“時間”是我們設計產品時的一大武器，選擇合理的時間顆粒度，能很好的幫我們展示業務數據，對業務發展起到指導作用。
時間具有多變性，日、月、年對我們的意義是不同的，因為其呈現出來的時間段是不一致的，日體現的時間長度肯定遠小於月，長短不一的時間長度組成了時間的多樣性，而不同時間長度下統計出來的數據結果具有不同的意義，這就是數據對“時間”的敏感性。
通過一個案例來看一下，蹲點觀察樓下十足便利店3月份的人流情況，可以發現“3月1號的人流量”和“3月份一整個月的人流量”是不一樣的，前者表現了單天的人流量，後者表現了整個月的人流量。
我們發現，不同的“時間”產生的數據結果有其各自的意義，所以我們要怎麼去選擇這些不同的“時間”呢？
一、認識多種多樣的時間
首先我們需要瞭解時間的多樣性，從“時間顆粒度”的角度來認識，主要分為“分時維度”和“日期維度”。
01 分時維度
分時維度是反映日內情況下隨著小時或者分鐘的變化，展示單位小時或分鐘下的數據，具有較強的時效性。我們可以通過觀察“一天內不同分時”和“多個日期相同分時”呈現出來的數據現象，來發現“分時維度”下的數據特點。
1. 觀察一整天不同時段的數據
通過“分時維度”得到一天內不同時間段的數據值，將這些數據“圖表可視化”為隨著時間段變化的折線圖，從圖中我們可以瞭解下麵的這些信息：
- a.數據在一天不同時間段內的趨勢情況以及斜率，從幾點到幾點呈增長趨勢，從幾點到幾點呈下降趨勢
- b.數據最大值和最小值出現的具體時間段或者時間點
- c.數據在相鄰兩個時間段之間的環比情況
- d.數據在不同時間段之間的增長和下降程度
這些信息能讓我們對數據在不同時段的趨勢情況有一個瞭解，為對時間段要求比較精確的產品動作提供了依據，幫助我們發現短時間內的異常波動，為發現問題提供了異常數據的支持。
看個案例，下圖是一張訪問用戶量分時段折線圖，我們就可以基於數據最大值出現在14:00的這一現象，發起一次push消息的行為，因為該時間段下用戶數量最大，可以盡可能的獲得曝光量；我們也可以在0:00-5:00這個時間段安排產品上線等需要服務器發佈的行為，基於的現象就是這個時間段訪問用戶量少，對用戶的干擾低。
訪問用戶量分時段折線圖
我們也可以把一天內不同時段的數據“圖表可視化”為餅圖，從圖中我們可以瞭解到下麵的這些信息：
- a.數據在不同時間段的占比情況
- b.數據占比最大的出現在哪個時間段，占比最小的出現在哪個時間段
這些信息能讓我們對數據在不同時間段的分佈情況有一個瞭解，單獨瞭解占比的意義不是特別大，但是可以配合其他的數據分析方法得到一些更細緻的結論。
比如下圖是12:00-18:00不同時間段用戶訪問量的餅圖，結合“二八定理”，我們就可以得出12:00和13:00這兩個時間段提供了80%的訪問量，這兩個時間段就是我們主要需要維護的時間。
訪問用戶量分時段餅圖
2. 觀察多個不同日期，相同時間段的數據
通過將多個日期下的相同時間段的數據“圖表可視化”為隨著時間段變化的對比柱形圖，從圖中我們可以瞭解到這些信息：
- a.數據在不同日期相同時間段下的同比情況
- b.數據在不同日期下是否有可以抽象出來的趨勢共性，多個日期是否都是從幾點到幾點的數據呈增長趨勢，從幾點到幾點的數據呈下降趨勢，這個現象就可以作為一個共性趨勢。
這些信息有助於我們歸納出數據的共性，一方面我們可以根據這些共性設計和優化產品；另一方面也可以以此作為異常值的判別方式，如果觀察多個日期下都是在01:00～05:00的數據為0，這個時候發現突然有1天在01:00有大量的數據，就可以斷定為是異常數據了。
同樣來看一個案例：
下圖是星期五和星期六的訪問用戶量的分時段柱形圖（截取部分時間段），運用上面提到的觀察角度，很容易就能發現雖然日期不同，同時段的數據有大小差異，但是數據趨勢是具有共性，都從12點開始呈增長趨勢，在16點達到峰值，之後呈下降趨勢，我們就可以得出我們用戶訪問行為的規律。
訪問用戶量分時段對比柱形圖
對分時維度數據做個簡單的總結：
- 定義：以分鐘或小時作為顆粒度單位
- 數據格式：分鐘+每分鐘數據；小時+每小時數據
- 數據意義：反映日內的數據情況
- 適用場景：對日內數據敏感或者日內數據具有重要意義的場景，比如金融服務、數據監控等場景
02 日期維度
日期維度是反映一段時間內隨著日期的變化，展示不同日期下的數據，具有較強的完整性。我們也通過觀察“一段時間內不同日期”和“不同周期內的日期”呈現出來的數據現象，來發現“日期維度”下的數據特點。
1.一段時間內不同日期
通過“日期維度”得到一段時間內不同日期的數據值，將這些數據“圖表可視化”為隨著日期變化的折線圖，從圖中我們可以瞭解下麵的這些信息：
- a.數據在這段時間內的趨勢情況，從哪一日到哪一日呈增長趨勢或者下降趨勢
- b.數據最大值和最小值出現的具體日期是哪一天
- c.數據在相鄰兩天的環比情況，是環比上漲，還是環比下降
這些信息有助於我們復盤一段時間內（常見的最近7天，最近30天的）的數據趨勢，為我們後續的業務動作提供數據支持，數據隨著日期不斷增長，是否需要投入更多的資源；數據隨著日期不斷降低，是否需要改變策略。
案例：
下圖是某淘寶店04-11到04-17的銷售額數據，我們發現數據在11日到17日這7天呈現一個上升趨勢，店鋪主就需要考慮庫存是否充足，是否需要增加儲備等。
04-11～04-17店鋪銷售額折線圖
2. 不同周期內的日期
不同日期雖然日期不同，但是在一個周期內存在一定規律——4月14日是星期二，4月21日也是星期二；3月1日是3月的第一天，4月1日是4月的第一天。
這就是日期在不同周期內的規律，我們可以借助這個規律來觀察不同周期內的日期變化，將這些數據結果“圖表可視化”我們也可以得到對比柱形圖，從圖中我們可以瞭解到下麵這些信息：
- a.數據在不同周期內相同位置日期的同比情況
- b.數據在不同周期內的日期是不是會表現出相同的規律或者趨勢
這些信息可以幫助我們歸納出周期下數據具有固定的規律，根據這個規律可以指導我們一些業務動作或者產品設計。
案例：
下圖是某寫字樓的自助便利機銷售人數在“4-6～4-12”和“4-13～4-19”兩周不同日期下的數據對比圖，我們可以發現不同日期的銷售人數的具體數值有差異，但是在趨勢上是具有明顯規律的，周六和周日兩天銷售人數遠低於其餘5天，這也和我們工作日和休息日的認知所符合，而作為自主便利機的商家也可以根據這個現象制定補貨策略：周一進行補貨。
兩周銷售人數對比柱形圖
對日維度數據做個簡單的總結
- 定義：以日作為顆粒度單位
- 數據格式：日期+每日數據
- 數據意義：反映日不同日期下的數據情況
- 適用場景：針對需要統計或觀察一段時間內每一日數據的場景
其次，在瞭解了時間多樣性的幾種具體表現形式後，就需要我們根據實際的業務情況來選擇“時間”了。合適的時間顆粒度能幫助我們很好的反映業務的真實情況，而不合適的時間顆粒度所提供的數據結果對我們沒有意義，甚至會起到誤導作用。
某淘寶商家想調整客服排版，這個時候就需要我們選擇“分時維度”，觀察不同日期相同時間段的客服團隊接待人數，是否具有共同的趨勢，在普遍接待量多的幾個時間段安排較多人手的客服，在接待量少的幾個時間段減少客服數量。
如果我們在上面這個業務場景下選擇了“日期維度”，得到的數據就無法實現這一目標，而“日期維度”在“什麼時候增加臨時或者外包客服”這個業務場景下就具有意義，通過復盤一段時間的接待數據，發現大促期間接待量爆方式的現象，從而在大促前提前增加客服資源。
總結
數據對時間是非常敏感的，“時間”也是我們設計產品時的一大武器，選擇合理的時間顆粒度，能很好的幫我們展示業務數據，對業務發展起到指導作用。
本文由@晌午 原創發佈於人人都是產品經理，未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議。