# 分布分析 分布分析主要能够提供【维度指标化】之后的数据分解能力，将原有维度按照一定的数值区间进行维度划分，进而分析每个维度区间的分布情况，在以下分析场景中十分常见： 1. 分析订单的金额分布 2. 分析某类特殊事件的发生时段分布 3. 分析某类特殊事件的发生次数分布 4. 分析触发某类事件的用户年龄分布 由此可见，分布分析主要针对的是数值型和日期型这两类属性，比如：金额、年龄、时间、频次，因此当用户打点上传的数据中包括这两类属性时，那么在日常的分析中就有可能会使用分布分析来解决一些特定问题。 ## 常用指标 ### 1 X 事件的次数分布 X 事件的次数分布，指在指定日期范围间内触发 X 事件的次数分布。 e.g.在2020/01/01 - 2020/10/01 期间触发了启动事件的次数分布，启动了\[1,3)次的2人，\[3,10)次的10人等。 ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVmjv9yLGsH5W3EZev%2Fimage.png?alt=media\&token=a8e6c2af-f7b7-4cc0-a20a-915b26ebb18e) 支持多分群对比，比如对比注册用户和匿名用户在某个时间范围里启动次数分布 支持细分维度对比，比如细分城市维度，即可查看不同城市的用户启动次数分布 支持增加过滤条件，比如筛选平台=Android，仅Android平台的用户启动次数分布 支持分析一段时间的汇总情况，或者是按日、周、月不同时间粒度细分看趋势 ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVoTt4PhnR7muw3HeF%2Fimage.png?alt=media\&token=a1fd30d1-60a4-4061-9640-1a5d900cf2fd) ### 2 X 事件的活跃时段分布 X 事件的活跃时段分布，指在指定日期范围内触发 X 事件的时段分布。 e.g. 在2020/01/01 - 2020/10/01 期间，一天24小时各个时段中启动的用户各有多少。 比如通过下图可以看到用户访问集中在上午9点到12点，下午2点到5点期间，其中上午10点到11点期间访问的用户最多 ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVrhJ67wV88_Je3OHW%2Fimage.png?alt=media\&token=c85f3fba-544b-4df4-821e-101ad6f7de35) 支持细分维度查看，比如细分设备类型，查看不同设备的用户的活跃时段，通过下图可以看到在工作时间PC设备的访问量明显居多，在晚9点到次日9点休息期间，移动端访问量更多 ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVsmsXoBnZqXEqxsuh%2Fimage.png?alt=media\&token=884386fd-b1bc-41bb-8be8-b59b113b1ff8) 支持按日、周、月的时间粒度细分，可以查看不同时段里不同时间的活跃趋势，可以通过表格查看，也可以通过热点图快速查看，比如下图展现近 30 日每天用户在不同时段的活跃情况 ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVpUgGgAFIPyCnw8Sj%2Fimage.png?alt=media\&token=dfa3f592-158e-42f8-989e-8f2e876f0537) 也可以按每周几聚合，比如通过下图，可以发现用户基本活跃在工作日上午的 10 点 - 12 点，下午的 14 点 - 15 点 ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVpY53WGDnF-PK2oFR%2Fimage.png?alt=media\&token=d78bcdba-271c-40b7-9ae4-295d360494e3) ### 3 X 事件的活跃天数分布 X 事件的活跃天数分布，指在指定日期范围内触发 X 事件的天数分布。 e.g. 在2020/01/01 - 2020/10/01 期间触发了启动事件的天数分布，启动了\[1,3)天的2人，\[3,10)天的10人等。 可以查看任意事件在某一个时间区间里的活跃天数，如下图体现过去 90 天里不同活跃天数的用户分布，其中多数用户活跃天数在 2 天到 5 天之间，10 天以上的用户最少 ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVp3I0y8utvGk0XW-9%2Fimage.png?alt=media\&token=5a3df387-556d-4887-9d86-81de9a4474a2) 支持按周、按月的时间粒度细分，比如下图查看最近4个月里 用户活跃天数的变化 ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVp9QME_2eG9y0lmDk%2Fimage.png?alt=media\&token=cea62d4f-b805-4043-8b58-8524347e8c19) 支持细分维度、添加过滤条件、多人群对比 ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVpOUfBDZK6ivYLx8Q%2Fimage.png?alt=media\&token=00affee1-239c-47fa-9cc7-7a285b2d7b22) ### 4 X 事件 Y 属性的总和/均值/人均值等分布 对于数值型的属性值，支持分析属性的总和、均值、人均值、最大值、最小值的分布，比如分析一段时间里不同支付订单金额区间的用户分布 {% hint style="info" %} 分布分析也支持字符串属性的分析，这类属性的分析场景在实际工作中比较少见，只能统计属性值的去重数的分布情况，例如：统计某次大促活动中，支付订单的品类分布情况，可以在分布分析中，选择支付订单事件的商品品类属性的去重数分布，同时增加商品品类的细分维度。 {% endhint %} ![](https://2207941107-files.gitbook.io/~/files/v0/b/gitbook-legacy-files/o/assets%2F-LaKVSdcX30MGZ24jKF_%2F-MZVkNg5O3CwuyLM5j2c%2F-MZVwAkOFc5UsfYlS-6s%2Fimage.png?alt=media\&token=1c099394-9ced-4fcf-bc38-9067eaf70f7c) {% hint style="info" %} 以上内容没有解答我的问题？[点击我来反馈](https://support.qq.com/products/118522/) 🚀 {% endhint %}