矩阵象限分析
矩阵象限分析（Matrix）以双轴（使用人数 UV × 使用频次）把功能/事件分到四个象限，识别核心、明星、小众、边缘功能。对应后端 AnalyticsService.Matrix。
一、它能回答什么问题
- 哪些功能是"核心"（人多、用得频）？哪些是"边缘"（人少、用得少）？
- 有没有"明星功能"（用得少但人均极高，潜力股）？
- 功能矩阵分布，指导产品资源投入优先级。
二、四象限定义
以 X 轴（使用人数 UV）和 Y 轴（使用频次）的阈值（中位数/均值）划分：
| 象限 | 标识 | 特征 |
|---|---|---|
| 核心 | core | 人数多 + 频次高 |
| 明星 | star | 人数少 + 频次高（小众但高频，潜力） |
| 小众 | niche | 人数少 + 频次低 |
| 边缘 | edge | 人数多 + 频次低（覆盖广但用得浅） |
三、后端接口
gRPC：AnalyticsService.Matrix
| 字段 | 类型 | 说明 |
|---|---|---|
time_range | TimeRange | 分析时间范围 |
dimension | string（可选） | 分析维度，默认 event_name |
app_id | uint32（可选） | 按应用过滤 |
split | string（可选） | 象限阈值类型：median（默认）/ avg |
响应 MatrixResponse：points[]（MatrixPoint 含 label 维度值 / x 使用人数 / y 使用频次 / quadrant 象限）、x_threshold、y_threshold、dimension。
HTTP（admin 转发）
POST /admin/v1/analytics/matrix
Content-Type: application/json
{
"timeRange": { "startMs": 1718169600000, "endMs": 1718774399000 },
"dimension": "event_name",
"split": "median"
}
四、结果解读
每个 MatrixPoint 是散点图上的一个点（一个事件/功能）：
x= 去重使用人数（覆盖广度）。y= 总使用次数（使用深度）。quadrant= 该点落入的象限。
x_threshold / y_threshold 是划分象限的阈值（按 split 选 median 或 avg）。前端渲染为四象限散点图。
五、典型场景
功能优先级评估
把各功能（dimension=event_name）投入矩阵：
- 核心区：持续维护，是产品基本盘。
- 明星区：人数少但高频，可能是深度用户刚需，有放大潜力，值得推广。
- 边缘区：覆盖广但用得浅，优化体验或考虑精简。
- 小众区：评估是否值得维护成本。
内容/栏目评估
dimension 换成内容类维度，看哪些栏目是核心/明星。
六、注意事项
- 双轴口径：
x是去重 UV，y是总次数；高y低x表示少数人重度使用。 - 阈值选择：
median抗极值（推荐），avg受头部功能拉高影响。两种划分结果可能不同，按需选择。 - 维度限制：
dimension通常是event_name或白名单维度。 - 空数据：需事件已落库（见 上手指南 · 数据落库现状）。