જાળવણી: અમે Python અને Pandas માં પ્રોડક્ટ એનાલિટિક્સ માટે ઓપન-સોર્સ ટૂલ્સ કેવી રીતે લખ્યા

હેલો, હેબ્ર. આ લેખ એપ્લીકેશન અથવા વેબસાઈટમાં યુઝર મૂવમેન્ટ ટ્રેજેક્ટરીઝ પર પ્રક્રિયા કરવા માટેની પદ્ધતિઓ અને સાધનોના સમૂહના વિકાસના ચાર વર્ષના પરિણામોને સમર્પિત છે. વિકાસના લેખક - મેક્સિમ ગોડઝી, જે ઉત્પાદન સર્જકોની ટીમનું નેતૃત્વ કરે છે અને લેખના લેખક પણ છે. ઉત્પાદનને જ રીટેંશનિયરિંગ કહેવામાં આવતું હતું; તેને હવે ઓપન-સોર્સ લાઇબ્રેરીમાં રૂપાંતરિત કરવામાં આવ્યું છે અને ગીથબ પર પોસ્ટ કરવામાં આવ્યું છે જેથી કોઈપણ તેનો ઉપયોગ કરી શકે. આ બધું ઉત્પાદન અને માર્કેટિંગ વિશ્લેષણ, પ્રમોશન અને ઉત્પાદન વિકાસ સાથે સંકળાયેલા લોકો માટે રસ હોઈ શકે છે. માર્ગ દ્વારા, Habré પર રીટેંશનિયરિંગ સાથે કામ કરવાના એક કેસ વિશે એક લેખ પહેલેથી જ પ્રકાશિત કરવામાં આવ્યો છે. નવી સામગ્રી સમજાવે છે કે ઉત્પાદન શું કરી શકે છે અને તેનો ઉપયોગ કેવી રીતે કરી શકાય છે.

લેખ વાંચ્યા પછી, તમે તમારી પોતાની રીટેન્શનિયરિંગ લખવા માટે સક્ષમ હશો; એપ્લિકેશનમાં અને તેનાથી આગળના વપરાશકર્તા માર્ગો પર પ્રક્રિયા કરવા માટે તે કોઈપણ પ્રમાણિત પદ્ધતિ હોઈ શકે છે, જે તમને વર્તનની લાક્ષણિકતાઓને વિગતવાર જોવાની મંજૂરી આપે છે અને વૃદ્ધિ માટે આમાંથી આંતરદૃષ્ટિ મેળવી શકે છે. બિઝનેસ મેટ્રિક્સ.

રીટેંશનિયરિંગ શું છે અને તેની શા માટે જરૂર છે?

અમારો પ્રારંભિક ધ્યેય ગ્રોથ હેકિંગને "ડિજિટલ મેલીવિદ્યા" ની દુનિયામાંથી નંબરો, એનાલિટિક્સ અને આગાહીઓની દુનિયામાં ખસેડવાનો હતો. પરિણામે, જેઓ વિચિત્ર વાર્તાઓને બદલે સંખ્યાઓ પસંદ કરે છે તેમના માટે ઉત્પાદન એનાલિટિક્સ શુદ્ધ ગણિત અને પ્રોગ્રામિંગમાં ઘટાડી દેવામાં આવે છે, અને "રિબ્રાન્ડિંગ", "રિપોઝિશનિંગ", વગેરે જેવા બઝવર્ડ્સના સૂત્રો, જે સરસ લાગે છે, પરંતુ વ્યવહારમાં થોડી મદદ કરે છે.

આ સમસ્યાઓને ઉકેલવા માટે, અમને ગ્રાફ અને ટ્રેજેકટ્રીઝ દ્વારા એનાલિટિક્સ માટે ફ્રેમવર્કની જરૂર હતી, અને તે જ સમયે એક લાઇબ્રેરી કે જે સામાન્ય વિશ્લેષક દિનચર્યાઓને સરળ બનાવે છે, નિયમિત ઉત્પાદન વિશ્લેષણ કાર્યોનું વર્ણન કરવાની રીત તરીકે જે લોકો અને રોબોટ્સ બંને માટે સમજી શકાય. લાઇબ્રેરી વપરાશકર્તાની વર્તણૂકનું વર્ણન કરવાની અને તેને પ્રોડક્ટ બિઝનેસ મેટ્રિક્સ સાથે એવી ઔપચારિક અને સ્પષ્ટ ભાષામાં લિંક કરવાની ક્ષમતા પૂરી પાડે છે કે તે વિકાસકર્તાઓ અને વિશ્લેષકોના નિયમિત કાર્યોને સરળ અને સ્વચાલિત કરે છે અને વ્યવસાય સાથેના તેમના સંચારને સરળ બનાવે છે.

રીટેંશનિયરિંગ એ એક પદ્ધતિ અને વિશ્લેષણાત્મક સોફ્ટવેર ટૂલ્સ છે જેને કોઈપણ ડિજિટલ (અને માત્ર નહીં) ઉત્પાદનમાં અનુકૂલિત અને સંકલિત કરી શકાય છે.

અમે 2015 માં ઉત્પાદન પર કામ કરવાનું શરૂ કર્યું. હવે આ એક તૈયાર છે, જો કે હજુ સુધી આદર્શ નથી, ડેટા સાથે કામ કરવા માટે પાયથોન અને પાંડામાં ટૂલ્સનો સેટ, sklearn-જેવા api સાથે મશીન લર્નિંગ મૉડલ્સ, મશીન લર્નિંગ મૉડલ્સ eli5 અને shapનાં પરિણામોનું અર્થઘટન કરવા માટેનાં સાધનો.

તે બધું વીંટાળેલું છે ઓપન ગીથબ રિપોઝીટરીમાં અનુકૂળ ઓપન-સોર્સ લાઇબ્રેરી માટે - રીટેન્શનિયરિંગ-ટૂલ્સ. લાઇબ્રેરીનો ઉપયોગ કરવો મુશ્કેલ નથી; લગભગ કોઈ પણ વ્યક્તિ કે જેને પ્રોડક્ટ એનાલિટિક્સ પસંદ છે, પરંતુ તેણે પહેલાં કોડ લખ્યો નથી, તેઓ સ્વતંત્ર રીતે અને નોંધપાત્ર સમયના રોકાણ વિના અમારી વિશ્લેષણ પદ્ધતિઓ તેમના ડેટા પર લાગુ કરી શકે છે.

ઠીક છે, પ્રોગ્રામર, એપ્લિકેશન નિર્માતા, અથવા વિકાસ અથવા પરીક્ષણ ટીમના સભ્ય કે જેમણે અગાઉ ક્યારેય વિશ્લેષણ કર્યું નથી તેઓ આ કોડ સાથે રમવાનું શરૂ કરી શકે છે અને બહારની મદદ વિના તેમની એપ્લિકેશનના ઉપયોગની પેટર્ન જોઈ શકે છે.

તેની પ્રક્રિયા માટે વિશ્લેષણ અને પદ્ધતિઓના મૂળભૂત તત્વ તરીકે વપરાશકર્તા માર્ગ

વપરાશકર્તા માર્ગ એ ચોક્કસ સમય બિંદુઓ પર વપરાશકર્તાની સ્થિતિઓનો ક્રમ છે. વધુમાં, ઇવેન્ટ્સ વિવિધ ડેટા સ્ત્રોતોમાંથી આવી શકે છે, ઑનલાઇન અને ઑફલાઇન બંને. વપરાશકર્તા સાથે બનેલી ઘટનાઓ તેના માર્ગનો ભાગ છે. ઉદાહરણો:
• બટન દબાવ્યું
• ચિત્ર જોયું
• સ્ક્રીનને હિટ કરો
• એક ઈમેલ મળ્યો
• મિત્રને ઉત્પાદનની ભલામણ કરી
• ફોર્મ ભર્યું
• સ્ક્રીનને ટેપ કરો
• સ્ક્રોલ કરેલ
• રોકડ રજીસ્ટરમાં ગયા
• એક burrito આદેશ આપ્યો
• એક બ્યુરિટો ખાધું
• બ્યુરીટો ખાવાથી ઝેર થઈ ગયું
• પાછળના પ્રવેશદ્વારથી કાફેમાં પ્રવેશ કર્યો
• આગળના પ્રવેશદ્વારથી પ્રવેશ કર્યો
• એપ્લિકેશનને ઓછી કરી
• પુશ સૂચના પ્રાપ્ત થઈ
• X કરતાં લાંબા સમય સુધી સ્ક્રીન પર અટકી હતી
• ઓર્ડર માટે ચૂકવણી
• ઓર્ડર ખરીદ્યો
• લોન આપવાનો ઇનકાર કરવામાં આવ્યો હતો

જો તમે વપરાશકર્તાઓના જૂથનો ટ્રેજેક્ટરી ડેટા લો અને અભ્યાસ કરો કે સંક્રમણો કેવી રીતે સંરચિત છે, તો તમે બરાબર શોધી શકો છો કે એપ્લિકેશનમાં તેમની વર્તણૂક કેવી રીતે સંરચિત છે. આ ગ્રાફ દ્વારા કરવું અનુકૂળ છે જેમાં રાજ્યો નોડ્સ છે, અને રાજ્યો વચ્ચેના સંક્રમણો એજ છે:

"ટ્રેજેક્ટરી" એ ખૂબ જ અનુકૂળ ખ્યાલ છે - તેમાં આ ક્રિયાઓના વર્ણનમાં કોઈપણ વધારાનો ડેટા ઉમેરવાની ક્ષમતા સાથે, બધી વપરાશકર્તા ક્રિયાઓ વિશે વિગતવાર માહિતી શામેલ છે. આ તેને સાર્વત્રિક પદાર્થ બનાવે છે. જો તમારી પાસે સુંદર અને અનુકૂળ સાધનો છે જે તમને બોલ સાથે કામ કરવાની મંજૂરી આપે છે, તો પછી તમે સમાનતા શોધી શકો છો અને તેમને વિભાજિત કરી શકો છો.

ટ્રેજેક્ટરી સેગમેન્ટેશન શરૂઆતમાં ખૂબ જ જટિલ લાગે છે. સામાન્ય પરિસ્થિતિમાં, આ કેસ છે - તમારે કનેક્ટિવિટી મેટ્રિક્સ સરખામણી અથવા ક્રમ ગોઠવણીનો ઉપયોગ કરવાની જરૂર છે. અમે એક સરળ રસ્તો શોધવામાં વ્યવસ્થાપિત છીએ - મોટી સંખ્યામાં ટ્રેજેકટ્રીનો અભ્યાસ કરવા અને ક્લસ્ટરિંગ દ્વારા તેમને વિભાજિત કરવા.

જેમ જેમ તે બહાર આવ્યું છે, સતત રજૂઆતોનો ઉપયોગ કરીને માર્ગને બિંદુમાં ફેરવવાનું શક્ય છે, ઉદાહરણ તરીકે, TF-IDF. રૂપાંતર પછી, માર્ગ અવકાશમાં એક બિંદુ બની જાય છે જ્યાં વિવિધ ઘટનાઓ અને તેમની વચ્ચેના સંક્રમણોની સામાન્ય ઘટના અક્ષો સાથે રચાય છે. વિશાળ હજાર અથવા વધુ પરિમાણીય અવકાશમાંથી આ વસ્તુ (dimS=sum(ઇવેન્ટ પ્રકારો)+sum(ngrams_2 type)) નો ઉપયોગ કરીને પ્લેન પર પ્રક્ષેપણ કરી શકાય છે. TSNE. TSNE એ એક પરિવર્તન છે જે જગ્યાના પરિમાણને 2 અક્ષ સુધી ઘટાડે છે અને જો શક્ય હોય તો, બિંદુઓ વચ્ચેના સંબંધિત અંતરને સાચવે છે. તદનુસાર, સપાટ નકશા પર, માર્ગના અલંકારિક પ્રક્ષેપણ નકશા પર, વિવિધ માર્ગના બિંદુઓ એકબીજામાં કેવી રીતે સ્થિત હતા તેનો અભ્યાસ કરવો શક્ય બને છે. તે પૃથ્થકરણ કરે છે કે તેઓ એકબીજાથી કેટલા નજીક કે અલગ હતા, પછી ભલે તેઓ ક્લસ્ટરો બનાવતા હોય અથવા સમગ્ર નકશામાં વિખરાયેલા હોય વગેરે.

રીટેંશનિયરિંગ એનાલિટિક્સ ટૂલ્સ જટિલ ડેટા અને ટ્રેજેક્ટરીઝને એક દૃશ્યમાં ફેરવવાની ક્ષમતા પ્રદાન કરે છે જેની એકબીજા સાથે તુલના કરી શકાય છે, અને પછી પરિવર્તનના પરિણામની તપાસ અને અર્થઘટન કરી શકાય છે.

ટ્રેજેક્ટરીઝ પર પ્રક્રિયા કરવા માટેની માનક પદ્ધતિઓ વિશે બોલતા, અમારો મતલબ છે કે અમે રીટેન્શનિયરિંગમાં અમલમાં મૂકેલા ત્રણ મુખ્ય સાધનો - ગ્રાફ, સ્ટેપ મેટ્રિસિસ અને ટ્રેજેક્ટરી પ્રોજેક્શન નકશા.

Google Analytics, Firebase અને સમાન એનાલિટિક્સ સિસ્ટમ્સ સાથે કામ કરવું ખૂબ જટિલ છે અને 100% અસરકારક નથી. સમસ્યા એ વપરાશકર્તા માટે સંખ્યાબંધ પ્રતિબંધો છે, જેના પરિણામે આવી સિસ્ટમ્સમાં વિશ્લેષકનું કાર્ય માઉસ ક્લિક્સ અને સ્લાઇસેસની પસંદગી પર આધારિત છે. જાળવી રાખવાથી વપરાશકર્તાના માર્ગો સાથે કામ કરવાનું શક્ય બને છે, અને માત્ર ફનલ સાથે જ નહીં, જેમ કે Google Analytics માં, જ્યાં ચોક્કસ સેગમેન્ટ માટે બાંધવામાં આવ્યું હોવા છતાં, વિગતોનું સ્તર ઘણીવાર ફનલમાં ઘટાડી દેવામાં આવે છે.

જાળવણી અને કેસો

વિકસિત સાધનનો ઉપયોગ કરવાના ઉદાહરણ તરીકે, અમે રશિયામાં મોટી વિશિષ્ટ સેવાનો કેસ ટાંકી શકીએ છીએ. આ કંપની પાસે એન્ડ્રોઇડ મોબાઇલ એપ્લિકેશન છે જે ગ્રાહકોમાં લોકપ્રિય છે. મોબાઇલ એપ્લિકેશનનું વાર્ષિક ટર્નઓવર લગભગ 7 મિલિયન રુબેલ્સ હતું, મોસમી વધઘટ 60-130 હજાર સુધીની હતી. તે જ કંપની પાસે iOS માટે એપ્લિકેશન પણ છે, અને Apple એપ્લિકેશનના વપરાશકર્તાનું સરેરાશ બિલ સરેરાશ બિલ કરતાં વધારે હતું. એન્ડ્રોઇડ એપ્લિકેશનનો ઉપયોગ કરનાર ક્લાયંટ - 1080 ઘસવું. વિરુદ્ધ 1300 ઘસવું.

કંપનીએ એન્ડ્રોઇડ એપ્લિકેશનની કાર્યક્ષમતા વધારવાનું નક્કી કર્યું, જેના માટે તેણે સંપૂર્ણ વિશ્લેષણ કર્યું. એપ્લિકેશનની અસરકારકતા વધારવા વિશે કેટલાક ડઝન પૂર્વધારણાઓ બનાવવામાં આવી હતી. Retentionneering નો ઉપયોગ કર્યા પછી, તે બહાર આવ્યું કે સમસ્યા નવા વપરાશકર્તાઓને બતાવવામાં આવતા સંદેશાઓમાં હતી. તેઓએ બ્રાન્ડ, કંપનીના ફાયદા અને કિંમતો વિશે માહિતી મેળવી. પરંતુ, તે બહાર આવ્યું તેમ, સંદેશાઓ વપરાશકર્તાને એપ્લિકેશનમાં કેવી રીતે કાર્ય કરવું તે શીખવામાં મદદ કરશે તેવું માનવામાં આવતું હતું.

આ કરવામાં આવ્યું હતું, જેના પરિણામે એપ્લિકેશન ઓછી અનઇન્સ્ટોલ થઈ હતી, અને ઓર્ડરમાં રૂપાંતરણમાં વધારો 23% હતો. શરૂઆતમાં, ઇનકમિંગ ટ્રાફિકના 20 ટકા પરીક્ષણને આપવામાં આવ્યું હતું, પરંતુ થોડા દિવસો પછી, પ્રથમ પરિણામોનું વિશ્લેષણ કર્યા પછી અને વલણનું મૂલ્યાંકન કર્યા પછી, તેઓએ પ્રમાણને ઉલટાવી દીધું અને તેનાથી વિપરીત, નિયંત્રણ જૂથ માટે 20 ટકા છોડી દીધું, અને એંસી ટકા પરીક્ષામાં મૂકવામાં આવ્યા હતા. એક અઠવાડિયા પછી, અનુક્રમે વધુ બે પૂર્વધારણાઓનું પરીક્ષણ ઉમેરવાનું નક્કી કરવામાં આવ્યું. માત્ર સાત સપ્તાહમાં એન્ડ્રોઇડ એપ્લિકેશનનું ટર્નઓવર અગાઉના સ્તરની સરખામણીમાં દોઢ ગણું વધ્યું છે.

રીટેંશનિયરિંગ સાથે કેવી રીતે કામ કરવું?

પ્રથમ પગલાં એકદમ સરળ છે - pip install retentioneering આદેશ સાથે લાઇબ્રેરી ડાઉનલોડ કરો. રિપોઝીટરીમાં જ કેટલાક પ્રોડક્ટ એનાલિટિક્સ કાર્યો માટે તૈયાર ઉદાહરણો અને ડેટા પ્રોસેસિંગના કેસો છે. સેટને સતત અપડેટ કરવામાં આવે છે જ્યાં સુધી તે પ્રથમ પરિચિત માટે પૂરતું નથી. કોઈપણ તૈયાર મોડ્યુલ લઈ શકે છે અને તેમને તેમના કાર્યોમાં તરત જ લાગુ કરી શકે છે - આ તેમને વધુ વિગતવાર વિશ્લેષણ અને શક્ય તેટલી ઝડપથી અને અસરકારક રીતે વપરાશકર્તા માર્ગના ઑપ્ટિમાઇઝેશનની પ્રક્રિયાને તરત જ સેટ કરવાની મંજૂરી આપે છે. આ બધું સ્પષ્ટ કોડ દ્વારા એપ્લિકેશન વપરાશ પેટર્ન શોધવાનું અને સહકર્મીઓ સાથે આ અનુભવ શેર કરવાનું શક્ય બનાવે છે.

રીટેંશનિયરિંગ એ તમારી એપ્લિકેશનના સમગ્ર જીવન દરમિયાન ઉપયોગ કરવા યોગ્ય સાધન છે અને અહીં શા માટે છે:

• વપરાશકર્તાના માર્ગને ટ્રેક કરવા અને સતત ઑપ્ટિમાઇઝ કરવા અને વ્યવસાય પ્રદર્શનને સુધારવા માટે રીટેન્શનિયરિંગ અસરકારક છે. આમ, ઈકોમર્સ એપ્લીકેશનમાં ઘણી વખત નવી સુવિધાઓ ઉમેરવામાં આવે છે, જેની અસર ઉત્પાદન પર હંમેશા સાચી રીતે અનુમાન કરી શકાતી નથી. કેટલાક કિસ્સાઓમાં, નવા અને જૂના કાર્યો વચ્ચે સુસંગતતા સમસ્યાઓ ઊભી થાય છે - ઉદાહરણ તરીકે, નવા અસ્તિત્વમાં રહેલા કાર્યોને "આદમખોર" કરે છે. અને આ પરિસ્થિતિમાં, માર્ગના સતત વિશ્લેષણની જરૂર છે.
• જાહેરાત ચેનલો સાથે કામ કરતી વખતે પરિસ્થિતિ સમાન છે: નવા ટ્રાફિક સ્ત્રોતો અને જાહેરાત સર્જનાત્મક સતત પરીક્ષણ કરવામાં આવે છે, મોસમ, વલણો અને અન્ય ઇવેન્ટ્સના પ્રભાવનું નિરીક્ષણ કરવું જરૂરી છે, જે સમસ્યાઓના વધુ અને વધુ નવા વર્ગોના ઉદભવ તરફ દોરી જાય છે. આ માટે વપરાશકર્તા મિકેનિક્સનું સતત નિરીક્ષણ અને અર્થઘટન પણ જરૂરી છે.
• ત્યાં ઘણા બધા પરિબળો છે જે એપ્લિકેશનના પ્રદર્શનને સતત અસર કરે છે. ઉદાહરણ તરીકે, વિકાસકર્તાઓ તરફથી નવી રીલીઝ: વર્તમાન સમસ્યાને બંધ કરીને, તેઓ અજાણતાં જૂનાને પરત કરે છે અથવા સંપૂર્ણપણે નવું બનાવે છે. સમય જતાં, નવા પ્રકાશનોની સંખ્યામાં વધારો થાય છે, અને ટ્રૅકિંગ ભૂલોની પ્રક્રિયાને સ્વયંસંચાલિત કરવાની જરૂર છે, જેમાં વપરાશકર્તાના માર્ગોનું વિશ્લેષણ કરીને પણ સામેલ છે.

એકંદરે, જાળવણી એક અસરકારક સાધન છે. પરંતુ સંપૂર્ણતાની કોઈ મર્યાદા નથી - તે સુધારી શકાય છે, વિકસિત થઈ શકે છે અને તેના આધારે નવા કૂલ ઉત્પાદનો બનાવવામાં આવે છે. પ્રોજેક્ટનો સમુદાય જેટલો વધુ સક્રિય હશે, તેટલા વધુ ફોર્ક્સ હશે, અને તેનો ઉપયોગ કરવા માટેના નવા રસપ્રદ વિકલ્પો દેખાશે.

રીટેંશનિયરિંગ ટૂલ્સ વિશે વધુ માહિતી:

• અમારી સાઇટ: retentioneering.com
• મીટઅપ શેડ્યૂલ અને સહભાગિતા માટે નોંધણી
• ટેલિગ્રામમાં ઉત્પાદનો અને વિશ્લેષકોની ચેટ
• મફત GitHub પર રીટેન્શનરીંગ રીપોઝીટરી

સોર્સ: www.habr.com