怎么分析事件的分布？

简短回答

打开 全端分析 › 行为分析 › 行为分析，选「分布」模型。选好要看谁的分布：某个事件每人触发了几次、活跃天数、某个数值属性、会话页数、会话时长，或参与矩阵。结果是一张直方图，给出每个桶的人数和占比，以及均值和中位数。

平均数掩盖了真相时就用分布：「每个买家 3.2 单」可能意味着多数人只买过一次，少数人买了几十次。

选择分布对象

设置分桶

• 自定义边界： 输入升序的分桶边界，最多 50 个，比如 1, 2, 5, 10, 20。
• 次数和会话页数的默认值： 1、2、3、5、10 这样越来越疏的刻度，大约 12 档。
• 活跃天数： 范围不超过 31 天时一天一档，否则用同一组变疏的刻度。
• 数值属性： 从最小值到 99 分位等宽分桶；只有这个模式下「自动桶数」（2 到 50，默认 10）才起作用。更大的值落进最后一档。
• 会话时长： 固定的时长刻度，只保留不超过 6 小时的档。
• 参与矩阵： 不分桶。最多列 30 个事件名，留空则取人数最多的 30 个自定义事件。

没有分组，也没有对比期。口径默认用户。

解读结果

直方图显示每个桶的人数（或会话数）和占比，以及均值和中位数。均值远高于中位数时，说明大部分行为来自一小群人，值得弄清楚他们是谁。

参与矩阵 的横轴是广度：触发过该事件的人占活跃人数的百分比；纵轴是频率：触发过的人人均次数。按象限来读：

• 又广又频繁： 多数人经常用的核心功能。
• 窄但频繁： 重度用户功能；想想是否应该让更多人发现它。
• 广但很少： 很多人只用一次，比如设置步骤。
• 又窄又少： 需要改进或可以考虑去掉。

例子

• 购买频次： 90 天内 purchase 的事件次数，边界设 1, 2, 3, 5，看有多少客户是复购用户。
• 参与深度： 最近 30 天的活跃天数，看多少用户是每天、每周或偶尔来。
• 客单价分布： purchase 上的数值属性 revenue，看大部分订单落在哪里、长尾有多长。

限制

• 事件次数模式必须选事件。
• 数值属性模式只保留能解析成数字的值，最多 20 万行。大多是文本的属性，改用属性分析里的取值列表。
• 矩阵的行是自定义事件；名字以双下划线开头的会被跳过。

相关

• 创建自定义指标
• 创建用户分群
• 均值和中位数