Retaineering: როგორ დავწერეთ ღია კოდის ინსტრუმენტები პროდუქტის ანალიტიკისთვის Python-სა და Pandas-ში

გამარჯობა, ჰაბრ. ეს სტატია ეძღვნება აპლიკაციაში ან ვებსაიტში მომხმარებლის მოძრაობის ტრაექტორიების დამუშავების მეთოდებისა და ინსტრუმენტების ნაკრების შემუშავების ოთხწლიანი შედეგებს. განვითარების ავტორი - მაქსიმ გოძი, რომელიც ხელმძღვანელობს პროდუქტის შემქმნელთა გუნდს და ასევე არის სტატიის ავტორი. თავად პროდუქტს ერქვა Retentioneering; ახლა ის გადაკეთდა ღია წყაროს ბიბლიოთეკაში და გამოქვეყნდა Github-ზე, რათა ყველას შეეძლოს მისი გამოყენება. ეს ყველაფერი შეიძლება იყოს დაინტერესებული მათთვის, ვინც მონაწილეობს პროდუქტისა და მარკეტინგის ანალიზში, პოპულარიზაციასა და პროდუქტის განვითარებაში. სხვათა შორის, ჰაბრეზე Retaineering-თან მუშაობის ერთ-ერთი შემთხვევის შესახებ უკვე გამოქვეყნდა სტატია. ახალი მასალა განმარტავს რისი გაკეთება შეუძლია პროდუქტს და როგორ შეიძლება მისი გამოყენება.

სტატიის წაკითხვის შემდეგ, თქვენ თავად შეძლებთ დაწეროთ თქვენი საკუთარი Retaineering; ეს შეიძლება იყოს ნებისმიერი სტანდარტიზებული მეთოდი მომხმარებლის ტრაექტორიების დასამუშავებლად აპლიკაციაში და მის ფარგლებს გარეთ, რაც საშუალებას მოგცემთ დეტალურად ნახოთ ქცევის მახასიათებლები და ამოიღოთ ინფორმაცია ზრდისთვის. ბიზნეს მეტრიკა.

რა არის შეკავება და რატომ არის საჭირო?

ჩვენი საწყისი მიზანი იყო Growth Hacking-ის გადატანა „ციფრული ჯადოქრობის“ სამყაროდან რიცხვების, ანალიტიკისა და პროგნოზების სამყაროში. შედეგად, პროდუქტის ანალიტიკა დაყვანილია წმინდა მათემატიკამდე და პროგრამირებამდე მათთვის, ვინც უპირატესობას ანიჭებს ციფრებს ფანტასტიკური ისტორიების ნაცვლად, და ფორმულები სიტყვებზე, როგორიცაა „რებრენდინგი“, „რეპოზიცია“ და ა.შ., რომლებიც კარგად ჟღერს, მაგრამ პრაქტიკაში ნაკლებად ეხმარება.

ამ პრობლემების გადასაჭრელად, ჩვენ გვჭირდებოდა ანალიტიკის ჩარჩო გრაფიკებისა და ტრაექტორიების მეშვეობით, და ამავე დროს ბიბლიოთეკა, რომელიც ამარტივებს ანალიტიკოსის ტიპურ რუტინას, როგორც პროდუქტის ანალიტიკის რეგულარული ამოცანების აღწერის საშუალება, რომელიც გასაგები იქნებოდა როგორც ადამიანებისთვის, ასევე რობოტებისთვის. ბიბლიოთეკა იძლევა შესაძლებლობას აღწეროს მომხმარებლის ქცევა და დაუკავშიროს ის პროდუქტის ბიზნეს მეტრიკებს ისე ფორმალურ და მკაფიო ენით, რომ ამარტივებს და ავტომატიზირებს დეველოპერებისა და ანალიტიკოსების რუტინულ ამოცანებს და ხელს უწყობს მათ კომუნიკაციას ბიზნესთან.

Retaineering არის მეთოდი და ანალიტიკური პროგრამული ინსტრუმენტები, რომელთა ადაპტირება და ინტეგრირება შესაძლებელია ნებისმიერ ციფრულ (და არა მხოლოდ) პროდუქტში.

პროდუქტზე მუშაობა 2015 წელს დავიწყეთ. ახლა ეს არის მზა, თუმცა ჯერ არ არის იდეალური, ინსტრუმენტების ნაკრები Python-სა და Pandas-ში მონაცემებით მუშაობისთვის, მანქანური სწავლის მოდელები sklearn-ის მსგავსი api-ით, ინსტრუმენტები მანქანური სწავლის მოდელების შედეგების ინტერპრეტაციისთვის eli5 და shap.

ეს ყველაფერი შეფუთულია მოსახერხებელი ღია ბიბლიოთეკის ღია Github საცავში - retaineering-tools. ბიბლიოთეკის გამოყენება არ არის რთული; თითქმის ყველას, ვისაც უყვარს პროდუქტის ანალიტიკა, მაგრამ აქამდე არ დაუწერია კოდი, შეუძლია გამოიყენოს ჩვენი ანალიტიკური მეთოდები თავის მონაცემებზე დამოუკიდებლად და დროის მნიშვნელოვანი ინვესტიციის გარეშე.

ისე, პროგრამისტს, აპლიკაციის შემქმნელს ან განვითარების ან ტესტირების ჯგუფის წევრს, რომელსაც აქამდე არასდროს გაუკეთებია ანალიტიკა, შეუძლია დაიწყოს თამაში ამ კოდით და ნახოს მათი აპლიკაციის გამოყენების ნიმუშები გარე დახმარების გარეშე.

მომხმარებლის ტრაექტორია, როგორც ანალიზის ძირითადი ელემენტი და მისი დამუშავების მეთოდები

მომხმარებლის ტრაექტორია არის მომხმარებლის მდგომარეობათა თანმიმდევრობა დროის გარკვეულ მომენტებში. უფრო მეტიც, მოვლენები შეიძლება მოდიოდეს მონაცემთა სხვადასხვა წყაროდან, როგორც ონლაინ, ასევე ოფლაინ. მოვლენები, რომლებიც ხდება მომხმარებლისთვის, მისი ტრაექტორიის ნაწილია. მაგალითები:
• დააჭირეთ ღილაკს
• ნახა სურათი
• დააჭირეთ ეკრანს
• მიიღო ელ.წერილი
• ურჩია პროდუქტი მეგობარს
• შევსებული ფორმა
• შეეხო ეკრანს
• გადახვევა
• მივიდა სალაროში
• შეუკვეთა ბურიტო
• შეჭამა ბურიტო
• ბურიტოს ჭამით მოიწამლა
• კაფეში უკანა შესასვლელიდან შევიდა
• წინა შესასვლელიდან შემოვიდა
• შემცირდა აპლიკაცია
• მიიღო Push შეტყობინება
• ეკრანზე X-ზე დიდხანს იყო ჩარჩენილი
• შეკვეთის გადახდა
• შეიძინა შეკვეთა
• სესხზე უარი ეთქვა

თუ აიღებთ მომხმარებელთა ჯგუფის ტრაექტორიის მონაცემებს და შეისწავლით თუ როგორ არის სტრუქტურირებული გადასვლები, შეგიძლიათ ზუსტად დააკვირდეთ, თუ როგორ არის სტრუქტურირებული მათი ქცევა აპლიკაციაში. ამის გაკეთება მოსახერხებელია გრაფიკის საშუალებით, რომელშიც მდგომარეობები არის კვანძები, ხოლო მდგომარეობებს შორის გადასვლები კიდეებია:

"ტრაექტორია" არის ძალიან მოსახერხებელი კონცეფცია - ის შეიცავს დეტალურ ინფორმაციას მომხმარებლის ყველა მოქმედების შესახებ, ამ მოქმედებების აღწერაში დამატებითი მონაცემების დამატების შესაძლებლობით. ეს მას უნივერსალურ ობიექტად აქცევს. თუ თქვენ გაქვთ ლამაზი და მოსახერხებელი ხელსაწყოები, რომლებიც საშუალებას გაძლევთ იმუშაოთ ტრაექტორიებთან, მაშინ შეგიძლიათ იპოვოთ მსგავსება და სეგმენტირება.

ტრაექტორიის სეგმენტაცია თავიდან შეიძლება ძალიან რთული ჩანდეს. ნორმალურ სიტუაციაში ეს ასეა - თქვენ უნდა გამოიყენოთ კავშირის მატრიცის შედარება ან თანმიმდევრობის გასწორება. ჩვენ მოვახერხეთ უფრო მარტივი ხერხის პოვნა - დიდი რაოდენობით ტრაექტორიების შესწავლა და მათი დაყოფა კლასტერიზაციის გზით.

როგორც გაირკვა, შესაძლებელია ტრაექტორიის წერტილად გადაქცევა უწყვეტი გამოსახულებების გამოყენებით, მაგალითად, TF-IDF. ტრანსფორმაციის შემდეგ, ტრაექტორია ხდება წერტილი სივრცეში, სადაც ღერძების გასწვრივ გამოსახულია სხვადასხვა მოვლენის ნორმალიზება და მათ შორის გადასვლები ტრაექტორიაში. ეს ნივთი უზარმაზარი ათასი ან მეტი განზომილებიანი სივრციდან (dimS=sum (მოვლენის ტიპები) + ჯამი (ngrams_2 ტიპი)) შეიძლება დაპროექტდეს სიბრტყეზე გამოყენებით TSNE. TSNE არის ტრანსფორმაცია, რომელიც ამცირებს სივრცის განზომილებას 2 ღერძამდე და, თუ ეს შესაძლებელია, ინარჩუნებს ფარდობით დისტანციებს წერტილებს შორის. შესაბამისად, შესაძლებელი ხდება ბრტყელ რუკაზე, ტრაექტორიების ფიგურულ საპროექციო რუკაზე შესწავლა, თუ როგორ მდებარეობდა სხვადასხვა ტრაექტორიის წერტილები ერთმანეთთან. იგი აანალიზებს რამდენად ახლოს ან განსხვავებულად იყვნენ ისინი ერთმანეთთან, ქმნიდნენ თუ არა მტევანებს, თუ იყვნენ მიმოფანტულნი რუკაზე და ა.შ.:

Retaineering ანალიტიკური ინსტრუმენტები იძლევა შესაძლებლობას გადააქციოს რთული მონაცემები და ტრაექტორიები ერთმანეთთან შედარებად, შემდეგ კი ტრანსფორმაციის შედეგის შემოწმება და ინტერპრეტაცია.

ტრაექტორიების დამუშავების სტანდარტულ მეთოდებზე საუბრისას ვგულისხმობთ სამ ძირითად ინსტრუმენტს, რომლებიც განვახორციელეთ Retaineering-ში - გრაფიკები, საფეხურების მატრიცები და ტრაექტორიის პროექციის რუქები.

Google Analytics, Firebase და მსგავსი ანალიტიკური სისტემებთან მუშაობა საკმაოდ რთულია და არა 100%-ით ეფექტური. პრობლემა არის რიგი შეზღუდვები მომხმარებლისთვის, რის შედეგადაც ანალიტიკოსის მუშაობა ასეთ სისტემებში დამოკიდებულია მაუსის დაწკაპუნებებზე და ნაჭრების შერჩევაზე. Retaineering შესაძლებელს ხდის იმუშაოს მომხმარებლის ტრაექტორიებთან და არა მხოლოდ ძაბრებთან, როგორც Google Analytics-ში, სადაც დეტალების დონე ხშირად მცირდება ძაბრამდე, თუმცა აგებულია გარკვეული სეგმენტისთვის.

შეკავება და საქმეები

როგორც შემუშავებული ხელსაწყოს გამოყენების მაგალითი, შეგვიძლია მოვიყვანოთ რუსეთში დიდი ნიშების სერვისის შემთხვევა. ამ კომპანიას აქვს ანდროიდის მობილური აპლიკაცია, რომელიც პოპულარულია მომხმარებლებში. მობილური აპლიკაციიდან წლიური ბრუნვა იყო დაახლოებით 7 მილიონი რუბლი, სეზონური მერყეობა 60-130 ათასი. ამავე კომპანიას აქვს აპლიკაცია iOS-ისთვისაც და Apple-ის აპლიკაციის მომხმარებლის საშუალო გადასახადი საშუალოზე მაღალი იყო. კლიენტი Android აპლიკაციის გამოყენებით - 1080 რუბლი. 1300 რუბლის წინააღმდეგ.

კომპანიამ ანდროიდის აპლიკაციის ეფექტურობის გაზრდა გადაწყვიტა, რისთვისაც საფუძვლიანი ანალიზი ჩაატარა. რამდენიმე ათეული ჰიპოთეზა შეიქმნა აპლიკაციის ეფექტურობის გაზრდის შესახებ. Retentionneering-ის გამოყენების შემდეგ აღმოჩნდა, რომ პრობლემა ახალ მომხმარებლებს აჩვენეს შეტყობინებებში. მათ მიიღეს ინფორმაცია ბრენდის, კომპანიის უპირატესობებისა და ფასების შესახებ. მაგრამ, როგორც გაირკვა, შეტყობინებები უნდა დახმარებოდა მომხმარებელს აპლიკაციაში მუშაობის სწავლაში.

ეს გაკეთდა, რის შედეგადაც აპლიკაცია ნაკლებად დეინსტალირებული იყო და შეკვეთაზე გადაყვანის ზრდამ შეადგინა 23%. თავდაპირველად, შემომავალი ტრაფიკის 20 პროცენტი გადაეცა ტესტს, მაგრამ რამდენიმე დღის შემდეგ, პირველი შედეგების გაანალიზებისა და ტენდენციის შეფასების შემდეგ, მათ შეცვალეს პროპორციები და, პირიქით, 20 პროცენტი დატოვეს საკონტროლო ჯგუფში და ოთხმოცი პროცენტი მოთავსდა ტესტში. ერთი კვირის შემდეგ, გადაწყდა, რომ თანმიმდევრულად დაემატებინა კიდევ ორი ​​ჰიპოთეზის ტესტირება. სულ რაღაც შვიდ კვირაში ანდროიდის აპლიკაციიდან ბრუნვა წინა დონესთან შედარებით ერთნახევარჯერ გაიზარდა.

როგორ ვიმუშაოთ Retaineering-თან?

პირველი ნაბიჯები საკმაოდ მარტივია - ჩამოტვირთეთ ბიბლიოთეკა pip install retentioneering ბრძანებით. თავად საცავი შეიცავს მზა მაგალითებს და მონაცემთა დამუშავების შემთხვევებს ზოგიერთი პროდუქტის ანალიტიკის ამოცანებისთვის. ნაკრები მუდმივად განახლდება, სანამ ეს საკმარისი იქნება პირველი გაცნობისთვის. ნებისმიერს შეუძლია აიღოს მზა მოდულები და დაუყონებლივ გამოიყენოს ისინი თავიანთ ამოცანებზე - ეს საშუალებას აძლევს მათ დაუყოვნებლივ დააყენონ მომხმარებლის ტრაექტორიების უფრო დეტალური ანალიზისა და ოპტიმიზაციის პროცესი რაც შეიძლება სწრაფად და ეფექტურად. ეს ყველაფერი შესაძლებელს ხდის აპლიკაციის გამოყენების შაბლონების პოვნას მკაფიო კოდის საშუალებით და ამ გამოცდილების გაზიარებას კოლეგებთან.

შეკავება არის ინსტრუმენტი, რომლის გამოყენებაც ღირს თქვენი აპლიკაციის მთელი ცხოვრების განმავლობაში და აი რატომ:

• Retaineering ეფექტურია მომხმარებლის ტრაექტორიების თვალყურის დევნისა და მუდმივი ოპტიმიზაციისთვის და ბიზნესის მუშაობის გასაუმჯობესებლად. ამრიგად, ელექტრონული კომერციის აპლიკაციებს ხშირად ემატება ახალი ფუნქციები, რომელთა ზემოქმედების პროდუქტზე ყოველთვის სწორად პროგნოზირება შეუძლებელია. ზოგიერთ შემთხვევაში, თავსებადობის პრობლემები წარმოიქმნება ახალ და ძველ ფუნქციებს შორის - მაგალითად, ახლები „კანიბალიზებენ“ არსებულებს. და ამ სიტუაციაში, ტრაექტორიების მუდმივი ანალიზი არის ზუსტად ის, რაც საჭიროა.
• მსგავსი ვითარებაა სარეკლამო არხებთან მუშაობისას: ტრეფიკის ახალი წყაროები და სარეკლამო კრეატივები მუდმივად ტესტირება ხდება, აუცილებელია სეზონურობის, ტენდენციების და სხვა მოვლენების გავლენის მონიტორინგი, რაც იწვევს პრობლემების უფრო და უფრო ახალი კლასების გაჩენას. ეს ასევე მოითხოვს მომხმარებლის მექანიკის მუდმივ მონიტორინგს და ინტერპრეტაციას.
• არსებობს მთელი რიგი ფაქტორები, რომლებიც მუდმივად მოქმედებს აპლიკაციის შესრულებაზე. მაგალითად, ახალი გამოშვებები დეველოპერებისგან: მიმდინარე პრობლემის დახურვისას, ისინი უნებლიედ აბრუნებენ ძველს ან ქმნიან სრულიად ახალს. დროთა განმავლობაში, ახალი გამოშვებების რაოდენობა იზრდება და შეცდომების თვალყურის დევნების პროცესი უნდა იყოს ავტომატიზირებული, მათ შორის მომხმარებლის ტრაექტორიების ანალიზით.

საერთო ჯამში, Retaineering არის ეფექტური ინსტრუმენტი. მაგრამ სრულყოფილების შეზღუდვა არ არსებობს - ის შეიძლება და უნდა გაუმჯობესდეს, განვითარდეს და მის საფუძველზე აშენდეს ახალი მაგარი პროდუქტები. რაც უფრო აქტიურია პროექტის საზოგადოება, მით მეტი ჩანგალი იქნება და გამოჩნდება მისი გამოყენების ახალი საინტერესო ვარიანტები.

დამატებითი ინფორმაცია შეკავების ხელსაწყოების შესახებ:

• ჩვენი საიტი: retaineering.com
• შეხვედრის განრიგი და რეგისტრაცია მონაწილეობისთვის
• პროდუქტებისა და ანალიტიკოსების ჩატი Telegram-ში
• უფასო შენარჩუნების საცავი GitHub-ზე

წყარო: www.habr.com