间隔时间分析

间隔时间分析（Interval）衡量两个指定事件之间的时间间隔分布，回答"从 A 到 B 通常要多久"。对应后端 AnalyticsService.Interval。

一、它能回答什么问题

  • 从「注册」到「首次付费」平均要多久？P50 / P90？
  • 从「浏览商品」到「下单」的决策时长分布？
  • 用户「登录」到「完成关键操作」的间隔有没有长尾？

二、关键指标

指标含义
分桶分布按间隔时长区间统计样本数占比
P50中位间隔（小时）
P9090 分位间隔（小时，长尾）
avg平均间隔（小时）

分桶标签：instant（即时）/ lt_1h（1 小时内）/ 1_24h（1-24 小时）/ 1_7d（1-7 天）/ 7d_plus（7 天以上）。

三、后端接口

gRPC：AnalyticsService.Interval

字段类型说明
time_rangeTimeRange分析时间范围
event_fromstring起始事件名（如 register）
event_tostring结束事件名（如 pay_success）
app_iduint32（可选）按应用过滤

响应 IntervalResponse：buckets[]（IntervalBucket 含 bucket / count / percentage）、p50_hours、p90_hours、avg_hours、count。

HTTP（admin 转发）

POST /admin/v1/analytics/interval
Content-Type: application/json

{
  "timeRange": { "startMs": 1718169600000, "endMs": 1718774399000 },
  "eventFrom": "register",
  "eventTo": "pay_success"
}

四、与分布分析的区别

模型度量输入
分布 Distribution单个事件的耗时（duration）一个事件
间隔 Interval两个事件之间的时间差起始 + 结束事件

五、典型场景

注册到首充时长

eventFrom=register, eventTo=pay_success：看用户从注册到首次付费的决策周期。P50 短说明转化快；7d_plus 占比高说明很多用户拖延付费，可设计新人限时优惠。

浏览到下单决策

eventFrom=view_product, eventTo=submit_order：评估购买决策时长，判断是冲动消费（instant/lt_1h）还是理性比价（1_24h+）。

转化漏斗时间维度补充

配合 漏斗分析：漏斗告诉你"转化率多少"，Interval 告诉你"转化的要多快、不转化的卡多久"。

六、注意事项

  • 必须指定两个事件：event_from 和 event_to 都必填。
  • 按用户配对：间隔是同一用户从 event_from 到（其后首个）event_to 的时间差；若用户多次触发，取首次配对。
  • 跨用户不配对：A 用户的 from 不会和 B 用户的 to 配对。
  • 单位是小时：P50/P90/avg 都是小时；分桶标签混合了秒/小时/天，按标签语义读。
  • 负值/异常：若 event_to 早于 event_from（数据异常或回填），通常被过滤。

七、相关文档