分时维度是反映日内情况下随着小时或者分钟的变化

时间具有多变性，日、月、年对我们的意义是不同的，因为其呈现出来的时间段是不一致的，日体现的时间长度肯定远小于月，长短不一的时间长度组成了时间的多样性，而不同时间长度下统计出来的数据结果具有不同的意义，这就是数据对“时间”的敏感性。

通过一个案例来看一下，蹲点观察楼下十足便利店3月份的人流情况，可以发现“3月1号的人流量”和“3月份一整个月的人流量”是不一样的，前者表现了单天的人流量，后者表现了整个月的人流量。

我们发现，不同的“时间”产生的数据结果有其各自的意义，所以我们要怎么去选择这些不同的“时间”呢？

一、认识多种多样的时间

首先我们需要了解时间的多样性，从“时间颗粒度”的角度来认识，主要分为“分时维度”和“日期维度”。

01 分时维度

分时维度是反映日内情况下随着小时或者分钟的变化，展示单位小时或分钟下的数据，具有较强的时效性。我们可以通过观察“一天内不同分时”和“多个日期相同分时”呈现出来的数据现象，来发现“分时维度”下的数据特点。

1. 观察一整天不同时段的数据

通过“分时维度”得到一天内不同时间段的数据值，将这些数据“图表可视化”为随着时间段变化的折线图，从图中我们可以了解下面的这些信息：

• a.数据在一天不同时间段内的趋势情况以及斜率，从几点到几点呈增长趋势，从几点到几点呈下降趋势
• b.数据最大值和最小值出现的具体时间段或者时间点
• c.数据在相邻两个时间段之间的环比情况
• d.数据在不同时间段之间的增长和下降程度

这些信息能让我们对数据在不同时段的趋势情况有一个了解，为对时间段要求比较精确的产品动作提供了依据，帮助我们发现短时间内的异常波动，为发现问题提供了异常数据的支持。

看个案例，下图是一张访问用户量分时段折线图，我们就可以基于数据最大值出现在14:00的这一现象，发起一次push消息的行为，因为该时间段下用户数量最大，可以尽可能的获得曝光量；我们也可以在0:00-5:00这个时间段安排产品上线等需要服务器发布的行为，基于的现象就是这个时间段访问用户量少，对用户的干扰低。

访问用户量分时段折线图

我们也可以把一天内不同时段的数据“图表可视化”为饼图，从图中我们可以了解到下面的这些信息：

• a.数据在不同时间段的占比情况
• b.数据占比最大的出现在哪个时间段，占比最小的出现在哪个时间段

这些信息能让我们对数据在不同时间段的分布情况有一个了解，单独了解占比的意义不是特别大，但是可以配合其他的数据分析方法得到一些更细致的结论。

比如下图是12:00-18:00不同时间段用户访问量的饼图，结合“二八定理”，我们就可以得出12:00和13:00这两个时间段提供了80%的访问量，这两个时间段就是我们主要需要维护的时间。

访问用户量分时段饼图

2. 观察多个不同日期，相同时间段的数据

通过将多个日期下的相同时间段的数据“图表可视化”为随着时间段变化的对比柱形图，从图中我们可以了解到这些信息：

• a.数据在不同日期相同时间段下的同比情况
• b.数据在不同日期下是否有可以抽象出来的趋势共性，多个日期是否都是从几点到几点的数据呈增长趋势，从几点到几点的数据呈下降趋势，这个现象就可以作为一个共性趋势。

这些信息有助于我们归纳出数据的共性，一方面我们可以根据这些共性设计和优化产品；另一方面也可以以此作为异常值的判别方式，如果观察多个日期下都是在01:00～05:00的数据为0，这个时候发现突然有1天在01:00有大量的数据，就可以断定为是异常数据了。

同样来看一个案例：

下图是星期五和星期六的访问用户量的分时段柱形图（截取部分时间段），运用上面提到的观察角度，很容易就能发现虽然日期不同，同时段的数据有大小差异，但是数据趋势是具有共性，都从12点开始呈增长趋势，在16点达到峰值，之后呈下降趋势，我们就可以得出我们用户访问行为的规律。