中，如果在筛选条件中选择“省份”等于“上海、北京”，则可以分析“上海、北京两地充值事件分别的充值金额的均值”，如下图：

# 3.2.2 设置多重分组

可通过选择多重分组条件将用户分组拆分成更细的维度，如上述案例中，如果选择分组角度为“省份、性别”，且筛选条件中选择“省份”等于“上海、北京”，则可以分析“上海、男”、“上海、女”、“北京、男”、“北京、女”4 种人群各自的“充值事件的充值金额的均值”。

设置多重分组时，最多可以设置 10 项。

# 3.2.3 设置“单事件拆分”

“分组项”的设置对分析对象中所有事件进行分组，“单事件拆分”解决只需对分析对象中某一事件进行分组统计的需求。

在事件分析中，添加两个及以上分析对象或选择“编辑公式”时，在分组项右侧可选择设置“单事件拆分”：

点击“单事件拆分”，可选择对分析对象中的某一事件（任意事件除外）按照事件属性进行拆分计算。

如下图，选择对参与活动按照活动类型进行拆分计算，分析对象 1 即为计算不同活动类型的活动参与率。

选择单事件拆分之后，可在分析对象中点击拆分图标，设置事件参与拆分的状态。

如下图，公式中的对象参与拆分，非公式对象不参与拆分，即为计算活动的总参与次数以及不同活动类型的参与率。

# 3.2.4 列表分组时的汇总粒度

（1）列表分组可以进行汇总方式设置

可选按元素汇总或按列表整体分组，汇总后，分组项将按照元素或者列表整体展示。

	汇总方式
按元素（默认）	将每个列表拆分成多个元素，1次事件将被拆分为多个元素下的分组
按列表整体	将列表作为一个整体，类似字符串来看待

（2）选择与计算逻辑

按元素汇总：按照列表中的元素进行拆分，即 1 次事件将被拆分为多个元素下的分组

按列表整体汇总：作为整体，类似字符串的处理逻辑

（3）分组处理逻辑

按元素汇总：
- A.对于单分组处理
每个符合条件的列表在各个列表元素下都进行计算
- B.对于多分组处理（列表+其他类型）
每个符合条件的列表在各个列表元素下都进行扩充计算
按列表整体汇总：
- C.作为整体，类似字符串的处理逻辑

(4) 分组对于展示表格和下载表格的影响

按元素汇总：直接按照分组项进行展示和下载

按列表整体汇总：作为整体，类似字符串的处理逻辑

# 3.3 筛选条件的选择

通过分析对象的“筛选条件”可选出符合某些特征的事件或用户，再进行分析：

筛选条件结构:

D1【筛选项目】

D2【属性逻辑】

D3【关联值】

D4【筛选条件间逻辑】

# 3.3.1 筛选项目规则

分析对象	筛选项目
元事件	元事件下的事件属性、任意用户属性、任意用户群体
任意事件	所有事件共有的事件属性、任意用户属性、任意用户群体

当筛选项目选择“用户群体”时，其类型为布尔型。

# 3.3.2 筛选项目与属性逻辑间关系

D2【属性逻辑】与 D1 筛选项目的【数据类型】关联：

筛选项目的数据类型	举例	可支持属性逻辑
数值	消费金额	等于、不等于、小于、大于、有值、无值、区间
字符串	省份	等于、不等于、包含、不包含、有值、无值、正则匹配
列表	ID 名单	存在元素、不存在元素、元素位置、有值、无值
时间	注册时间（yyyy-MM-dd HH:mm:ss.SSS 或 yyyy-MM-dd HH:mm:ss）	绝对时间、相对当前时间、相对事件发生时刻、有值、无值
布尔	Wifi 使用	为真、为假、有值、无值

# 3.3.3 筛选项目、属性逻辑、有效关联值间的关系

D3【关联值】与 D2【属性逻辑】关联：

当筛选项目的数据类型为“时间”，属性逻辑为“区间”时，可选择需要分析的时间段。

当筛选项目的数据类型为“数值”，属性逻辑为“区间”时，关联值可填入一个数值区间。

当属性逻辑为“有值、无值、为真、为假”时，无需填写关联值。

当属性逻辑为其他内容时，关联值可选择或填入一个值。

# 3.3.4 时间类型属性进行筛选时，有 5 种可能的属性逻辑

绝对时间、相对当前时间、相对事件发生时刻、有值、无值

1.绝对时间

交互逻辑与现在相同，前一个时间需要早于等于后一个时间

时间选择控件沿用现在的控件，展示时精确到分钟

2.相对当前时间

有两种主要逻辑，“之间”或“之前”，生成时默认选择“之间，过去 7 天到过去 1 天”

以自然日作为评判标准。过去 0 天的含义为今天，过去 1 天的含义为昨天，0 也可以输入。
选择之间时，两个数字输入框均可输入 0 ~ 1000 的整数，且前框要大于等于后框
选择之前时，数字输入框可输入 0 ~ 1000 的整数

3.相对事件发生时刻

有两种主要逻辑，自定义区间式或自然期限限定式，生成时默认选择 “之前 1 天”

1.主下拉框有“之前、之后、前后、当天、当周、当月” 6 种选项，前 3 种属于自定义区间式，后 3 种属于自然期限限定式

2.自定义区间式

无论选择“之前、之后、前后”中一种，默认选择“1 天”
可输入数字为 0 ~ 1000 的整数
假设事件发生时刻为某年 8 月 2 日 5:06，之前一天内即“ 8 月 1 日 5:06 ~ 事件时间( 8 月 2 日 5:06 ) ”，之后一天内即“事件时间( 8 月 2 日 5:06 ) ~ 8 月 3 日 5:06”，前后一天即“ 8 月 1 日 5:06 ~ 8 月 3 日 5:06”

3.自然期限限定式
可选择事件发生时间的“当天、当周、当月”中一种，默认选择“当天”