Retentioneering: wéi mir Open-Source Tools fir Produktanalyse a Python a Pandas geschriwwen hunn

Moien, Habr. Dësen Artikel ass gewidmet fir d'Resultater vu véier Joer Entwécklung vun enger Rei vu Methoden an Tools fir d'Veraarbechtung vu Benotzerbewegungsstroossen an enger Applikatioun oder Websäit. Auteur vun der Entwécklung - Maxim Godzi, deen d'Team vun de Produkter Creatoren leet an och den Auteur vum Artikel ass. D'Produkt selwer gouf Retentioneering genannt; et ass elo an eng Open-Source Bibliothéik ëmgewandelt ginn an op Github gepost fir datt jiddereen et ka benotzen. All dëst kann interessant sinn fir déi, déi an der Produkt- a Marketinganalyse, Promotioun a Produktentwécklung involvéiert sinn. Iwwregens op Habré en Artikel gouf schonn iwwer ee vun de Fäll vun der Aarbecht mat Retentioneering publizéiert. Dat neit Material erkläert wat de Produkt ka maachen a wéi et benotzt ka ginn.

Nodeems Dir den Artikel gelies hutt, kënnt Dir selwer Är eege Retentioneering schreiwen; et kann all standardiséierte Methode sinn fir d'Benotzerbunnen an der Applikatioun an doriwwer eraus ze veraarbechten, wat Iech erlaabt Iech am Detail d'Charakteristiken vum Verhalen ze gesinn an Abléck aus dësem fir de Wuesstum ze extrahieren vun Affär Metriken.

Wat ass Retentioneering a firwat ass et néideg?

Eist initialt Zil war de Growth Hacking vun der Welt vun "digital Hexerei" an d'Welt vun Zuelen, Analysen a Prognosen ze bewegen. Als Konsequenz gëtt d'Produktanalytik op reng Mathematik a Programméierung reduzéiert fir déi, déi Zuelen amplaz fantastesch Geschichten léiwer maachen, a Formelen op Buzzwords wéi "Rebranding", "Repositioning", etc., déi gutt kléngen, awer an der Praxis wéineg hëllefen.

Fir dës Problemer ze léisen, brauche mir e Kader fir Analyse duerch Grafiken an Trajectoiren, a gläichzäiteg eng Bibliothéik déi typesch Analystroutine vereinfacht, als Wee fir regelméisseg Produktanalytik Aufgaben ze beschreiwen, déi souwuel fir Leit wéi och Roboter verständlech sinn. D'Bibliothéik bitt d'Fäegkeet d'Benotzerverhalen ze beschreiwen an et mat Produktgeschäftsmetriken an esou enger formeller a kloerer Sprooch ze verbannen, datt et d'routinéiert Aufgabe vun Entwéckler an Analysten vereinfacht an automatiséiert, an hir Kommunikatioun mam Geschäft erliichtert.

Retentioneering ass eng Method an analytesch Software Tools déi an all digital (an net nëmmen) Produkt adaptéiert an integréiert kënne ginn.

Mir hunn ugefaang um Produkt am Joer 2015 ze schaffen. Elo ass dëst e fäerdeg gemaachten, obwuel nach net ideal, Set vun Tools am Python a Pandas fir mat Daten ze schaffen, Maschinnléiermodeller mat sklearn-ähnlechen Api, Tools fir d'Resultater vun Maschinnléiermodeller eli5 a Shap ze interpretéieren.

Et ass alles ofgeschloss zu enger praktescher Open Source Bibliothéik am oppene Github Repository - Retentioneering-Tools. D'Bibliothéik benotzen ass net schwéier; bal jiddereen deen Produktanalytik gär huet, awer nach kee Code geschriwwen huet, kann eis Analysemethoden op hir Donnéeën onofhängeg an ouni bedeitend Zäitinvestitioun applizéieren.

Gutt, e Programméierer, en Applikatiounscreator oder e Member vun engem Entwécklungs- oder Testteam, deen nach ni Analyse gemaach huet, ka mat dësem Code ufänken ze spillen an d'Benotzungsmuster vun hirer Applikatioun ouni Hëllef vun baussen ze gesinn.

Benotzerbunn als Basiselement vun der Analyse a Methode fir seng Veraarbechtung

User Trajectory ass eng Sequenz vu Benotzerzoustand zu bestëmmten Zäitpunkten. Ausserdeem kënnen Eventer aus verschiddenen Datequellen kommen, souwuel online an offline. Eventer déi dem Benotzer geschéien sinn Deel vu senger Streck. Beispiller:
• de Knäppchen gedréckt
• d'Bild gesinn
• Hit Écran
• krut eng E-Mail
• recommandéiert de Produit zu engem Frënd
• de Formulaire ausgefëllt
• Écran getippt
• scrolled
• an d'Keess gaangen
• bestallt engem burrito
• e Burrito giess
• vergëft ginn duerch e Burrito iessen
• an de Café vun der hënneschter Entrée erakomm
• vun der viischter Entrée erakomm
• miniméiert d'Applikatioun
• krut eng Push Notifikatioun
• war um Écran méi laang wéi X
• fir d'Bestellung bezuelt
• d'Bestellung kaaft
• gouf e Prêt refuséiert

Wann Dir d'Streckdaten vun enger Grupp vu Benotzer hëlt a studéiert wéi Transitioune strukturéiert sinn, kënnt Dir genau verfollegen wéi hiert Verhalen an der Applikatioun strukturéiert ass. Et ass bequem dëst duerch eng Grafik ze maachen, an där Staaten Noden sinn, an Iwwergäng tëscht Staaten Kanten sinn:

Retentioneering: wéi mir Open-Source Tools fir Produktanalyse a Python a Pandas geschriwwen hunn

"Trajectory" ass e ganz praktescht Konzept - et enthält detailléiert Informatiounen iwwer all Benotzeraktiounen, mat der Fäegkeet fir zousätzlech Donnéeën un d'Beschreiwung vun dësen Aktiounen ze addéieren. Dëst mécht et en universellen Objet. Wann Dir schéi a praktesch Tools hutt, déi Iech erlaben mat Trajectoiren ze schaffen, da kënnt Dir Ähnlechkeeten fannen an se segmentéieren.

Trajectory Segmentatioun kann am Ufank ganz komplizéiert schéngen. An enger normaler Situatioun ass dëst de Fall - Dir musst Konnektivitéitsmatrixverglach oder Sequenzausrichtung benotzen. Mir hunn et fäerdeg bruecht e méi einfache Wee ze fannen - eng grouss Zuel vu Trajectoiren ze studéieren an se duerch Clustering ze segmentéieren.

Wéi et sech erausstellt, ass et méiglech eng Trajectoire an e Punkt mat kontinuéierleche Representatioune ze maachen, zum Beispill, TF-IDF. No der Transformatioun gëtt d'Trajectoire e Punkt am Raum, wou d'normaliséiert Optriede vu verschiddenen Eventer an Iwwergäng tëscht hinnen an der Trajectoire laanscht d'Axen geplot ass. Dës Saach aus engem risege dausend oder méi Dimensiounsraum (dimS = Zomm (Event Typen) + Zomm (ngrams_2 Typen)) kann op e Fliger projizéiert ginn TSNE. TSNE ass eng Transformatioun déi d'Dimensioun vum Raum op 2 Achsen reduzéiert an, wa méiglech, déi relativ Distanzen tëscht Punkten erhaalen. Deementspriechend gëtt et méiglech op enger flaacher Kaart, enger figurativer Projektiounskaart vun de Bunnen, ze studéieren, wéi d'Punkte vu verschiddene Bunnen ënnerenee läit. Et analyséiert wéi no oder anescht si matenee waren, ob se Cluster geformt hunn oder iwwer d'Kaart verspreet waren, asw.:

Retentioneering: wéi mir Open-Source Tools fir Produktanalyse a Python a Pandas geschriwwen hunn

Retentiounsanalyse-Tools bidden d'Fäegkeet komplex Daten an Trajectoiren an eng Vue ze maachen, déi matenee verglach kënne ginn, an da kann d'Resultat vun der Transformatioun iwwerpréift an interpretéiert ginn.

Schwätzen iwwer Standardmethoden fir Trajectoiren ze veraarbecht, mir mengen dräi Haaptinstrumenter déi mir am Retentioneering implementéiert hunn - Grafiken, Schrëttmatrixen a Trajectoire Projektiounskaarten.

Mat Google Analytics, Firebase an ähnlechen Analysesystemer ze schaffen ass zimmlech komplex an net 100% effektiv. De Problem ass eng Rei vu Restriktiounen fir de Benotzer, als Resultat vun deem d'Aarbecht vum Analyst an esou Systemer hänkt vu Mausklicken an der Auswiel vu Scheiwen. Retentioneering mécht et méiglech mat Benotzerbunnen ze schaffen, an net nëmme mat Trichter, wéi a Google Analytics, wou den Detailniveau dacks op en Trichter reduzéiert gëtt, och wann et fir e bestëmmte Segment gebaut gëtt.

Retentioneering a Fäll

Als Beispill vun der Benotzung vun der entwéckelt Outil, kënne mir de Fall vun enger grousser Nisch Service zu Russland zitéieren. Dës Firma huet eng Android mobil Applikatioun déi populär bei Clienten ass. Den alljährlechen Ëmsaz vun der mobiler Applikatioun war ongeféier 7 Milliounen Rubelen, saisonal Schwankungen rangéiert vun 60-130 dausend.Déi selwecht Firma huet och eng Applikatioun fir iOS, an d'Moyenne Rechnung vun engem Benotzer vun der Apple Applikatioun war méi héich wéi d'Moyenne Rechnung vun e Client mat der Android Applikatioun - 1080 Rubel. géint 1300 Rubelen.

D'Firma huet decidéiert d'Effizienz vun der Android Applikatioun ze erhéijen, fir déi se eng grëndlech Analyse gemaach huet. E puer Dutzend Hypothesen goufen generéiert iwwer d'Erhéijung vun der Effizienz vun der Applikatioun. Nodeems Dir Retentionneering benotzt huet, huet sech erausgestallt datt de Problem an de Messagen war, déi nei Benotzer gewise goufen. Si kruten Informatiounen iwwer d'Mark, d'Firma Virdeeler a Präisser. Awer, wéi et sech erausstellt, sollten d'Messagen de Benotzer hëllefen ze léieren wéi een an der Applikatioun funktionnéiert.

Retentioneering: wéi mir Open-Source Tools fir Produktanalyse a Python a Pandas geschriwwen hunn

Dëst gouf gemaach, als Resultat vun deem d'Applikatioun manner deinstalléiert gouf, an d'Erhéijung vun der Konversioun op d'Bestellung war 23%. Am Ufank goufen 20 Prozent vum erakommende Verkéier op den Test gegeben, awer no e puer Deeg, nodeems se déi éischt Resultater analyséiert hunn an den Trend bewäert hunn, hunn se d'Proportiounen ëmgedréit an am Géigendeel 20 Prozent fir d'Kontrollgrupp verlooss, an uechtzeg Prozent goufen am Test gesat. Eng Woch méi spéit gouf decidéiert sequenziell Tester vun zwou weider Hypothesen ze addéieren. A just siwe Wochen ass den Ëmsaz vun der Android Applikatioun ëm annerhallef Mol eropgaang am Verglach zum viregten Niveau.

Wéi schaffe mat Retentioneering?

Déi éischt Schrëtt sinn zimmlech einfach - luet d'Bibliothéik mam Pip Install Retentioneering Kommando erof. De Repository selwer enthält fäerdeg Beispiller a Fäll vun Datenveraarbechtung fir e puer Produktanalytik Aufgaben. De Set gëtt permanent aktualiséiert bis et genuch ass fir en éischte Bekannten. Jiddereen kann fäerdeg Moduler huelen an se direkt op hir Aufgaben uwenden - dëst erlaabt hinnen direkt de Prozess vun enger méi detailléierter Analyse an der Optimisatioun vun de Benotzerbunnen esou séier an effizient wéi méiglech opzestellen. All dëst mécht et méiglech Applikatioun Benotzungsmuster duerch klore Code ze fannen an dës Erfahrung mat Kollegen ze deelen.

Retentioneering ass e Tool dat derwäert ass uechter d'Liewen vun Ärer Applikatioun ze benotzen, an hei ass firwat:

  • Retentioneering ass effektiv fir d'Verfolgung a kontinuéierlech Optimisatioun vun de Benotzerbunnen a fir d'Geschäftsleeschtung ze verbesseren. Also, nei Features ginn dacks un Ecommerce Uwendungen bäigefüügt, den Impakt vun deenen op d'Produkt net ëmmer richteg virausgesot ka ginn. An e puer Fäll entstinn Kompatibilitéitsproblemer tëscht neien an alen Funktiounen - zum Beispill, nei "kannibaliséieren" existent. An an dëser Situatioun ass d'konstante Analyse vun de Bunnen genee wat néideg ass.
  • D'Situatioun ass ähnlech wann Dir mat Reklammekanäl schafft: nei Verkéiersquellen a Reklammekreativ ginn dauernd getest, et ass néideg fir d'Saisonalitéit, Trends an den Afloss vun aneren Eventer ze iwwerwaachen, wat zu der Entstoe vu méi a méi neie Klassen vu Probleemer féiert. Dëst erfuerdert och konstant Iwwerwaachung an Interpretatioun vun der Benotzermechanik.
  • Et ginn eng Rei vu Faktoren, déi dauernd d'Leeschtung vun enger Applikatioun beaflossen. Zum Beispill, nei Verëffentlechungen vun Entwéckler: en aktuelle Problem zoumaachen, se onbewosst déi al zréckginn oder e komplett neien erstellen. Mat der Zäit wiisst d'Zuel vun neie Verëffentlechungen, an de Prozess vun der Verfollegung vu Feeler muss automatiséiert ginn, och duerch d'Analyse vun de Benotzerbunnen.

Allgemeng ass Retentioneering en effektiv Tool. Awer et gëtt keng Limite fir Perfektioun - et kann a soll verbessert, entwéckelt ginn an nei cool Produkter op senger Basis gebaut ginn. Wat méi aktiv d'Communautéit vum Projet ass, wat méi Gabel gëtt et, an nei interessant Optiounen fir se ze benotzen erschéngen.

Méi Informatioun iwwer Retentioneering Tools:

Source: will.com

Setzt e Commentaire