Sugeng rawuh, Habr. Artikel iki dikhususake kanggo asil patang taun pangembangan seperangkat metode lan alat kanggo ngolah lintasan gerakan pangguna ing aplikasi utawa situs web. Penulis pangembangan - , sing mimpin tim pencipta produk lan uga penulis artikel kasebut. Produk kasebut dhewe diarani Retentioneering; saiki wis diowahi dadi perpustakaan sumber terbuka lan dikirim ing Github supaya sapa wae bisa nggunakake. Kabeh iki bisa dadi kapentingan kanggo wong-wong sing melu analisis produk lan marketing, promosi lan pangembangan produk. Miturut cara, ing Habré . Materi anyar nerangake apa sing bisa ditindakake produk lan carane bisa digunakake.
Sawise maca artikel kasebut, sampeyan dhewe bakal bisa nulis Retentioneering dhewe; bisa dadi cara standar kanggo ngolah lintasan pangguna ing aplikasi lan liya-liyane, supaya sampeyan bisa ndeleng kanthi rinci karakteristik prilaku lan ngekstrak wawasan saka iki kanggo tuwuh. saka metrik bisnis.
Apa Retentioneering lan kenapa dibutuhake?
Tujuan awal kita yaiku kanggo mindhah Growth Hacking saka jagad "sihir digital" menyang jagad nomer, analytics lan ramalan. Akibaté, analytics produk suda kanggo matématika murni lan program kanggo wong-wong sing seneng nomer tinimbang crita Fantastic, lan rumus kanggo buzzwords kaya "rebranding", "repositioning", etc., kang muni apik, nanging ing laku bantuan sethitik.
Kanggo ngatasi masalah kasebut, kita butuh kerangka kanggo analytics liwat grafik lan lintasan, lan ing wektu sing padha perpustakaan sing nyederhanakake rutinitas analis sing khas, minangka cara kanggo njlèntrèhaké tugas analisis produk biasa sing bakal bisa dingerteni wong lan robot. Pustaka nyedhiyakake kemampuan kanggo njlèntrèhaké prilaku pangguna lan nyambungake menyang metrik bisnis produk ing basa formal lan cetha sing nyederhanakake lan ngotomatisasi tugas rutin pangembang lan analis, lan nggampangake komunikasi karo bisnis.
Retentioneering minangka metode lan piranti lunak analitis sing bisa diadaptasi lan digabungake menyang produk digital (lan ora mung).
Kita miwiti nggarap produk ing 2015. Saiki iki minangka piranti siap, sanajan durung becik, ing Python lan Pandas kanggo nggarap data, model pembelajaran mesin kanthi api kaya sklearn, alat kanggo napsirake asil model pembelajaran mesin eli5 lan shap.
Kabeh wis dibungkus . Nggunakake perpustakaan ora angel; meh sapa wae sing seneng analytics produk, nanging durung nulis kode sadurunge, bisa ngetrapake metode analitik kanggo data kanthi mandiri lan tanpa investasi wektu sing signifikan.
Ya, programer, panyipta aplikasi, utawa anggota tim pangembang utawa uji coba sing durung nate nindakake analitik bisa miwiti muter kode iki lan ndeleng pola panggunaan aplikasi kasebut tanpa bantuan saka njaba.
Lintasan pangguna minangka unsur dhasar analisis lan cara pangolahan
Lintasan pangguna minangka urutan status pangguna ing titik wektu tartamtu. Kajaba iku, acara bisa teka saka macem-macem sumber data, online lan offline. Acara sing kedadeyan ing pangguna minangka bagean saka lintasan. Tuladha:
• menet tombol
• weruh gambar
• kenek layar
• nampa email
• dianjurake produk kanggo kanca
• ngisi formulir
• nutul layar
• digulung
• tindak menyang awis
• dhawuh burrito
• mangan burrito
• tak poisoned dening mangan burrito
• mlebu warung saka lawang mburi
• mlebu saka lawang ngarep
• nyilikake aplikasi
• nampa kabar push
• macet ing layar luwih dawa tinimbang X
• mbayar kanggo pesenan
• dituku supaya
• ora gelem utangan
Yen sampeyan njupuk data lintasan saka klompok pangguna lan sinau carane transisi kabentuk, sampeyan bisa nglacak persis carane prilaku ing aplikasi wis kabentuk. Iku trep kanggo nindakake iki liwat grafik ing ngendi negara minangka simpul, lan transisi antarane negara minangka pinggiran:
"Trajektori" minangka konsep sing trep banget - ngemot informasi rinci babagan kabeh tumindak pangguna, kanthi kemampuan kanggo nambah data tambahan kanggo deskripsi tumindak kasebut. Iki ndadekake obyek universal. Yen sampeyan duwe alat sing apik lan trep sing ngidini sampeyan nggarap lintasan, sampeyan bisa nemokake podho lan bagean kasebut.
Segmentasi lintasan bisa uga katon rumit ing wiwitan. Ing kahanan normal, iki kedadeyan - sampeyan kudu nggunakake perbandingan matriks konektivitas utawa keselarasan urutan. Kita bisa nemokake cara sing luwih gampang - kanggo nyinaoni lintasan sing akeh lan dibagi liwat clustering.
Ternyata, bisa ngowahi lintasan dadi titik kanthi nggunakake perwakilan sing terus-terusan, umpamane, . Sawise transformasi, lintasan dadi titik ing papan ing ngendi kedadeyan normal saka macem-macem acara lan transisi antarane wong-wong mau ing lintasan diplot ing sadawane sumbu. Bab iki saka ruang dimensi ewu utawa luwih gedhe (dimS=sum(jinis acara)+sum(jinis ngrams_2)) bisa diproyeksikan menyang bidang nggunakake . TSNE minangka transformasi sing nyuda ukuran spasi dadi 2 sumbu lan, yen bisa, njaga jarak relatif antarane titik. Mulane, bisa uga ing peta datar, peta proyeksi figuratif lintasan, kanggo nyinaoni kepiye titik lintasan sing beda-beda ana ing antarane. Iki nganalisa sepira cedhak utawa beda-beda, manawa nggawe klompok utawa kasebar ing peta, lsp.
Alat analytics retentioneering nyedhiyakake kemampuan kanggo ngowahi data lan lintasan sing rumit dadi tampilan sing bisa dibandhingake karo siji liyane, banjur asil transformasi bisa ditliti lan diinterpretasikake.
Ngomong babagan metode standar kanggo ngolah lintasan, tegese telung alat utama sing wis ditindakake ing Retentioneering - grafik, matriks langkah lan peta proyeksi lintasan.
Nggarap Google Analytics, Firebase lan sistem analytics sing padha cukup rumit lan ora efektif 100%. Masalah iku sawetara watesan kanggo pangguna, minangka asil karya analis ing sistem kasebut gumantung ing klik mouse lan pilihan irisan. Retentioneering ndadekake bisa nggarap lintasan pangguna, lan ora mung karo corong, kaya ing Google Analytics, ing ngendi tingkat detail asring dikurangi dadi corong, sanajan dibangun kanggo segmen tartamtu.
Retentioneering lan kasus
Minangka conto nggunakake alat sing dikembangake, kita bisa nyebutake kasus layanan niche gedhe ing Rusia. Perusahaan iki nduweni aplikasi seluler Android sing populer ing kalangan pelanggan. Omzet taunan saka aplikasi seluler kira-kira 7 yuta rubel, fluktuasi musiman antara 60-130 ewu. Perusahaan sing padha uga duwe aplikasi kanggo iOS, lan tagihan rata-rata pangguna aplikasi Apple luwih dhuwur tinimbang tagihan rata-rata. klien nggunakake aplikasi Android - 1080 rub. mungsuh 1300 rub.
Perusahaan mutusake kanggo nambah efisiensi aplikasi Android, sing ditindakake analisis lengkap. Sawetara hipotesis digawe babagan nambah efektifitas aplikasi kasebut. Sawise nggunakake Retentionneering, ternyata masalah kasebut ana ing pesen sing dituduhake menyang pangguna anyar. Dheweke nampa informasi babagan merek, keuntungan perusahaan lan rega. Nanging, ternyata, pesen kasebut mesthine bisa mbantu pangguna sinau babagan cara kerja ing aplikasi kasebut.
Iki wis rampung, minangka asil saka aplikasi dadi kurang instal, lan Tambah ing konversi kanggo pesenan 23%. Kaping pisanan, 20 persen lalu lintas sing mlebu diwenehake kanggo tes, nanging sawise sawetara dina, sawise nganalisa asil pisanan lan ngevaluasi tren, padha mbalikke proporsi lan, sebaliknya, ninggalake 20 persen kanggo grup kontrol, lan wolung puluh persen diselehake ing test. Seminggu sabanjure, diputusake kanggo nambah uji coba rong hipotesis maneh. Ing mung pitung minggu, turnover saka aplikasi Android mundhak siji setengah kaping dibandhingake karo tingkat sadurunge.
Kepiye cara nggarap Retentioneering?
Langkah pisanan cukup prasaja - download perpustakaan karo pip install printah retentioneering. Repositori kasebut dhewe ngemot conto sing wis siap lan kasus pangolahan data kanggo sawetara tugas analitik produk. Set kasebut terus dianyari nganti cukup kanggo kenalan pisanan. Sapa wae bisa njupuk modul sing wis siap lan langsung ngetrapake tugas kasebut - iki ngidini dheweke langsung nyiyapake proses analisis sing luwih rinci lan optimalisasi lintasan pangguna kanthi cepet lan efisien. Kabeh iki ndadekake bisa nemokake pola panggunaan aplikasi liwat kode sing jelas lan nuduhake pengalaman iki karo kolega.
Retentioneering minangka alat sing bisa digunakake sajrone aplikasi sampeyan, lan iki sebabe:
- Retentioneering efektif kanggo nglacak lan terus ngoptimalake lintasan pangguna lan ningkatake kinerja bisnis. Mangkono, fitur-fitur anyar asring ditambahake ing aplikasi e-dagang, sing pengaruhe ing produk kasebut ora bisa diprediksi kanthi bener. Ing sawetara kasus, ana masalah kompatibilitas antarane fungsi anyar lan lawas - contone, anyar "cannibalize" sing wis ana. Lan ing kahanan iki, analisa pancet lintasan persis apa sing dibutuhake.
- Kahanan kasebut padha nalika nggarap saluran iklan: sumber lalu lintas anyar lan kreatif iklan terus diuji, perlu kanggo ngawasi musiman, tren lan pengaruh acara liyane, sing ndadékaké munculé masalah kelas anyar sing luwih anyar. Iki uga mbutuhake pemantauan terus-terusan lan interpretasi mekanika pangguna.
- Ana sawetara faktor sing terus-terusan mengaruhi kinerja aplikasi. Contone, rilis anyar saka pangembang: nutup masalah saiki, dheweke ora sengaja ngasilake sing lawas utawa nggawe sing anyar. Sajrone wektu, jumlah rilis anyar saya tambah, lan proses nglacak kesalahan kudu otomatis, kalebu kanthi nganalisa lintasan pangguna.
Sakabèhé, Retentioneering minangka alat sing efektif. Nanging ora ana watesan kanggo kesempurnaan - bisa lan kudu ditingkatake, dikembangake, lan produk keren anyar sing dibangun kanthi basis. Komunitas proyek sing luwih aktif, luwih akeh garpu, lan opsi anyar sing menarik kanggo nggunakake bakal katon.
Informasi luwih lengkap babagan alat Retentioneering:
- Situs web kita:
- lan registrasi kanggo partisipasi
- Gratis
Source: www.habr.com