रिटेन्शनियरिंग: आम्ही Python आणि Pandas मध्ये उत्पादन विश्लेषणासाठी मुक्त-स्रोत साधने कशी लिहिली

हॅलो, हॅब्र. हा लेख अनुप्रयोग किंवा वेबसाइटमध्ये वापरकर्त्याच्या हालचालींच्या मार्गावर प्रक्रिया करण्यासाठी पद्धती आणि साधनांच्या संचाच्या विकासाच्या चार वर्षांच्या परिणामांना समर्पित आहे. विकासाचे लेखक - मॅक्सिम गोडझी, जे उत्पादन निर्मात्यांच्या संघाचे प्रमुख आहेत आणि लेखाचे लेखक देखील आहेत. उत्पादनालाच रिटेन्शनियरिंग असे म्हणतात; ते आता मुक्त-स्रोत लायब्ररीमध्ये रूपांतरित केले गेले आहे आणि Github वर पोस्ट केले गेले आहे जेणेकरून कोणीही ते वापरू शकेल. हे सर्व उत्पादन आणि विपणन विश्लेषण, जाहिरात आणि उत्पादन विकासामध्ये गुंतलेल्यांना स्वारस्य असू शकते. तसे, Habré वर रिटेन्शनियरिंगसह काम करण्याच्या एका प्रकरणाबद्दल एक लेख आधीच प्रकाशित केला गेला आहे. नवीन सामग्री स्पष्ट करते की उत्पादन काय करू शकते आणि ते कसे वापरले जाऊ शकते.

लेख वाचल्यानंतर, तुम्ही स्वतःच तुमचे स्वतःचे रिटेन्शनियरिंग लिहू शकाल; अनुप्रयोगातील आणि त्यापुढील वापरकर्त्यांच्या मार्गांवर प्रक्रिया करण्यासाठी ही कोणतीही प्रमाणित पद्धत असू शकते, ज्यामुळे तुम्हाला वर्तनाची वैशिष्ट्ये तपशीलवार पाहता येतील आणि वाढीसाठी यातून अंतर्दृष्टी काढता येईल. व्यवसाय मेट्रिक्सचे.

Retentioneering म्हणजे काय आणि त्याची गरज का आहे?

आमचे प्रारंभिक उद्दिष्ट "डिजिटल जादूटोणा" च्या जगातून ग्रोथ हॅकिंगला संख्या, विश्लेषणे आणि अंदाजांच्या जगात हलवणे हे होते. परिणामी, विलक्षण कथांऐवजी संख्यांना प्राधान्य देणार्‍यांसाठी उत्पादन विश्लेषणे शुद्ध गणित आणि प्रोग्रामिंगमध्ये कमी केली जातात आणि “रीब्रँडिंग”, “रिपोझिशनिंग” इत्यादीसारख्या बझवर्ड्सची सूत्रे, जे छान वाटतात, परंतु व्यवहारात फार कमी मदत करतात.

या समस्यांचे निराकरण करण्यासाठी, आम्हाला ग्राफ आणि ट्रॅजेक्टोरीजद्वारे विश्लेषणासाठी फ्रेमवर्क आवश्यक आहे आणि त्याच वेळी सामान्य विश्लेषक दिनचर्या सुलभ करणारी लायब्ररी, नियमित उत्पादन विश्लेषण कार्यांचे वर्णन करण्याचा एक मार्ग म्हणून जे लोक आणि रोबोट दोघांनाही समजेल. लायब्ररी वापरकर्त्याच्या वर्तनाचे वर्णन करण्याची आणि उत्पादनाच्या व्यवसाय मेट्रिक्सशी अशा औपचारिक आणि स्पष्ट भाषेत लिंक करण्याची क्षमता प्रदान करते की ते विकसक आणि विश्लेषकांची नियमित कार्ये सुलभ आणि स्वयंचलित करते आणि व्यवसायासह त्यांचे संवाद सुलभ करते.

रिटेन्शनियरिंग ही एक पद्धत आणि विश्लेषणात्मक सॉफ्टवेअर साधने आहे जी कोणत्याही डिजिटल (आणि केवळ नाही) उत्पादनामध्ये रुपांतरित आणि एकत्रित केली जाऊ शकते.

आम्ही 2015 मध्ये उत्पादनावर काम करण्यास सुरुवात केली. आता हे तयार आहे, जरी अद्याप आदर्श नसले तरी, डेटासह कार्य करण्यासाठी Python आणि Pandas मधील साधनांचा संच, sklearn-like api सह मशीन लर्निंग मॉडेल्स, मशीन लर्निंग मॉडेल्स eli5 आणि shap च्या परिणामांचा अर्थ लावण्यासाठी टूल्स.

हे सर्व गुंडाळले आहे खुल्या गिथब रेपॉजिटरीमधील सोयीस्कर मुक्त-स्रोत लायब्ररीमध्ये - रिटेन्शनियरिंग-टूल्स. लायब्ररी वापरणे कठीण नाही; जवळजवळ कोणीही ज्याला उत्पादन विश्लेषण आवडते, परंतु त्यांनी यापूर्वी कोड लिहिलेला नाही, आमच्या विश्लेषण पद्धती त्यांच्या डेटावर स्वतंत्रपणे आणि वेळेच्या गुंतवणुकीशिवाय लागू करू शकतात.

बरं, प्रोग्रामर, अॅप्लिकेशन क्रिएटर किंवा डेव्हलपमेंट किंवा टेस्टिंग टीमचा सदस्य ज्याने यापूर्वी कधीही अॅनालिटिक्स केले नाहीत ते या कोडसह खेळण्यास सुरुवात करू शकतात आणि बाहेरील मदतीशिवाय त्यांच्या अॅप्लिकेशनच्या वापराचे नमुने पाहू शकतात.

विश्लेषणाचा मूलभूत घटक आणि त्याच्या प्रक्रियेसाठी पद्धती म्हणून वापरकर्ता मार्ग

वापरकर्ता प्रक्षेपण हा विशिष्ट वेळेच्या बिंदूंवरील वापरकर्त्याच्या अवस्थांचा क्रम असतो. शिवाय, इव्हेंट ऑनलाइन आणि ऑफलाइन अशा वेगवेगळ्या डेटा स्रोतांमधून येऊ शकतात. वापरकर्त्यासोबत घडणाऱ्या घटना त्याच्या मार्गक्रमणाचा भाग असतात. उदाहरणे:
• बटण दाबले
• चित्र पाहिले
• स्क्रीन दाबा
• एक ईमेल प्राप्त झाला
• मित्राला उत्पादनाची शिफारस केली
• फॉर्म भरला
• स्क्रीन टॅप केली
• स्क्रोल केलेले
• कॅश रजिस्टरवर गेले
• एक burrito आदेश दिले
• एक बुरिटो खाल्ले
• बुरिटो खाल्ल्याने विषबाधा झाली
• मागच्या प्रवेशद्वारातून कॅफेमध्ये प्रवेश केला
• समोरच्या प्रवेशद्वारातून प्रवेश केला
• अर्ज कमी केला
• पुश सूचना प्राप्त झाली
• स्क्रीनवर X पेक्षा जास्त काळ अडकले होते
• ऑर्डरसाठी पैसे दिले
• ऑर्डर खरेदी केली
• कर्ज नाकारण्यात आले

तुम्ही वापरकर्त्यांच्या गटाचा मार्गक्रमण डेटा घेतल्यास आणि संक्रमणे कशी संरचित केली जातात याचा अभ्यास केल्यास, अनुप्रयोगातील त्यांचे वर्तन कसे संरचित आहे ते तुम्ही शोधू शकता. हे एका आलेखाद्वारे करणे सोयीचे आहे ज्यामध्ये राज्ये नोड्स आहेत आणि राज्यांमधील संक्रमणे कडा आहेत:

"मार्गक्रमण" ही एक अतिशय सोयीस्कर संकल्पना आहे - यात या क्रियांच्या वर्णनामध्ये कोणताही अतिरिक्त डेटा जोडण्याची क्षमता असलेल्या सर्व वापरकर्त्यांच्या क्रियांबद्दल तपशीलवार माहिती आहे. यामुळे ती एक सार्वत्रिक वस्तू बनते. जर तुमच्याकडे सुंदर आणि सोयीस्कर साधने असतील जी तुम्हाला ट्रॅजेक्टोरीजसह कार्य करण्यास परवानगी देतात, तर तुम्ही समानता शोधू शकता आणि त्यांना विभागू शकता.

ट्रॅजेक्टरी सेगमेंटेशन सुरुवातीला खूप क्लिष्ट वाटू शकते. सामान्य परिस्थितीत, हे असे आहे - तुम्हाला कनेक्टिव्हिटी मॅट्रिक्स तुलना किंवा अनुक्रम संरेखन वापरण्याची आवश्यकता आहे. आम्ही एक सोपा मार्ग शोधण्यात व्यवस्थापित केले - मोठ्या संख्येने मार्गक्रमणांचा अभ्यास करणे आणि त्यांना क्लस्टरिंगद्वारे विभागणे.

जसे हे दिसून आले की, सतत प्रतिनिधित्व वापरून प्रक्षेपण बिंदूमध्ये बदलणे शक्य आहे, उदाहरणार्थ, टीएफ-आयडीएफ. परिवर्तनानंतर, प्रक्षेपण अंतराळातील एक बिंदू बनते जिथे विविध घटनांची सामान्यीकृत घटना आणि प्रक्षेपणातील त्यांच्या दरम्यानचे संक्रमण अक्षांच्या बाजूने प्लॉट केले जाते. हजार किंवा त्याहून अधिक मितीय अवकाशातील ही गोष्ट (dimS=sum(event type)+sum(ngrams_2 type)) वापरून विमानात प्रक्षेपित केली जाऊ शकते. TSNE. TSNE हे एक परिवर्तन आहे जे स्पेसचे परिमाण 2 अक्षांपर्यंत कमी करते आणि शक्य असल्यास, बिंदूंमधील सापेक्ष अंतर राखून ठेवते. त्यानुसार, वेगवेगळ्या मार्गांचे बिंदू एकमेकांमध्ये कसे स्थित होते याचा अभ्यास करणे एका सपाट नकाशावर, प्रक्षेपणाचा एक अलंकारिक प्रक्षेपण नकाशावर शक्य होते. ते एकमेकांच्या किती जवळ किंवा वेगळे होते, त्यांनी क्लस्टर तयार केले किंवा नकाशावर विखुरले, इत्यादीचे विश्लेषण करते:

रिटेन्शनियरिंग अॅनालिटिक्स टूल्स जटिल डेटा आणि मार्गक्रमणांना एकमेकांशी तुलना करता येणार्‍या दृश्यात बदलण्याची क्षमता प्रदान करतात आणि नंतर परिवर्तनाचा परिणाम तपासला जाऊ शकतो आणि त्याचा अर्थ लावला जाऊ शकतो.

ट्रॅजेक्टोरीजवर प्रक्रिया करण्याच्या मानक पद्धतींबद्दल बोलताना, आम्ही रिटेन्शनियरिंगमध्ये तीन मुख्य साधने लागू केली आहेत - आलेख, स्टेप मॅट्रिक्स आणि ट्रॅजेक्टोरी प्रोजेक्शन नकाशे.

Google Analytics, Firebase आणि तत्सम विश्लेषक प्रणालींसह कार्य करणे खूपच गुंतागुंतीचे आहे आणि 100% प्रभावी नाही. समस्या वापरकर्त्यासाठी अनेक निर्बंध आहेत, ज्याचा परिणाम म्हणून अशा सिस्टममध्ये विश्लेषकाचे कार्य माउस क्लिक आणि स्लाइस निवडण्यावर अवलंबून असते. रिटेन्शनियरिंगमुळे Google Analytics प्रमाणे केवळ फनेलसहच नव्हे तर वापरकर्त्याच्या प्रक्षेपकांसोबत काम करणे शक्य होते, जेथे तपशीलाची पातळी अनेकदा फनेलमध्ये कमी केली जाते, जरी एका विशिष्ट विभागासाठी तयार केली जाते.

धारणा आणि प्रकरणे

विकसित साधन वापरण्याचे उदाहरण म्हणून, आम्ही रशियामधील मोठ्या कोनाडा सेवेचे उदाहरण देऊ शकतो. या कंपनीचे अँड्रॉइड मोबाइल अॅप्लिकेशन असून ते ग्राहकांमध्ये लोकप्रिय आहे. मोबाईल ऍप्लिकेशनची वार्षिक उलाढाल सुमारे 7 दशलक्ष रूबल होती, हंगामी चढउतार 60-130 हजारांपर्यंत होते. त्याच कंपनीकडे iOS साठी देखील ऍप्लिकेशन आहे आणि ऍपल ऍप्लिकेशनच्या वापरकर्त्याचे सरासरी बिल सरासरी बिलापेक्षा जास्त होते Android अनुप्रयोग वापरणारा क्लायंट - 1080 रब. विरुद्ध 1300 घासणे.

कंपनीने Android अनुप्रयोगाची कार्यक्षमता वाढवण्याचा निर्णय घेतला, ज्यासाठी त्यांनी सखोल विश्लेषण केले. अनुप्रयोगाची प्रभावीता वाढविण्याबद्दल अनेक डझन गृहीतके व्युत्पन्न करण्यात आली. Retentionneering वापरल्यानंतर, नवीन वापरकर्त्यांना दाखवलेल्या संदेशांमध्ये समस्या असल्याचे दिसून आले. त्यांनी ब्रँड, कंपनीचे फायदे आणि किंमतींची माहिती घेतली. परंतु, जसे घडले तसे, संदेश वापरकर्त्याला अनुप्रयोगात कसे कार्य करावे हे शिकण्यास मदत करेल असे मानले जात होते.

हे केले गेले, परिणामी अनुप्रयोग कमी विस्थापित झाला आणि ऑर्डरमध्ये रूपांतरणात वाढ 23% झाली. सुरुवातीला, येणार्‍या रहदारीच्या 20 टक्के चाचणीला दिले गेले, परंतु काही दिवसांनंतर, पहिल्या निकालांचे विश्लेषण करून आणि कलचे मूल्यांकन केल्यानंतर, त्यांनी प्रमाण उलट केले आणि त्याउलट, नियंत्रण गटासाठी 20 टक्के सोडले आणि ऐंशी टक्के परीक्षेत बसले होते. एका आठवड्यानंतर, आणखी दोन गृहितकांची चाचणी क्रमाने जोडण्याचा निर्णय घेण्यात आला. अवघ्या सात आठवड्यात अँड्रॉइड अॅप्लिकेशनच्या उलाढालीत आधीच्या पातळीच्या तुलनेत दीड पटीने वाढ झाली आहे.

रिटेन्शनियरिंगसह कसे कार्य करावे?

पहिली पायरी अगदी सोपी आहे - pip install retentioneering कमांडसह लायब्ररी डाउनलोड करा. रेपॉजिटरीमध्येच काही उत्पादन विश्लेषण कार्यांसाठी तयार केलेली उदाहरणे आणि डेटा प्रोसेसिंगची प्रकरणे असतात. पहिल्या ओळखीसाठी पुरेसा होईपर्यंत सेट सतत अपडेट केला जातो. कोणीही रेडीमेड मॉड्यूल्स घेऊ शकतो आणि त्यांना त्यांच्या कार्यांवर त्वरित लागू करू शकतो - हे त्यांना शक्य तितक्या लवकर आणि कार्यक्षमतेने वापरकर्त्याच्या मार्गांचे अधिक तपशीलवार विश्लेषण आणि ऑप्टिमायझेशनची प्रक्रिया त्वरित सेट करण्यास अनुमती देते. हे सर्व स्पष्ट कोडद्वारे अनुप्रयोग वापराचे नमुने शोधणे आणि सहकाऱ्यांसोबत हा अनुभव शेअर करणे शक्य करते.

रिटेन्शनियरिंग हे तुमच्या अर्जाच्या संपूर्ण आयुष्यात वापरण्यासारखे एक साधन आहे आणि ते येथे आहे:

• वापरकर्त्याच्या मार्गांचा मागोवा घेण्यासाठी आणि सतत ऑप्टिमाइझ करण्यासाठी आणि व्यवसाय कार्यप्रदर्शन सुधारण्यासाठी रिटेन्शनियरिंग प्रभावी आहे. अशाप्रकारे, ईकॉमर्स ऍप्लिकेशन्समध्ये नवीन वैशिष्ट्ये जोडली जातात, ज्याचा उत्पादनावर होणारा परिणाम नेहमीच अचूकपणे सांगता येत नाही. काही प्रकरणांमध्ये, नवीन आणि जुन्या फंक्शन्समध्ये सुसंगतता समस्या उद्भवतात - उदाहरणार्थ, नवीन अस्तित्वात असलेल्या फंक्शन्सना "कॅनिबिलाइज" करतात. आणि या परिस्थितीत, ट्रॅजेक्टोरीजचे सतत विश्लेषण करणे आवश्यक आहे.
• जाहिरात चॅनेलसह काम करताना परिस्थिती समान आहे: नवीन रहदारी स्त्रोत आणि जाहिरात क्रिएटिव्हची सतत चाचणी केली जात आहे, हंगाम, ट्रेंड आणि इतर इव्हेंट्सच्या प्रभावावर लक्ष ठेवणे आवश्यक आहे, ज्यामुळे समस्यांच्या अधिकाधिक नवीन वर्गांचा उदय होतो. यासाठी वापरकर्ता मेकॅनिक्सचे सतत निरीक्षण आणि अर्थ लावणे देखील आवश्यक आहे.
• अनुप्रयोगाच्या कार्यक्षमतेवर सतत परिणाम करणारे अनेक घटक आहेत. उदाहरणार्थ, डेव्हलपरकडून नवीन रिलीझ: वर्तमान समस्या बंद करून, ते नकळत जुने परत करतात किंवा पूर्णपणे नवीन तयार करतात. कालांतराने, नवीन प्रकाशनांची संख्या वाढते, आणि वापरकर्त्याच्या मार्गांचे विश्लेषण करून त्रुटींचा मागोवा घेण्याची प्रक्रिया स्वयंचलित करणे आवश्यक आहे.

एकूणच, रिटेन्शनियरिंग हे एक प्रभावी साधन आहे. परंतु परिपूर्णतेला कोणतीही मर्यादा नाही - ती सुधारली जाऊ शकते, विकसित केली जाऊ शकते आणि त्याच्या आधारावर नवीन छान उत्पादने तयार केली जाऊ शकतात. प्रकल्पाचा समुदाय जितका अधिक सक्रिय असेल तितके अधिक काटे असतील आणि ते वापरण्यासाठी नवीन मनोरंजक पर्याय दिसतील.

रिटेन्शनियरिंग टूल्सबद्दल अधिक माहिती:

• खालील संकेतस्थळ: retentioneering.com
• भेटीचे वेळापत्रक आणि सहभागासाठी नोंदणी
• टेलिग्राममधील उत्पादने आणि विश्लेषकांच्या गप्पा
• फुकट GitHub वर रिटेंशनियरिंग रेपॉजिटरी

स्त्रोत: www.habr.com