Title: 事件分析
Locale: zh
URL: https://sensorswave.com/docs/analytics/event-analysis/
Description: 使用事件分析深入了解用户行为模式
事件分析是 Sensors Wave 最常用的分析模型,用于追踪和度量用户在产品中发生的各种行为事件。通过事件分析,您可以了解用户如何使用产品、识别高频操作、发现使用趋势,并对比不同用户群体的行为差异。这些洞察能够帮助您优化产品功能、改进用户体验,并制定更有针对性的运营策略。

事件分析支持单事件或多事件同时分析,提供灵活的度量方式和多维度数据透视能力,无论是日常的数据监控还是深度的行为分析,都能轻松应对。

## 典型使用场景

事件分析可以帮助您回答以下问题:

**功能使用分析**:
- 过去 30 天内搜索功能的使用趋势如何?
- 哪些功能最受用户欢迎,使用频率最高?
- 新版本发布后,新功能的采用率如何?

**用户行为对比**:
- iOS 用户和 Android 用户的活跃度有什么差异?
- 付费用户和免费用户的使用频次有多大差距?
- 不同地区的用户行为模式有何不同?

**业务指标监控**:
- 每日的商品浏览量和加购次数是多少?
- 用户平均每天发起多少次搜索?
- 本周的订单提交量相比上周增长了多少?

**用户行为模式**:
- 用户通常在一天中的哪个时间段最活跃?
- 哪些商品类目的浏览次数最多?
- 用户在完成首次购买前平均浏览多少个商品?

## 前提条件

在使用事件分析之前,请确保您已经:

- 完成了 [SDK 集成](../data-integration/client-sdks/javascript.mdx) 并开始接收数据
- 理解了 [数据模型](../data-integration/data-model.mdx) 和 [事件与属性](../data-integration/events-and-properties.mdx) 的基本概念
- 在数据中心中创建了需要分析的 [事件类型](../08-数据管理/01-事件类型.md)
- 具备项目的查看或分析权限,详见 [角色和用户权限](../10-组织与项目/03-角色和用户权限.md)

## 快速开始

### 创建事件分析

1. 点击左侧导航栏的 **数据洞察**
2. 点击右上角的 **新建分析** 按钮
3. 选择 **事件分析** 模型
4. 配置分析条件:
   - 选择要分析的事件
   - 设置度量方式
   - 选择时间范围和粒度
5. 点击 **查询** 按钮,查看分析结果

### 保存和分享

完成分析配置后,您可以:

1. 点击右上角的 **保存** 按钮,为分析命名并保存
2. 点击 **添加到报表** 按钮,将分析添加到已有报表中
3. 点击 **分享** 按钮,生成分享链接或导出图片

## 核心功能详解

事件分析的配置主要分为四个部分:指标配置、细分筛选、分组查看和可视化设置。这些功能相互配合,帮助您进行灵活而深入的数据分析。

### 1. 指标配置

指标配置决定了"分析什么",是事件分析的核心。在这里您需要选择要分析的事件,并定义如何度量这些事件。

#### 选择事件

事件是用户在产品中发生的具体行为,例如"商品浏览"、"加入购物车"、"完成支付"等。

**单事件分析**:
- 选择一个事件进行分析,例如分析"搜索"事件的使用趋势
- 适用于深入了解某个特定功能的使用情况

**多事件对比**:
- 同时选择多个事件进行对比分析,例如对比"iOS 启动"和"Android 启动"的数据差异
- 支持最多添加 10 个事件
- 不同事件将以不同颜色的曲线或柱状展示在同一图表中
- 适用于对比不同功能的使用情况或同一功能在不同平台的表现

> **提示**:在事件选择器中,您可以通过搜索快速找到需要的事件,系统会显示事件的描述和最近触发时间,帮助您确认选择。

#### 度量方式

度量方式定义了如何统计和计算事件数据,不同的度量方式适用于不同的分析场景。

**总次数**:
- 统计事件发生的总次数
- 适用场景:了解某个行为的发生频率,例如"过去 7 天内搜索功能被使用了多少次"
- 示例:商品浏览总次数、搜索总次数、页面访问总次数

**触发用户数**:
- 统计触发该事件的去重用户数
- 适用场景:了解有多少用户使用了某个功能,例如"有多少用户使用了搜索功能"
- 示例:搜索用户数、购买用户数、活跃用户数

**人均次数**:
- 计算平均每个用户触发事件的次数 (总次数 ÷ 触发用户数)
- 适用场景:了解用户对功能的使用深度,例如"平均每个用户搜索了多少次"
- 示例:人均搜索次数、人均浏览商品数、人均分享次数

**属性值求和**:
- 对事件属性的数值进行求和统计
- 适用场景:统计业务金额、数量等累计指标,例如"总销售额"、"总浏览时长"
- 示例:选择"订单金额"属性,统计总销售额
- **注意**:仅支持数值类型的事件属性

**属性值均值**:
- 计算事件属性数值的平均值
- 适用场景:了解平均水平,例如"平均订单金额"、"平均浏览时长"
- 示例:选择"订单金额"属性,计算平均订单金额
- **注意**:仅支持数值类型的事件属性

**属性去重数**:
- 统计事件属性的去重值数量
- 适用场景:了解数据的多样性,例如"被浏览的商品种类数"
- 示例:选择"商品 ID"属性,统计被浏览的不同商品数量

**最大值 / 最小值**:
- 统计事件属性的最大值或最小值
- 适用场景:了解极值情况,例如"单笔最高订单金额"、"最短停留时长"
- **注意**:仅支持数值类型的事件属性

#### 事件属性筛选

在选择事件后,您可以为该事件添加属性筛选条件,精准定位要分析的数据范围。

例如,在分析"商品浏览"事件时:
- 筛选 "商品类目" 等于 "电子产品",只分析电子产品的浏览情况
- 筛选 "商品价格" 大于 1000,只分析高价商品的浏览情况
- 筛选 "来源页面" 等于 "搜索结果页",只分析从搜索页进入的浏览行为

支持的筛选操作符包括:
- **等于 / 不等于**:精确匹配某个值
- **包含 / 不包含**:模糊匹配,用于文本搜索
- **属于 / 不属于**:匹配多个值中的任意一个
- **大于 / 小于 / 介于**:用于数值或日期的范围筛选
- **有值 / 无值**:判断属性是否存在

### 2. 细分筛选 (Segmentation)

细分筛选相当于 SQL 中的 `WHERE` 子句,用于从海量数据中过滤出您关心的用户群体或行为数据。关于细分筛选的详细说明,请参考 [分析模型通用能力](common-analysis-features.mdx#2-细分筛选-segmentation)。

#### 基础筛选

**支持的筛选类型**:
- **用户属性**:用户的固有特征（如：性别、地域、会员等级）。
- **事件属性**:行为发生时的上下文信息（如：商品价格、浏览器版本、来源页面）。
- **用户分群**:直接使用已创建好的用户集合（如：高风险流失人群）。

**支持的筛选操作符**:
- **等于 / 不等于**:精确匹配某个值
- **包含 / 不包含**:模糊匹配,用于文本搜索
- **属于 / 不属于**:匹配多个值中的任意一个
- **大于 / 小于 / 介于**:用于数值或日期的范围筛选
- **有值 / 无值**:判断属性是否存在

**使用场景示例**:

分析付费用户的搜索行为:
- 添加用户属性筛选:"会员等级" 属于 "黄金会员"、"铂金会员"

分析移动端用户的行为:
- 添加用户属性筛选:"平台" 等于 "iOS" 或 "Android"

排除内部测试数据:
- 添加用户属性筛选:"邮箱" 不包含 "@sensorswave.com"

分析特定渠道的转化:
- 添加用户属性筛选:"注册来源" 等于 "抖音广告"

> **提示**:细分筛选作用于整个分析,影响所有已选择的事件。如果只想筛选某个特定事件,请使用事件属性筛选功能。

#### 高级筛选条件

除了基础的属性筛选外,系统还支持更复杂的筛选条件,帮助您进行更精细化的用户分析。

**支持的筛选条件类型**:

1. **筛选值筛选过滤** (属性筛选)
   - 基于用户属性或事件属性进行过滤
   - 例如:性别、年龄、地区、操作系统、浏览器等
   - 支持多个值的组合筛选

2. **用户行为指标过滤** (行为指标)
   - 基于用户的行为指标进行筛选
   - 例如:"过去 7 天内触发「搜索」事件超过 5 次的用户"
   - 例如:"从未进行过支付的用户"
   - 支持配置事件、时间范围和阈值

3. **用户序列筛选** (行为序列)
   - 基于用户的事件序列进行筛选
   - 例如:"先浏览商品,再加入购物车,但未支付的用户"
   - 支持配置多个连续的行为步骤和先后顺序

4. **分群筛选** (用户分群)
   - 直接使用已创建好的用户分群作为筛选条件
   - 例如:"属于『高价值客户』分群的用户"
   - 支持包含或排除指定分群

#### 复杂筛选条件的构建

系统支持构建复杂的筛选条件,最多支持两层的且或关系嵌套,满足复杂的分析需求。

**基本规则**:
- **第一层**:多个筛选条件之间支持「且」(AND) 或「或」(OR) 关系
- **第二层**:在第一层基础上,每个分组可以包含多个条件,支持「且」或「或」关系
- 最多支持 10 个独立筛选条件

**示例 1:两个条件的「且」关系**:
```
平台 = "iOS" 且 会员等级 = "黄金会员"
```
分析对象:iOS 用户中的黄金会员

**示例 2:两个条件的「或」关系**:
```
平台 = "iOS" 或 平台 = "Android"
```
分析对象:所有移动端用户

**示例 3:嵌套的「且」「或」混合关系**:
```
(平台 = "iOS" 或 平台 = "Android") 且 (会员等级 = "黄金会员" 或 会员等级 = "铂金会员")
```
分析对象:移动端用户中的高等级会员

**示例 4:包含行为指标的复杂条件**:
```
过去 7 天内搜索次数 > 5 且 (会员等级 = "黄金会员" 或 注册天数  365" 命名为 "老用户"
- 细分 3:"过去 30 天无活跃" 命名为 "流失用户"
- 对比用户生命周期的不同阶段

**注意事项**:
- **细分数量**:最多支持 10 个细分筛选,过多的细分会导致图表混乱
- **互斥条件**:为了使对比更有意义,建议各细分之间的条件尽可能互斥或有明确的区隔
- **细分命名**:为每个细分使用清晰的命名,便于快速理解分析对象
- **性能影响**:细分数量越多,查询性能可能相应降低,建议优先使用 2-5 个细分进行对比

#### 最佳实践:筛选 vs 分组的选择

在实际应用中,需要合理选择是使用多个细分筛选还是使用分组维度:

**选择多细分筛选的场景**:
- (推荐) 需要对比 2-5 个特定的、差异较大的用户群体
- (推荐) 每个人群的定义比较复杂,涉及多个条件的组合
- (推荐) 需要在同一图表上直观对比不同人群的趋势
- (推荐) 使用用户行为指标或序列条件进行精细筛选

**选择分组维度的场景**:
- (推荐) 想要了解某个维度下的完整分布,如所有城市的用户分布
- (推荐) 分组维度的分组数量相对较少(10 个以内)
- (推荐) 只需要简单的属性维度进行分组
- (推荐) 使用 Top N 展示头部数据

**示例:电商平台分析商品浏览**:

目标:分析高价商品和低价商品的浏览差异

| 方案 | 配置方式 | 优势 | 劣势 |
|-----|---------|------|------|
| 多细分筛选 | 细分 1:"商品价格 > 1000" 细分 2:"商品价格  **提示**:分组数量过多可能导致数据过于分散,建议优先使用 1-2 个关键维度进行分组。

#### 分组结果排序和筛选

**Top N 展示**:
- 默认展示 Top 10 的分组结果
- 您可以调整展示数量,例如只看 Top 5 或展示所有分组

**排序方式**:
- 按指标值排序:从高到低或从低到高
- 按维度值排序:按字母或数字顺序

**分组筛选**:
- 在分组结果中进一步筛选,例如只看包含"北京"、"上海"的分组
- 临时隐藏某些分组,聚焦关键数据

### 4. 可视化设置

#### 图表类型

事件分析支持多种图表类型,不同图表适用于不同的分析场景。详细的图表类型说明请参考 [分析模型通用能力](common-analysis-features.mdx#图表类型与适用场景)。

**折线图**:
- 最常用的图表类型,适合观察趋势变化
- 横轴为时间,纵轴为指标值,以折线连接各时间点的数据
- 适用场景:分析指标随时间的变化趋势,例如"过去 30 天的 DAU 趋势"
- 支持多条线对比,例如同时展示多个事件或多个分组的趋势

**柱状图**:
- 以柱状展示数据,适合进行对比分析
- 横轴可以是时间或分组维度,纵轴为指标值
- 适用场景:对比不同分组的数据大小,例如"各省份的用户数对比"
- 支持堆积柱状图,展示整体与部分的关系

**堆积图**:
- 将多个数据系列堆叠在一起,既看整体趋势又看构成变化
- 适用场景:分析构成比例的变化,例如"每日活跃用户中新老用户的占比变化"
- 可以切换为"堆积面积图"或"100% 堆积图"(显示百分比)

**数值图**:
- 只展示一个汇总的数值结果,不展示趋势或分布
- 适用场景:查看核心 KPI 的最终数值,例如"本月的总销售额"
- 支持显示环比或同比变化

**饼图**:
- 以扇形展示各分组的占比关系
- 适用场景:分析分组数据的占比分布,例如"各商品类目的销售额占比"
- **注意**:仅支持单一时间点的数据,不适用于时间趋势分析

**表格**:
- 以表格形式展示详细数据,支持多列数据并列显示
- 适用场景:查看精确数值或需要导出数据时
- 支持排序、搜索和数据下载

#### 时间设置

**时间范围**:
- 选择分析数据的时间跨度
- 支持快捷选项:今天、昨天、过去 7 天、过去 30 天、本周、上周、本月、上月等
- 支持自定义日期范围,例如"2026-01-01 至 2026-01-31"
- 支持选择"至今"选项,例如"本月至今"

**时间粒度**:
- 决定数据聚合的精细程度
- 支持的粒度:小时、天、周、月
- 系统会根据您选择的时间范围自动推荐合适的粒度
  - 1-3 天:推荐按"小时"
  - 7-60 天:推荐按"天"
  - 2-6 个月:推荐按"周"
  - 6 个月以上:推荐按"月"

**时间对比**:
- 与历史同期数据进行对比,快速发现增长或下降
- 支持环比对比:与上一周期对比,例如本周 vs 上周
- 支持同比对比:与去年同期对比,例如本月 vs 去年同月
- 对比数据会以虚线或不同颜色展示在图表中

#### 高级设置

**数据展示格式**:
- 原始值:展示实际数值
- 百分比:将数值转换为百分比展示
- 千位分隔符:为大数值添加千位分隔符,提升可读性

**Y 轴设置**:
- 自动范围:系统自动调整 Y 轴范围
- 自定义范围:手动设置 Y 轴的最小值和最大值,适用于需要固定坐标轴的场景
- 对数刻度:当数据差异较大时,使用对数刻度可以更清晰地展示趋势

**图例设置**:
- 显示/隐藏图例
- 调整图例位置:顶部、底部、左侧、右侧

**空值处理**:
- 断开:当某时间点无数据时,折线图断开显示
- 补零:当某时间点无数据时,以 0 值填充
- 线性插值:根据前后数据点进行插值估算

## 数据明细区

数据明细区位于可视化图表下方,以表格形式展示分析的详细数据。关于数据明细区的详细说明,请参考 [分析模型通用能力](common-analysis-features.mdx#-数据明细区)。

### 用户列表下钻

在事件分析中,当您使用"触发用户数"作为度量方式时,可以点击表格中的数值,查看具体的用户列表。

**使用步骤**:
1. 在数据明细表格中,找到您关注的数据单元格
2. 点击该单元格,系统会弹出用户列表
3. 用户列表展示:用户 ID、触发次数、最近触发时间等信息
4. 您可以:
   - 点击用户 ID,跳转到 [用户细查](../05-受众计算/01-用户细查.md) 查看该用户的完整行为轨迹
   - 选择多个用户,保存为 [用户分群](../05-受众计算/02-用户分群.md)
   - 导出用户列表为 CSV 文件

**使用场景**:
- 发现某天的用户数异常增长,下钻查看是哪些新用户
- 识别高频使用用户,保存为"核心用户群"进行精细化运营
- 分析流失用户,查看他们的共同特征

### 数据导出

点击数据表格右上角的"导出"按钮,可以将分析结果导出为:
- **CSV 格式**:适合进行二次数据处理
- **Excel 格式**:适合制作汇报材料
- **图片格式**:直接保存图表为 PNG 图片

## 使用技巧与最佳实践

### 选择合适的度量方式

不同的分析目标需要不同的度量方式:

| 分析目标 | 推荐度量方式 | 说明 |
|---------|------------|------|
| 功能渗透率 | 触发用户数 | 了解有多少用户使用了该功能 |
| 功能使用频率 | 总次数 | 了解功能被使用的总体频繁程度 |
| 用户使用深度 | 人均次数 | 了解用户对功能的依赖程度 |
| 业务金额统计 | 属性值求和 | 统计总销售额、总时长等累计指标 |
| 平均水平分析 | 属性值均值 | 了解平均订单金额、平均时长等 |
| 数据多样性 | 属性去重数 | 了解被浏览的商品种类、访问的页面数等 |

### 合理使用分组

**推荐做法**:
- (推荐) 优先使用 1-2 个核心维度进行分组,保持数据清晰
- (推荐) 先用通用维度(如平台、地区)快速发现差异,再用细分维度深入分析
- (推荐) 使用 Top N 功能,聚焦头部数据,避免长尾分组干扰
- (推荐) 对于高基数维度(如商品 ID),先筛选再分组,缩小数据范围

**避免的做法**:
- (不推荐) 同时添加 3 个以上的分组维度,导致数据过于分散
- (不推荐) 对高基数维度(如用户 ID)直接分组,产生大量无意义的分组
- (不推荐) 在没有明确分析目标时盲目分组,增加分析复杂度

### 多事件对比的技巧

**使用场景**:
- 对比不同功能的使用情况,例如"搜索"vs"分类浏览"
- 对比同一功能在不同平台的表现,例如"iOS 启动"vs"Android 启动"
- 对比业务流程的各个环节,例如"商品浏览"vs"加入购物车"vs"提交订单"

**注意事项**:
- 确保对比的事件使用相同的度量方式,例如都使用"触发用户数"
- 使用折线图或柱状图展示对比结果,避免使用饼图
- 如果事件的数量级差异很大,考虑使用双 Y 轴或分开分析

### 筛选与分组的配合

筛选和分组是两个不同的概念:
- **筛选**:过滤数据,缩小分析范围
- **分组**:拆分数据,展示分布情况

**最佳实践**:
1. **先筛选后分组**:先通过筛选聚焦核心数据,再通过分组查看分布
2. **筛选排除干扰项**:用筛选排除测试数据、异常数据等
3. **分组发现差异**:用分组识别不同群体或场景的表现差异

**示例**:
- 目标:分析付费用户在不同省份的活跃度差异
- 做法:
  1. 添加用户属性筛选:"会员等级" 不等于 "免费会员"(筛选出付费用户)
  2. 按 "省份" 分组查看(查看各省份分布)
  3. 按指标值降序排列,查看 Top 10 省份

### 时间粒度的选择

选择合适的时间粒度可以更清晰地展示数据趋势:

| 时间范围 | 推荐粒度 | 适用场景 |
|---------|---------|---------|
| 1-3 天 | 按小时 | 活动期间的实时监控、大促时段分析 |
| 7-60 天 | 按天 | 日常数据监控、周/月度趋势分析 |
| 2-6 个月 | 按周 | 季度数据分析、中期趋势观察 |
| 6 个月以上 | 按月 | 年度数据汇总、长期趋势分析 |

**技巧**:
- 使用"按周"或"按月"粒度时,可以平滑掉短期波动,更清晰地看到趋势
- 在做时间对比时,确保两个时期使用相同的时间粒度
- 按"小时"分组可以发现用户的活跃时段规律

### 快速定位问题的方法

**方法 1:时间对比快速发现异常**
1. 使用环比对比功能,例如"本周 vs 上周"
2. 如果发现指标大幅波动,切换到"按天"粒度,定位具体异常日期
3. 对异常日期进行分组分析,找出具体是哪个分组出现异常

**方法 2:分组排序快速识别头部**
1. 按关键维度分组,例如"按省份分组"
2. 按指标值降序排列,查看 Top 10
3. 对比 Top 分组与其他分组的差异,识别关键驱动因素

**方法 3:多事件对比发现流失点**
1. 选择业务流程的多个关键事件,例如"浏览商品"、"加购"、"提交订单"、"支付成功"
2. 使用相同的度量方式(如"触发用户数")进行对比
3. 观察哪一步的用户数下降最多,即为主要流失点

## 注意事项

### 数据准确性

**事件埋点质量**:
- 分析结果的准确性依赖于埋点数据的完整性和正确性
- 在进行重要决策前,建议先在数据中心中检查事件的触发量和属性完整度
- 如果发现数据异常,请参考 [事件类型](../08-数据管理/01-事件类型.md) 进行数据质量检查

**用户标识**:
- 确保已正确实现用户标识,避免同一用户被识别为多个用户
- 详见 [如何正确的标识用户](../data-integration/user-identification.mdx)

### 性能与限制

**查询性能**:
- 时间范围越大、分组维度越多,查询时间越长
- 建议优先使用较短的时间范围(如 30 天内)进行探索性分析
- 对于长时间范围(如一年以上)的分析,建议使用较粗的时间粒度(如按月)

**功能限制**:
- 单次查询最多支持 10 个事件
- 最多支持 3 个分组维度
- 分组结果默认展示 Top 100,可调整但不超过 500

### 数据实时性

- 事件数据的延迟时间取决于您的数据接入方式
- 一般情况下,数据延迟在 1-5 分钟内
- 如果您需要实时监控,建议每 5-10 分钟刷新一次分析

### 历史数据修正

- 如果修改了事件或属性的定义(如改变数据类型),不会影响历史数据
- 历史数据仍按照原有定义存储和展示
- 如需统一数据定义,请参考 [事件类型](../08-数据管理/01-事件类型.md) 中的数据修正功能

## 相关文档

**分析模型**:
- [找到合适的分析模型](choosing-analysis-model.mdx):了解如何选择分析模型
- [分析模型通用能力](common-analysis-features.mdx):了解所有分析模型的通用功能
- [留存分析](retention-analysis.mdx):分析用户的留存和回访情况
- [漏斗分析](funnel-analysis.mdx):分析转化流程和流失环节

**数据接入**:
- [数据模型](../data-integration/data-model.mdx):理解 Sensors Wave 的数据模型
- [事件和属性](../data-integration/events-and-properties.mdx):了解事件和属性的概念

**数据中心**:
- [事件类型](../08-数据管理/01-事件类型.md):管理和维护事件元数据
- [事件属性](../08-数据管理/02-事件属性.md):管理事件的属性信息
- [用户属性](../08-数据管理/03-用户属性.md):管理用户的属性信息
- [指标](../08-数据管理/04-指标.md):创建和管理业务指标

**用户运营**:
- [用户细查](../05-受众计算/01-用户细查.md):查看单个用户的详细行为轨迹
- [用户分群](../05-受众计算/02-用户分群.md):创建和管理用户群体

**报表与可视化**:
- [图表管理](../04-可视化与报表/01-图表管理.md):保存和管理分析图表
- [报表管理](../04-可视化与报表/02-报表管理.md):创建数据看板和报表

## 下一步

完成事件分析后,您可以:

1. **深入分析用户留存**:使用 [留存分析](retention-analysis.mdx) 了解用户的粘性和回访情况
2. **分析业务转化流程**:使用 [漏斗分析](funnel-analysis.mdx) 识别转化瓶颈和优化机会
3. **保存为用户分群**:将分析中发现的特定用户群保存为 [用户分群](../05-受众计算/02-用户分群.md),进行精准运营
4. **添加到报表**:将关键指标添加到 [报表](../04-可视化与报表/02-报表管理.md),实现日常数据监控
5. **查看最佳实践**:参考 [最佳实践](best-practices.mdx) 提升分析效率
6. **解决常见问题**:如遇到问题，请查看 [常见问题](faq.mdx)