Υπάρχουν εκατοντάδες άρθρα στο Διαδίκτυο σχετικά με τα οφέλη από την ανάλυση της συμπεριφοράς των πελατών. Τις περισσότερες φορές αυτό αφορά τον τομέα του λιανικού εμπορίου. Από ανάλυση καλαθιού τροφίμων, ανάλυση ABC και XYZ μέχρι μάρκετινγκ διατήρησης και προσωπικές προσφορές. Διάφορες τεχνικές έχουν χρησιμοποιηθεί εδώ και δεκαετίες, οι αλγόριθμοι έχουν σχεδιαστεί, ο κώδικας έχει γραφτεί και διορθωθεί - πάρτε τον και χρησιμοποιήστε τον. Στην περίπτωσή μας, προέκυψε ένα θεμελιώδες πρόβλημα - εμείς στο ISPsystem ασχολούμαστε με την ανάπτυξη λογισμικού και όχι με τη λιανική.
Ονομάζομαι Denis και είμαι υπεύθυνος για το backend των αναλυτικών συστημάτων στο ISPsystem. Και αυτή είναι η ιστορία του πώς εγώ και ο συνάδελφός μου — οι υπεύθυνοι για την οπτικοποίηση δεδομένων — προσπάθησαν να εξετάσουν τα προϊόντα λογισμικού μας μέσα από το πρίσμα αυτής της γνώσης. Ας ξεκινήσουμε, ως συνήθως, με την ιστορία.
Στην αρχή υπήρχε μια λέξη και η λέξη ήταν «Θα προσπαθήσουμε;»
Εκείνη τη στιγμή εργαζόμουν ως προγραμματιστής στο τμήμα R&D. Όλα ξεκίνησαν όταν ο Danil διάβασε εδώ στο Habré — ένα εργαλείο για την ανάλυση των μεταβάσεων των χρηστών σε εφαρμογές. Ήμουν κάπως δύσπιστος σχετικά με την ιδέα να το χρησιμοποιήσω εδώ. Ως παραδείγματα, οι προγραμματιστές της βιβλιοθήκης ανέφεραν μια ανάλυση εφαρμογών όπου η ενέργεια στόχος ήταν σαφώς καθορισμένη - η υποβολή παραγγελίας ή κάποια άλλη παραλλαγή του τρόπου πληρωμής της ιδιοκτήτριας εταιρείας. Τα προϊόντα μας παρέχονται επί τόπου. Δηλαδή, ο χρήστης πρώτα αγοράζει μια άδεια και μόνο τότε ξεκινά το ταξίδι του στην εφαρμογή. Ναι, έχουμε εκδόσεις επίδειξης. Μπορείτε να δοκιμάσετε το προϊόν εκεί για να μην έχετε ένα γουρούνι στο σακί.
Όμως τα περισσότερα από τα προϊόντα μας απευθύνονται στην αγορά φιλοξενίας. Πρόκειται για μεγάλους πελάτες και το τμήμα επιχειρηματικής ανάπτυξης τους συμβουλεύει σχετικά με τις δυνατότητες του προϊόντος. Συνεπάγεται επίσης ότι κατά τη στιγμή της αγοράς, οι πελάτες μας γνωρίζουν ήδη ποια προβλήματα θα τους βοηθήσει να λύσουν το λογισμικό μας. Οι διαδρομές τους στην εφαρμογή πρέπει να συμπίπτουν με το CJM που είναι ενσωματωμένο στο προϊόν και οι λύσεις UX θα τους βοηθήσουν να παραμείνουν σε καλό δρόμο. Spoiler: αυτό δεν συμβαίνει πάντα. Η εισαγωγή στη βιβλιοθήκη αναβλήθηκε... αλλά όχι για πολύ.
Όλα άλλαξαν με την κυκλοφορία της startup μας - — πλατφόρμες για τη δημιουργία ηλεκτρονικού καταστήματος από λογαριασμό Instagram. Σε αυτήν την εφαρμογή, ο χρήστης έλαβε μια περίοδο δύο εβδομάδων για να χρησιμοποιήσει όλες τις λειτουργίες δωρεάν. Στη συνέχεια έπρεπε να αποφασίσετε αν θα εγγραφείτε. Και αυτό ταιριάζει απόλυτα στην ιδέα «δράση διαδρομής-στόχος». Αποφασίστηκε: ας προσπαθήσουμε!
Πρώτα αποτελέσματα ή από πού να πάρετε ιδέες
Η ομάδα ανάπτυξης και εγώ συνδέσαμε το προϊόν με το σύστημα συλλογής εκδηλώσεων κυριολεκτικά μέσα σε μια μέρα. Θα πω αμέσως ότι το ISPsystem χρησιμοποιεί το δικό του σύστημα για τη συλλογή συμβάντων σχετικά με επισκέψεις σελίδας, αλλά τίποτα δεν σας εμποδίζει να χρησιμοποιήσετε το Yandex.Metrica για τους ίδιους σκοπούς, το οποίο σας επιτρέπει να κατεβάζετε ακατέργαστα δεδομένα δωρεάν. Μελετήθηκαν παραδείγματα χρήσης της βιβλιοθήκης και μετά από μια εβδομάδα συλλογής δεδομένων λάβαμε ένα γράφημα μετάβασης.
Γράφημα μετάβασης. Βασική λειτουργικότητα, άλλες μεταβάσεις αφαιρέθηκαν για λόγους σαφήνειας
Αποδείχθηκε ακριβώς όπως στο παράδειγμα: επίπεδο, καθαρό, όμορφο. Από αυτό το γράφημα, μπορέσαμε να προσδιορίσουμε τις πιο συχνές διαδρομές και διαβάσεις όπου οι άνθρωποι περνούν τον μεγαλύτερο χρόνο. Αυτό μας επέτρεψε να κατανοήσουμε τα εξής:
- Αντί για ένα μεγάλο CJM, το οποίο καλύπτει μια ντουζίνα οντότητες, μόνο δύο χρησιμοποιούνται ενεργά. Είναι απαραίτητο να κατευθύνουμε επιπλέον τους χρήστες στα μέρη που χρειαζόμαστε χρησιμοποιώντας λύσεις UX.
- Ορισμένες σελίδες, που σχεδιάστηκαν από σχεδιαστές UX για να είναι από άκρο σε άκρο, καταλήγουν να ξοδεύουν αδικαιολόγητο χρόνο σε αυτές. Πρέπει να υπολογίσετε ποια είναι τα στοιχεία διακοπής σε μια συγκεκριμένη σελίδα και να την προσαρμόσετε.
- Μετά από 10 μεταβάσεις, το 20% των ατόμων άρχισε να κουράζεται και να εγκαταλείπει τη συνεδρία στην εφαρμογή. Και αυτό λαμβάνοντας υπόψη το γεγονός ότι είχαμε έως και 5 σελίδες ενσωμάτωσης στην εφαρμογή! Πρέπει να προσδιορίσετε σελίδες όπου οι χρήστες εγκαταλείπουν τακτικά τις συνεδρίες και να συντομεύσετε τη διαδρομή προς αυτές. Ακόμα καλύτερα: προσδιορίστε τυχόν κανονικές διαδρομές και επιτρέψτε μια γρήγορη μετάβαση από τη σελίδα πηγής στη σελίδα προορισμού. Κάτι κοινό με την ανάλυση ABC και την ανάλυση εγκαταλελειμμένου καλαθιού, δεν νομίζετε;
Και εδώ επανεξετάσαμε τη στάση μας σχετικά με τη δυνατότητα εφαρμογής αυτού του εργαλείου για προϊόντα εσωτερικής εγκατάστασης. Αποφασίστηκε να αναλυθεί ένα ενεργά πωλούμενο και χρησιμοποιημένο προϊόν - . Είναι πολύ πιο περίπλοκο, υπάρχουν μια τάξη μεγέθους περισσότερες οντότητες. Περιμέναμε με ενθουσιασμό να δούμε ποιο θα ήταν το μεταβατικό γράφημα.
Σχετικά με τις απογοητεύσεις και τις εμπνεύσεις
Απογοήτευση #1
Ήταν το τέλος της εργάσιμης ημέρας, το τέλος του μήνα και το τέλος του χρόνου ταυτόχρονα - 27 Δεκεμβρίου. Έχουν συσσωρευτεί δεδομένα, έχουν γραφτεί ερωτήματα. Έμειναν δευτερόλεπτα μέχρι να επεξεργαστούν τα πάντα και μπορούσαμε να δούμε το αποτέλεσμα των κόπων μας για να μάθουμε πού θα ξεκινούσε η επόμενη εργάσιμη χρονιά. Το τμήμα Ε&Α, ο διευθυντής προϊόντων, οι σχεδιαστές UX, ο επικεφαλής της ομάδας, οι προγραμματιστές συγκεντρώθηκαν μπροστά στην οθόνη για να δουν πώς φαίνονται οι διαδρομές χρήστη στο προϊόν τους, αλλά... είδαμε αυτό:
Γράφημα μετάβασης που δημιουργήθηκε από τη βιβλιοθήκη Retentioneering
Έμπνευση #1
Ισχυρά συνδεδεμένοι, δεκάδες οντότητες, μη αυτονόητα σενάρια. Ήταν ξεκάθαρο μόνο ότι η νέα εργάσιμη χρονιά δεν θα ξεκινούσε με ανάλυση, αλλά με την εφεύρεση ενός τρόπου για να απλοποιηθεί η εργασία με ένα τέτοιο γράφημα. Αλλά δεν μπορούσα να διώξω την αίσθηση ότι όλα ήταν πολύ πιο απλά από ό,τι φαινόταν. Και μετά από δεκαπέντε λεπτά μελέτης του πηγαίου κώδικα Retentioneering, μπορέσαμε να εξάγουμε το κατασκευασμένο γράφημα σε μορφή dot. Αυτό κατέστησε δυνατή τη μεταφόρτωση του γραφήματος σε άλλο εργαλείο - Gephi. Και υπάρχει ήδη περιθώριο για ανάλυση γραφημάτων: διατάξεις, φίλτρα, στατιστικά στοιχεία - το μόνο που έχετε να κάνετε είναι να διαμορφώσετε τις απαραίτητες παραμέτρους στη διεπαφή. Με αυτή τη σκέψη φύγαμε για το Σαββατοκύριακο της Πρωτοχρονιάς.
Απογοήτευση #2
Μετά την επιστροφή στη δουλειά, αποδείχθηκε ότι ενώ όλοι ξεκουράζονταν, οι πελάτες μας μελετούσαν το προϊόν. Ναι, τόσο σκληρά που εμφανίστηκαν γεγονότα στον αποθηκευτικό χώρο που δεν υπήρχαν πριν. Αυτό σήμαινε ότι τα ερωτήματα έπρεπε να ενημερωθούν.
Ένα μικρό υπόβαθρο για να καταλάβουμε τη θλίψη αυτού του γεγονότος. Μεταδίδουμε τόσο τα συμβάντα που έχουμε επισημάνει (για παράδειγμα, κλικ σε ορισμένα κουμπιά) όσο και τις διευθύνσεις URL των σελίδων που επισκέφτηκε ο χρήστης. Στην περίπτωση του Cartbee, το μοντέλο «μία δράση - μία σελίδα» λειτούργησε. Αλλά με το VMmanager η κατάσταση ήταν εντελώς διαφορετική: πολλά παράθυρα μοντάλ μπορούσαν να ανοίξουν σε μια σελίδα. Σε αυτά ο χρήστης μπορούσε να λύσει διάφορα προβλήματα. Για παράδειγμα, URL:
/host/item/24/ip(modal:modal/host/item/ip/create)
σημαίνει ότι στη σελίδα «Διευθύνσεις IP» ο χρήστης πρόσθεσε μια διεύθυνση IP. Και εδώ δύο προβλήματα είναι ορατά ταυτόχρονα:
- Η διεύθυνση URL περιέχει κάποιο είδος παραμέτρου διαδρομής - το αναγνωριστικό της εικονικής μηχανής. Πρέπει να αποκλειστεί.
- Η διεύθυνση URL περιέχει το αναγνωριστικό παραθύρου. Πρέπει να "ξεσυσκευάσετε" με κάποιο τρόπο τέτοιες διευθύνσεις URL.
Ένα άλλο πρόβλημα ήταν ότι τα ίδια τα συμβάντα που σημειώσαμε είχαν παραμέτρους. Για παράδειγμα, υπήρχαν πέντε διαφορετικοί τρόποι για να μεταβείτε στη σελίδα με πληροφορίες σχετικά με μια εικονική μηχανή από τη λίστα. Αντίστοιχα, στάλθηκε ένα συμβάν, αλλά με μια παράμετρο που υποδείκνυε ποια μέθοδο έκανε τη μετάβαση ο χρήστης. Υπήρχαν πολλά τέτοια γεγονότα, και όλες οι παράμετροι ήταν διαφορετικές. Και έχουμε όλη τη λογική ανάκτησης δεδομένων στη διάλεκτο SQL για το Clickhouse. Τα ερωτήματα 150-200 γραμμών άρχισαν να φαίνονται κάπως συνηθισμένα. Μας περικύκλωσαν προβλήματα.
Έμπνευση #2
Ένα νωρίς το πρωί, ο Danil, λυπημένος με το κύλισμα στο αίτημα για το δεύτερο λεπτό, μου πρότεινε: «Ας γράψουμε αγωγούς επεξεργασίας δεδομένων;» Το σκεφτήκαμε και αποφασίσαμε ότι αν πρόκειται να το κάνουμε, θα ήταν κάτι σαν ETL. Έτσι ώστε να φιλτράρει αμέσως και να αντλεί τα απαραίτητα δεδομένα από άλλες πηγές. Έτσι γεννήθηκε η πρώτη μας αναλυτική υπηρεσία με πλήρες backend. Εφαρμόζει πέντε βασικά στάδια επεξεργασίας δεδομένων:
- Εκφόρτωση συμβάντων από την αποθήκευση πρωτογενών δεδομένων και προετοιμασία τους για επεξεργασία.
- Η διευκρίνιση είναι η «αποσυσκευασία» αυτών των ίδιων των αναγνωριστικών παραθύρων, των παραμέτρων συμβάντος και άλλων λεπτομερειών που διευκρινίζουν το συμβάν.
- Εμπλουτισμός (από τη λέξη «για να γίνεις πλούσιος») είναι η προσθήκη γεγονότων με δεδομένα από πηγές τρίτων. Εκείνη την εποχή, αυτό περιλάμβανε μόνο το σύστημα χρέωσης BILLmanager.
- Το φιλτράρισμα είναι η διαδικασία φιλτραρίσματος γεγονότων που παραμορφώνουν τα αποτελέσματα της ανάλυσης (γεγονότα από εσωτερικά περίπτερα, ακραίες τιμές κ.λπ.).
- Μεταφόρτωση ληφθέντων συμβάντων στον αποθηκευτικό χώρο, τα οποία ονομάσαμε καθαρά δεδομένα.
Τώρα ήταν δυνατό να διατηρηθεί η συνάφεια προσθέτοντας κανόνες για την επεξεργασία ενός συμβάντος ή ακόμη και ομάδων παρόμοιων συμβάντων. Για παράδειγμα, από τότε δεν έχουμε ενημερώσει ποτέ την αποσυσκευασία URL. Ωστόσο, κατά τη διάρκεια αυτής της περιόδου έχουν προστεθεί αρκετές νέες παραλλαγές URL. Συμμορφώνονται με τους κανόνες που έχουν ήδη καθοριστεί στην υπηρεσία και υφίστανται σωστή επεξεργασία.
Απογοήτευση #3
Μόλις αρχίσαμε να αναλύουμε, καταλάβαμε γιατί το γράφημα ήταν τόσο συνεκτικό. Το γεγονός είναι ότι σχεδόν κάθε N-gram περιείχε μεταβάσεις που δεν μπορούσαν να πραγματοποιηθούν μέσω της διεπαφής.
Μια μικρή έρευνα ξεκίνησε. Ήμουν μπερδεμένος ότι δεν υπήρχαν αδύνατες μεταβάσεις μέσα σε μια οντότητα. Αυτό σημαίνει ότι δεν πρόκειται για σφάλμα στο σύστημα συλλογής συμβάντων ή στην υπηρεσία ETL. Υπήρχε η αίσθηση ότι ο χρήστης εργαζόταν ταυτόχρονα σε πολλές οντότητες, χωρίς να μετακινείται από τη μία στην άλλη. Πώς να το πετύχετε αυτό; Χρήση διαφορετικών καρτελών στο πρόγραμμα περιήγησης.
Κατά την ανάλυση του Cartbee, μας έσωσε η ιδιαιτερότητά του. Η εφαρμογή χρησιμοποιήθηκε από κινητές συσκευές, όπου η εργασία από πολλές καρτέλες είναι απλά άβολη. Εδώ έχουμε έναν επιτραπέζιο υπολογιστή και ενώ εκτελείται μια εργασία σε μια οντότητα, είναι λογικό να θέλετε να αφιερώσετε αυτόν τον χρόνο ρυθμίζοντας ή παρακολουθώντας την κατάσταση σε μια άλλη. Και για να μην χάσετε την πρόοδο, απλώς ανοίξτε μια άλλη καρτέλα.
Έμπνευση #3
Οι συνάδελφοι από την ανάπτυξη του front-end δίδαξαν στο σύστημα συλλογής συμβάντων να διακρίνει τις καρτέλες. Η ανάλυση θα μπορούσε να ξεκινήσει. Και ξεκινήσαμε. Όπως ήταν αναμενόμενο, το CJM δεν ταίριαζε με πραγματικές διαδρομές: οι χρήστες περνούσαν πολύ χρόνο σε σελίδες καταλόγου, εγκαταλειμμένες περιόδους σύνδεσης και καρτέλες στα πιο απροσδόκητα μέρη. Χρησιμοποιώντας την ανάλυση μετάβασης, μπορέσαμε να βρούμε προβλήματα σε ορισμένες εκδόσεις του Mozilla. Σε αυτά, λόγω λειτουργιών υλοποίησης, εξαφανίστηκαν στοιχεία πλοήγησης ή εμφανίστηκαν μισοάδειες σελίδες, στις οποίες θα πρέπει να έχει πρόσβαση μόνο ο διαχειριστής. Η σελίδα άνοιξε, αλλά δεν προήλθε περιεχόμενο από το backend. Η καταμέτρηση των μεταβάσεων κατέστησε δυνατή την αξιολόγηση των χαρακτηριστικών που χρησιμοποιήθηκαν στην πραγματικότητα. Οι αλυσίδες κατέστησαν δυνατή την κατανόηση του τρόπου με τον οποίο ο χρήστης έλαβε αυτό ή εκείνο το σφάλμα. Τα δεδομένα επέτρεψαν τη δοκιμή με βάση τη συμπεριφορά των χρηστών. Ήταν μια επιτυχία, η ιδέα δεν ήταν μάταιη.
Αυτοματοποίηση Analytics
Σε μια από τις επιδείξεις των αποτελεσμάτων, δείξαμε πώς χρησιμοποιείται το Gephi για ανάλυση γραφήματος. Σε αυτό το εργαλείο, τα δεδομένα μετατροπής μπορούν να εμφανίζονται σε έναν πίνακα. Και ο επικεφαλής του τμήματος UX είπε μια πολύ σημαντική σκέψη που επηρέασε την ανάπτυξη ολόκληρης της κατεύθυνσης ανάλυσης συμπεριφοράς στην εταιρεία: "Ας κάνουμε το ίδιο, αλλά στο Tableau και με φίλτρα - θα είναι πιο βολικό."
Τότε σκέφτηκα: γιατί όχι, το Retentioneering αποθηκεύει όλα τα δεδομένα σε μια δομή pandas.DataFrame. Και αυτό είναι, σε γενικές γραμμές, ένα τραπέζι. Κάπως έτσι εμφανίστηκε μια άλλη υπηρεσία: Data Provider. Όχι μόνο έφτιαξε έναν πίνακα από το γράφημα, αλλά υπολόγισε επίσης πόσο δημοφιλής είναι η σελίδα και η λειτουργικότητα που σχετίζεται με αυτήν, πώς επηρεάζει τη διατήρηση των χρηστών, πόσο καιρό παραμένουν οι χρήστες σε αυτό και ποιες σελίδες εγκαταλείπουν συχνότερα οι χρήστες. Και η χρήση της οπτικοποίησης στο Tableau μείωσε το κόστος της μελέτης του γραφήματος τόσο πολύ που ο χρόνος επανάληψης για την ανάλυση συμπεριφοράς στο προϊόν μειώθηκε σχεδόν στο μισό.
Ο Danil θα μιλήσει για το πώς χρησιμοποιείται αυτή η οπτικοποίηση και ποια συμπεράσματα επιτρέπει να εξαχθούν.
Περισσότερα τραπέζια για τον επιτραπέζιο θεό!
Σε απλοποιημένη μορφή, η εργασία διατυπώθηκε ως εξής: εμφανίστε το γράφημα μετάβασης στο Tableau, παρέχετε τη δυνατότητα φιλτραρίσματος και κάντε το όσο το δυνατόν πιο σαφές και βολικό.
Δεν ήθελα πραγματικά να σχεδιάσω ένα κατευθυνόμενο γράφημα στο Tableau. Και ακόμη κι αν ήταν επιτυχημένο, το κέρδος, σε σύγκριση με το Gephi, δεν φαινόταν προφανές. Χρειαζόμασταν κάτι πολύ πιο απλό και πιο προσιτό. Τραπέζι! Εξάλλου, το γράφημα μπορεί εύκολα να αναπαρασταθεί με τη μορφή σειρών πίνακα, όπου κάθε σειρά είναι μια άκρη του τύπου «πηγή-προορισμός». Επιπλέον, έχουμε ήδη προετοιμάσει προσεκτικά έναν τέτοιο πίνακα χρησιμοποιώντας τα εργαλεία Retentioneering και Data Provider. Το μόνο που έμεινε να κάνουμε ήταν να εμφανιστεί ο πίνακας στο Tableau και να ψαχουλέψουμε την αναφορά.
Μιλώντας για το πώς όλοι αγαπούν τα τραπέζια.
Ωστόσο, εδώ βρισκόμαστε αντιμέτωποι με ένα άλλο πρόβλημα. Τι να κάνετε με την πηγή δεδομένων; Ήταν αδύνατο να συνδεθούν τα pandas.DataFrame· το Tableau δεν έχει τέτοιο σύνδεσμο. Η δημιουργία ξεχωριστής βάσης για την αποθήκευση του γραφήματος φαινόταν πολύ ριζική λύση με ασαφείς προοπτικές. Και οι τοπικές επιλογές εκφόρτωσης δεν ήταν κατάλληλες λόγω της ανάγκης για συνεχείς χειροκίνητες λειτουργίες. Εξετάσαμε τη λίστα των διαθέσιμων συνδέσμων και το βλέμμα μας έπεσε στο αντικείμενο , που στριμώχνονταν ανήσυχα στον πάτο.
Το Tableau διαθέτει μια πλούσια συλλογή υποδοχών. Βρήκαμε ένα που έλυσε το πρόβλημά μας
Τι είδους ζώο; Μερικές νέες ανοιχτές καρτέλες στο πρόγραμμα περιήγησης - και έγινε σαφές ότι αυτή η σύνδεση σάς επιτρέπει να λαμβάνετε δεδομένα κατά την πρόσβαση σε μια διεύθυνση URL. Το backend για τον υπολογισμό των δεδομένων ήταν σχεδόν έτοιμο, το μόνο που έμεινε ήταν να γίνει φίλος με το WDC. Για αρκετές ημέρες ο Ντένις μελέτησε την τεκμηρίωση και πάλεψε με τους μηχανισμούς Tableau και μετά μου έστειλε έναν σύνδεσμο που επικόλλησα στο παράθυρο σύνδεσης.
Φόρμα σύνδεσης με το WDC μας. Ο Ντένις έκανε το μπροστινό του μέρος και φρόντισε για την ασφάλεια
Μετά από μερικά λεπτά αναμονής (τα δεδομένα υπολογίζονται δυναμικά όταν ζητηθούν), εμφανίστηκε ο πίνακας:
Έτσι φαίνεται ένας πίνακας ακατέργαστων δεδομένων στη διεπαφή Tableau
Όπως υποσχέθηκε, κάθε γραμμή ενός τέτοιου πίνακα αντιπροσώπευε μια άκρη του γραφήματος, δηλαδή μια κατευθυνόμενη μετάβαση του χρήστη. Περιείχε επίσης πολλά πρόσθετα χαρακτηριστικά. Για παράδειγμα, ο αριθμός των μοναδικών χρηστών, ο συνολικός αριθμός μεταβάσεων και άλλα.
Θα ήταν δυνατό να εμφανιστεί αυτός ο πίνακας στην αναφορά ως έχει, να πασπαλίσουμε γενναιόδωρα φίλτρα και να στείλουμε το εργαλείο ιστιοπλοΐα. Λογικό ακούγεται. Τι μπορείτε να κάνετε με το τραπέζι; Αλλά δεν είναι αυτός ο τρόπος μας, γιατί δεν κάνουμε απλώς έναν πίνακα, αλλά ένα εργαλείο ανάλυσης και λήψης αποφάσεων για το προϊόν.
Συνήθως, κατά την ανάλυση δεδομένων, ένα άτομο θέλει να λάβει απαντήσεις σε ερωτήσεις. Εξαιρετική. Ας ξεκινήσουμε με αυτούς.
- Ποιες είναι οι πιο συχνές μεταβάσεις;
- Πού πηγαίνουν από συγκεκριμένες σελίδες;
- Πόσο χρόνο ξοδεύετε κατά μέσο όρο σε αυτήν τη σελίδα πριν φύγετε;
- Πόσο συχνά κάνετε τη μετάβαση από το Α στο Β;
- Σε ποιες σελίδες τελειώνει η συνεδρία;
Κάθε μία από τις αναφορές ή ένας συνδυασμός τους θα πρέπει να επιτρέπει στον χρήστη να βρίσκει ανεξάρτητα απαντήσεις σε αυτές τις ερωτήσεις. Η βασική στρατηγική εδώ είναι να σας δώσουμε τα εργαλεία για να το κάνετε μόνοι σας. Αυτό είναι χρήσιμο τόσο για τη μείωση του φόρτου στο τμήμα αναλυτικών στοιχείων όσο και για τη μείωση του χρόνου λήψης αποφάσεων - τελικά, δεν χρειάζεται πλέον να πηγαίνετε στο Youtrack και να δημιουργήσετε μια εργασία για τον αναλυτή, απλά πρέπει να ανοίξετε την αναφορά.
Τι πήραμε;
Πού αποκλίνουν συχνότερα οι άνθρωποι από τον πίνακα ελέγχου;
Απόσπασμα της έκθεσής μας. Μετά το ταμπλό, όλοι πήγαν είτε στη λίστα των VM είτε στη λίστα των κόμβων
Ας πάρουμε έναν γενικό πίνακα με μεταβάσεις και φιλτράρισμα ανά σελίδα πηγής. Τις περισσότερες φορές, πηγαίνουν από τον πίνακα εργαλείων στη λίστα των εικονικών μηχανών. Επιπλέον, η στήλη Regularity υποδηλώνει ότι πρόκειται για επαναλαμβανόμενη ενέργεια.
Από πού προέρχονται στη λίστα των συστάδων;
Τα φίλτρα στις αναφορές λειτουργούν και προς τις δύο κατευθύνσεις: μπορείτε να μάθετε πού φύγατε ή πού πήγατε
Από τα παραδείγματα είναι σαφές ότι ακόμη και η παρουσία δύο απλών φίλτρων και η κατάταξη σειρών κατά τιμές σάς επιτρέπει να λαμβάνετε γρήγορα πληροφορίες.
Ας ρωτήσουμε κάτι πιο δύσκολο.
Πού εγκαταλείπουν συχνότερα οι χρήστες τη συνεδρία τους;
Οι χρήστες VMmanager συχνά εργάζονται σε ξεχωριστές καρτέλες
Για να γίνει αυτό, χρειαζόμαστε μια αναφορά της οποίας τα δεδομένα συγκεντρώνονται από πηγές παραπομπής. Και τα λεγόμενα breakepoints ελήφθησαν ως αναθέσεις - γεγονότα που χρησίμευσαν ως το τέλος της αλυσίδας των μεταβάσεων.
Είναι σημαντικό να σημειωθεί εδώ ότι αυτό μπορεί να είναι είτε το τέλος της συνεδρίας είτε το άνοιγμα μιας νέας καρτέλας. Το παράδειγμα δείχνει ότι η αλυσίδα καταλήγει πιο συχνά σε έναν πίνακα με μια λίστα εικονικών μηχανών. Σε αυτήν την περίπτωση, η χαρακτηριστική συμπεριφορά μεταβαίνει σε άλλη καρτέλα, η οποία είναι σύμφωνη με το αναμενόμενο μοτίβο.
Πρώτα απ 'όλα δοκιμάσαμε τη χρησιμότητα αυτών των αναφορών στους εαυτούς μας όταν κάναμε την ανάλυση με παρόμοιο τρόπο , άλλο ένα από τα προϊόντα μας. Με την εμφάνιση των πινάκων και των φίλτρων, οι υποθέσεις δοκιμάστηκαν πιο γρήγορα και τα μάτια ήταν λιγότερο κουρασμένα.
Κατά την ανάπτυξη αναφορών, δεν ξεχάσαμε τον οπτικό σχεδιασμό. Όταν εργάζεστε με τραπέζια αυτού του μεγέθους, αυτός είναι ένας σημαντικός παράγοντας. Για παράδειγμα, χρησιμοποιήσαμε μια ήρεμη γκάμα χρωμάτων, εύκολα αντιληπτά για αριθμούς, χρωματική επισήμανση γραμμών σύμφωνα με τις αριθμητικές τιμές των χαρακτηριστικών. Τέτοιες λεπτομέρειες βελτιώνουν την εμπειρία του χρήστη και αυξάνουν την πιθανότητα το εργαλείο να απογειωθεί με επιτυχία εντός της εταιρείας.
Ο πίνακας αποδείχθηκε αρκετά ογκώδης, αλλά ελπίζουμε να μην έχει πάψει να είναι ευανάγνωστος
Αξίζει να αναφέρουμε ξεχωριστά την εκπαίδευση των εσωτερικών πελατών μας: ειδικών προϊόντων και σχεδιαστών UX. Εγχειρίδια με παραδείγματα ανάλυσης και συμβουλές για την εργασία με φίλτρα ετοιμάστηκαν ειδικά για αυτούς. Εισαγάγαμε συνδέσμους σε εγχειρίδια απευθείας στις σελίδες αναφορών.
Φτιάξαμε το εγχειρίδιο απλώς ως παρουσίαση στα Έγγραφα Google. Τα εργαλεία πίνακα σάς επιτρέπουν να εμφανίζετε ιστοσελίδες απευθείας μέσα σε ένα βιβλίο εργασίας αναφοράς.
Αντί επιλόγου
Τι είναι στην ουσία; Μπορέσαμε να πάρουμε ένα εργαλείο για κάθε μέρα σχετικά γρήγορα και φθηνά. Ναι, αυτό σίγουρα δεν αντικαθιστά το ίδιο το γράφημα, τον χάρτη θερμότητας των κλικ ή το πρόγραμμα προβολής ιστού. Ωστόσο, τέτοιες αναφορές συμπληρώνουν σημαντικά τα αναφερόμενα εργαλεία και παρέχουν τροφή για σκέψη και νέες υποθέσεις προϊόντων και διεπαφής.
Αυτή η ιστορία χρησίμευσε μόνο ως η αρχή για την ανάπτυξη των αναλυτικών στοιχείων στο σύστημα ISP. Τους τελευταίους έξι μήνες, εμφανίστηκαν άλλες επτά νέες υπηρεσίες, συμπεριλαμβανομένων ψηφιακών πορτρέτων του χρήστη στο προϊόν και μια υπηρεσία για τη δημιουργία βάσεων δεδομένων για στόχευση ομοειδούς εμφάνισης, αλλά θα μιλήσουμε για αυτές στα επόμενα επεισόδια.
Πηγή: www.habr.com