本文将与大家分享这套解决方案的详细思路，希望对大家后续进行自身产品的用户时长分析能有一定帮助。
作者按：进入用户存量时代，围绕用户精细化运营的市场竞争方向已不仅仅停留在“用户的快速增长”上，“持续的用户增长”和“争取更多用户时长”已成为了当前大部分产品的核心目标。
怎样提升产品的用户时长？
正确地通过当前产品各项数据确定问题所在，并为产品制定更为适用的解决方案，是提升产品用户时长的方式之一，但摆在所有产品运营面前的第一个难题便是：如何对产品的用户时长实行全面、深度、准确的监控与分析？
百度统计经过长时间的不断累积，在不断整合各类时长分析需求后，以某云盘客户需求为基础，协助其总结出了一套：基于百度统计已有数据能力实现“产品用户时长全景分析”解决方案。
本文将与大家分享这套解决方案的详细思路，希望对大家后续进行自身产品的用户时长分析能有一定帮助。
注：下文分析使用的截图或数据为展示数据，仅作示例参考。
何谓“时长的全景分析”？ 在与某云盘客户的沟通中，我们发现仅分析产品的“人均使用时长”、“次均使用时长”等整体的时长指标已经不能满足精细化分析的需求。而大家开始更多关注诸如： 不同类型的用户群体使用时长是否有差异？ 产品整体时长中有效时长与无效时长的占比如何？ 某个重点功能的用户使用时长如何？ 当用户时长存在差异时，对用户的留存、转化有哪些影响？ …… 因此，对用户时长进行“全景分析”，它可以用三个特性来总结：精准性、全面性、延伸性。 精准性：这是所有统计分析的重要前提，时长的统计必须是精准的； 全面性：时长的分析不再只是“整体维度”，更要从“对象视角”、“用户视角”、“功能视角”等全局维度进行时长结果的拆分，结合业务需求对不同人群的时长进行全面深度的分析； 延伸性：时长的分析不再孤立的只看时长本身，而是能结合其它核心指标，如留存、转化等，分析这些指标与时长之间的相互影响。既能找出“提升时长”的增长点，也能反向印证“高时长”对产品的重要价值。 全埋点确保时长分析的“精准性” 我们推荐云盘客户使用了最新的“全埋点 SDK”，通过全埋点 SDK，对网盘 APP的所有页面实现自动埋点，从而确保了用户从打开APP到离开APP的“全程监控”，确保时长统计“滴水不漏”。此外，百度统计还在时长的后端处理上进行了多轮优化，例如针对意外退出的最后一个页面时长，取前面页面时长的平均值等策略。力争从数据采集、数据处理、到报表产出全流程的数据精准性。 基于用户分群与多维交叉 实现时长分析的“全面性” 前面提到，为了实现全面分析时长，我们提供了数据工具，支持从“对象视角”、“用户视角”、“功能视角”等全局维度对时长结果进行下钻分析。 分对象的“常规时长分析”指标 百度统计的时长模型中，包含“时长”这个属性的对象有三种，分别是“session”、“页面”和“事件”，即分布对应“启动时长”、“页面时长”和“事件时长”。 “启动时长”即为一次启动时长。这个指标也是通常我们所说的“整体时长”指标，同时常见的二次计算结果包括“人均使用时长”与“次均使用时长”； “页面时长”用以反应页面的粘性质量，对应的指标是“次均页面时长”； “事件时长”的应用范围要大很多。由于在移动端分析中，一个“事件”的定义可以是app内发生的任意一个行为，这使得我们既可以定义“视频播放”为一个持续事件，统计“视频播放时长”；也可以定义“开始注册到注册完成”为一个完整事件，统计“注册使用时长”。因此，“事件时长”甚至可以替代上述的“启动时长”与“页面时长”。 在百度统计中，我们提供了“用户趋势”、“页面分析”与“事件分析”等报告，用可视化的报表直观呈现上述指标随日期的变化趋势。
以上是关于产品用户时长全景分析方案的上篇，在数据采集及分对象的常规时长分析指标给大家做了简单介绍，在下一期的内容中，我们将针对“多维交叉”及不同的“用户群组”的时长分析，做一个详尽的介绍，同时，如何围绕延伸性的时长分析也将在下篇中揭晓，敬请期待。
-------------------------------------------the end-------------------------------------------- 百度统计全新推出用户行为分析一站式SaaS平台——分析云。分析云提供从数据采集层、数据接入层到策略模型层、应用层的一整套分析解决方案，通过云平台、全域数据与数据融合的能力，帮助企业构建真正面向业务的数据流，建立从数据发展、数据洞察至数据闭环，最后实现数据智能的逐层递进数据价值应用功能模型，是面向企业业务的敏捷 BI工具。
