Terdapat beratus-ratus artikel di Internet tentang faedah menganalisis tingkah laku pelanggan. Selalunya ini melibatkan sektor runcit. Daripada analisis bakul makanan, analisis ABC dan XYZ kepada pemasaran pengekalan dan tawaran peribadi. Pelbagai teknik telah digunakan selama beberapa dekad, algoritma telah difikirkan, kod telah ditulis dan dinyahpepijat - ambil dan gunakannya. Dalam kes kami, satu masalah asas timbul - kami di ISPsystem terlibat dalam pembangunan perisian, bukan runcit.
Nama saya Denis dan saya kini bertanggungjawab untuk bahagian belakang sistem analisis di ISPsystem. Dan ini adalah kisah bagaimana saya dan rakan sekerja saya β mereka yang bertanggungjawab untuk visualisasi data β cuba melihat produk perisian kami melalui prisma pengetahuan ini. Mari kita mulakan, seperti biasa, dengan sejarah.
Pada mulanya terdapat satu perkataan, dan perkataan itu ialah "Bolehkah kita mencuba?"
Ketika itu saya bekerja sebagai pemaju di bahagian R&D. Semuanya bermula apabila Danil membaca HabrΓ© di sini β alat untuk menganalisis peralihan pengguna dalam aplikasi. Saya agak ragu-ragu tentang idea untuk menggunakannya di sini. Sebagai contoh, pembangun perpustakaan memetik analisis aplikasi yang mana tindakan sasaran telah ditakrifkan dengan jelas - membuat pesanan atau beberapa variasi lain tentang cara membayar syarikat pemilik. Produk kami dibekalkan di premis. Iaitu, pengguna mula-mula membeli lesen, dan hanya kemudian memulakan perjalanannya dalam aplikasi. Ya, kami mempunyai versi demo. Anda boleh mencuba produk di sana supaya anda tidak mempunyai babi dalam cucuk.
Tetapi kebanyakan produk kami ditujukan kepada pasaran pengehosan. Ini adalah pelanggan yang besar, dan jabatan pembangunan perniagaan menasihati mereka tentang keupayaan produk. Ia juga berikutan bahawa pada masa pembelian, pelanggan kami sudah mengetahui masalah yang perisian kami akan membantu mereka selesaikan. Laluan mereka dalam aplikasi mesti bertepatan dengan CJM yang dibenamkan dalam produk dan penyelesaian UX akan membantu mereka kekal di landasan yang betul. Spoiler: ini tidak selalu berlaku. Pengenalan kepada perpustakaan ditangguhkan... tetapi tidak lama.
Segala-galanya berubah dengan pelepasan permulaan kami - β platform untuk mencipta kedai dalam talian daripada akaun Instagram. Dalam aplikasi ini, pengguna diberi tempoh dua minggu untuk menggunakan semua fungsi secara percuma. Kemudian anda perlu memutuskan sama ada untuk melanggan. Dan ini sangat sesuai dengan konsep "tindakan sasaran laluan". Ia telah diputuskan: mari cuba!
Hasil pertama atau dari mana untuk mendapatkan idea
Saya dan pasukan pembangunan menyambungkan produk itu kepada sistem pengumpulan acara secara literal dalam sehari. Saya akan mengatakan dengan segera bahawa sistem ISP menggunakan sistemnya sendiri untuk mengumpul acara tentang lawatan halaman, tetapi tiada apa yang menghalang anda daripada menggunakan Yandex.Metrica untuk tujuan yang sama, yang membolehkan anda memuat turun data mentah secara percuma. Contoh penggunaan perpustakaan telah dikaji, dan selepas seminggu pengumpulan data kami menerima graf peralihan.
Graf peralihan. Fungsi asas, peralihan lain dialih keluar untuk kejelasan
Ternyata seperti dalam contoh: satah, jelas, cantik. Daripada graf ini, kami dapat mengenal pasti laluan dan lintasan paling kerap di mana orang menghabiskan masa paling lama. Ini membolehkan kami memahami perkara berikut:
- Daripada CJM besar, yang meliputi sedozen entiti, hanya dua yang digunakan secara aktif. Anda juga perlu mengarahkan pengguna ke tempat yang kami perlukan menggunakan penyelesaian UX.
- Sesetengah halaman, yang direka oleh pereka UX untuk hujung ke hujung, berakhir dengan orang menghabiskan masa yang tidak munasabah pada halaman tersebut. Anda perlu mengetahui elemen hentian pada halaman tertentu dan menyesuaikannya.
- Selepas 10 peralihan, 20% orang mula penat dan berhenti sesi dalam permohonan itu. Dan ini mengambil kira hakikat bahawa kami mempunyai sebanyak 5 halaman onboarding dalam aplikasi! Anda perlu mengenal pasti halaman yang pengguna kerap meninggalkan sesi dan memendekkan laluan ke sesi tersebut. Lebih baik lagi: kenal pasti mana-mana laluan biasa dan benarkan peralihan pantas dari halaman sumber ke halaman destinasi. Sesuatu yang sama dengan analisis ABC dan analisis troli terbengkalai, tidakkah anda fikir?
Dan di sini kami mempertimbangkan semula sikap kami terhadap kebolehgunaan alat ini untuk produk di premis. Ia telah memutuskan untuk menganalisis produk yang dijual dan digunakan secara aktif - . Ia jauh lebih kompleks, terdapat susunan magnitud lebih banyak entiti. Kami teruja menunggu untuk melihat apa yang akan menjadi graf peralihan.
Tentang kekecewaan dan inspirasi
Kekecewaan #1
Ia adalah penghujung hari bekerja, penghujung bulan dan penghujung tahun pada masa yang sama - 27 Disember. Data telah terkumpul, pertanyaan telah ditulis. Terdapat beberapa saat lagi sebelum semuanya diproses dan kami boleh melihat hasil kerja kami untuk mengetahui di mana tahun bekerja seterusnya akan bermula. Jabatan R&D, pengurus produk, pereka UX, ketua pasukan, pembangun berkumpul di hadapan monitor untuk melihat rupa laluan pengguna dalam produk mereka, tetapi... kami melihat ini:
Graf peralihan yang dibina oleh perpustakaan Pengekalan
Inspirasi #1
Bersambung kuat, berpuluh-puluh entiti, senario tidak jelas. Ia hanya jelas bahawa tahun kerja baharu akan bermula bukan dengan analisis, tetapi dengan penciptaan cara untuk memudahkan kerja dengan graf sedemikian. Tetapi saya tidak dapat menghilangkan perasaan bahawa segala-galanya lebih mudah daripada yang kelihatan. Dan selepas lima belas minit mempelajari kod sumber Retentioneering, kami dapat mengeksport graf yang dibina kepada format titik. Ini membolehkan anda memuat naik graf ke alat lain - Gephi. Dan sudah ada skop untuk menganalisis graf: susun atur, penapis, statistik - yang perlu anda lakukan ialah mengkonfigurasi parameter yang diperlukan dalam antara muka. Dengan pemikiran ini, kami pergi untuk hujung minggu Tahun Baru.
Kekecewaan #2
Selepas kembali bekerja, ternyata semasa semua orang berehat, pelanggan kami sedang mengkaji produk tersebut. Ya, begitu sukar sehingga peristiwa muncul dalam storan yang tidak wujud sebelum ini. Ini bermakna pertanyaan perlu dikemas kini.
Sedikit latar belakang untuk memahami kesedihan fakta ini. Kami menghantar kedua-dua peristiwa yang telah kami tandai (contohnya, klik pada beberapa butang) dan URL halaman yang dilawati pengguna. Dalam kes Cartbee, model "satu tindakan - satu halaman" berfungsi. Tetapi dengan VMmanager keadaannya berbeza sama sekali: beberapa tetingkap modal boleh dibuka pada satu halaman. Di dalamnya pengguna boleh menyelesaikan pelbagai masalah. Sebagai contoh, URL:
/host/item/24/ip(modal:modal/host/item/ip/create)
bermakna pada halaman "Alamat IP" pengguna menambah alamat IP. Dan di sini dua masalah dapat dilihat sekaligus:
- URL mengandungi beberapa jenis parameter laluan - ID mesin maya. Ia perlu dikecualikan.
- URL mengandungi ID tetingkap modal. Anda perlu "membongkar" URL sedemikian.
Masalah lain ialah peristiwa yang kami tandai mempunyai parameter. Sebagai contoh, terdapat lima cara berbeza untuk pergi ke halaman dengan maklumat tentang mesin maya daripada senarai. Sehubungan itu, satu peristiwa telah dihantar, tetapi dengan parameter yang menunjukkan kaedah mana pengguna membuat peralihan. Terdapat banyak peristiwa sedemikian, dan semua parameter adalah berbeza. Dan kami mempunyai semua logik pengambilan data dalam dialek SQL untuk Clickhouse. Pertanyaan 150-200 baris mula kelihatan agak biasa. Masalah menyelubungi kami.
Inspirasi #2
Pada suatu pagi, Danil, dengan sedih menatal permintaan untuk minit kedua, mencadangkan kepada saya: "Mari kita menulis saluran paip pemprosesan data?" Kami memikirkannya dan memutuskan bahawa jika kami akan melakukannya, ia akan menjadi sesuatu seperti ETL. Supaya ia menapis serta-merta dan menarik data yang diperlukan daripada sumber lain. Beginilah cara perkhidmatan analisis pertama kami dengan bahagian belakang yang lengkap dilahirkan. Ia melaksanakan lima peringkat utama pemprosesan data:
- Memunggah peristiwa daripada storan data mentah dan menyediakannya untuk diproses.
- Penjelasan ialah "membongkar" pengecam tetingkap modal, parameter acara dan butiran lain yang menjelaskan acara tersebut.
- Pengayaan (dari perkataan "menjadi kaya") ialah penambahan peristiwa dengan data daripada sumber pihak ketiga. Pada masa itu, ini hanya termasuk Pengurus BILL sistem pengebilan kami.
- Penapisan ialah proses menapis peristiwa yang memesongkan hasil analisis (peristiwa dari pendirian dalaman, outlier, dll.).
- Memuat naik acara yang diterima ke dalam storan, yang kami panggil data bersih.
Kini adalah mungkin untuk mengekalkan perkaitan dengan menambahkan peraturan untuk memproses acara atau kumpulan acara serupa. Sebagai contoh, sejak itu kami tidak pernah mengemas kini pembongkaran URL. Walaupun, pada masa ini beberapa variasi URL baharu telah ditambah. Mereka mematuhi peraturan yang telah ditetapkan dalam perkhidmatan dan diproses dengan betul.
Kekecewaan #3
Sebaik sahaja kami mula menganalisis, kami menyedari mengapa graf itu sangat koheren. Hakikatnya ialah hampir setiap N-gram mengandungi peralihan yang tidak dapat dijalankan melalui antara muka.
Penyiasatan kecil bermula. Saya keliru bahawa tiada peralihan yang mustahil dalam satu entiti. Ini bermakna bahawa ini bukan pepijat dalam sistem pengumpulan acara atau perkhidmatan ETL kami. Terdapat perasaan bahawa pengguna bekerja secara serentak dalam beberapa entiti, tanpa berpindah dari satu ke satu sama lain. Bagaimana untuk mencapai ini? Menggunakan tab yang berbeza dalam penyemak imbas.
Apabila menganalisis Cartbee, kami diselamatkan oleh kekhususannya. Aplikasi ini digunakan dari peranti mudah alih, di mana bekerja dari beberapa tab hanya menyusahkan. Di sini kami mempunyai desktop dan semasa tugasan dijalankan dalam satu entiti, adalah munasabah untuk meluangkan masa ini untuk menyediakan atau memantau status di entiti lain. Dan untuk tidak kehilangan kemajuan, buka tab lain.
Inspirasi #3
Rakan sekerja dari pembangunan bahagian hadapan mengajar sistem pengumpulan acara untuk membezakan antara tab. Analisis boleh bermula. Dan kami mula. Seperti yang dijangkakan, CJM tidak sepadan dengan laluan sebenar: pengguna menghabiskan banyak masa di halaman direktori, sesi terbengkalai dan tab di tempat yang paling tidak dijangka. Menggunakan analisis peralihan, kami dapat mencari masalah dalam beberapa binaan Mozilla. Di dalamnya, disebabkan oleh ciri pelaksanaan, elemen navigasi hilang atau halaman separuh kosong dipaparkan, yang sepatutnya hanya boleh diakses oleh pentadbir. Halaman dibuka, tetapi tiada kandungan datang dari bahagian belakang. Mengira peralihan membolehkan anda menilai ciri yang sebenarnya digunakan. Rantaian memungkinkan untuk memahami bagaimana pengguna menerima ralat ini atau itu. Data yang dibenarkan untuk ujian berdasarkan tingkah laku pengguna. Ia adalah satu kejayaan, idea itu tidak sia-sia.
Automasi analitis
Dalam salah satu demonstrasi keputusan, kami menunjukkan cara Gephi digunakan untuk analisis graf. Dalam alat ini, data penukaran boleh dipaparkan dalam jadual. Dan ketua jabatan UX berkata satu pemikiran yang sangat penting yang mempengaruhi perkembangan keseluruhan arah analisis tingkah laku dalam syarikat: "Mari kita lakukan perkara yang sama, tetapi dalam Tableau dan dengan penapis - ia akan menjadi lebih mudah."
Kemudian saya fikir: mengapa tidak, Retentioneering menyimpan semua data dalam struktur panda.DataFrame. Dan ini, pada umumnya, meja. Beginilah cara perkhidmatan lain muncul: Pembekal Data. Dia bukan sahaja membuat jadual daripada graf, tetapi juga mengira sejauh mana popular halaman dan fungsi yang dikaitkan dengannya, cara ia mempengaruhi pengekalan pengguna, tempoh pengguna kekal padanya dan halaman yang paling kerap ditinggalkan pengguna. Dan penggunaan visualisasi dalam Tableau mengurangkan kos mengkaji graf sehinggakan masa lelaran untuk analisis tingkah laku dalam produk hampir separuh.
Danil akan bercakap tentang bagaimana visualisasi ini digunakan dan apakah kesimpulan yang dibenarkan untuk dibuat.
Lebih banyak meja untuk dewa meja!
Dalam bentuk yang dipermudahkan, tugasan telah dirumuskan seperti berikut: paparkan graf peralihan dalam Tableau, sediakan keupayaan untuk menapis dan jadikannya sejelas dan semudah mungkin.
Saya tidak begitu mahu melukis graf terarah di Tableau. Dan walaupun berjaya, keuntungan, berbanding Gephi, tidak kelihatan jelas. Kami memerlukan sesuatu yang lebih mudah dan lebih mudah diakses. Meja! Lagipun, graf boleh diwakili dengan mudah dalam bentuk baris jadual, di mana setiap baris adalah tepi jenis "sumber-destinasi". Selain itu, kami telah menyediakan jadual sedemikian dengan teliti menggunakan alat Pengekalan dan Penyedia Data. Apa yang perlu dilakukan ialah memaparkan jadual di Tableau dan menyelongkar laporan itu.
Bercakap tentang bagaimana semua orang suka meja.
Namun, di sini kita berhadapan dengan masalah lain. Apa yang perlu dilakukan dengan sumber data? Adalah mustahil untuk menyambungkan panda.DataFrame; Tableau tidak mempunyai penyambung sedemikian. Menaikkan asas yang berasingan untuk menyimpan graf nampaknya penyelesaian yang terlalu radikal dengan prospek yang tidak jelas. Dan pilihan pemunggahan tempatan tidak sesuai kerana keperluan untuk operasi manual yang berterusan. Kami melihat senarai penyambung yang tersedia, dan pandangan kami jatuh pada item itu , yang meringkuk sedih di bahagian paling bawah.
Tableau mempunyai banyak pilihan penyambung. Kami menemui satu yang menyelesaikan masalah kami
Apakah jenis haiwan? Beberapa tab terbuka baharu dalam penyemak imbas - dan menjadi jelas bahawa penyambung ini membolehkan anda menerima data apabila mengakses URL. Bahagian belakang untuk mengira data itu sendiri hampir siap, yang tinggal hanyalah untuk menjadikannya kawan dengan WDC. Selama beberapa hari Denis mengkaji dokumentasi dan bertarung dengan mekanisme Tableau, dan kemudian menghantar saya pautan yang saya tampal ke dalam tetingkap sambungan.
Borang sambungan ke WDC kami. Denis membuat bahagian depannya dan menjaga keselamatan
Selepas beberapa minit menunggu (data dikira secara dinamik apabila diminta), jadual muncul:
Inilah rupa tatasusunan data mentah dalam antara muka Tableau
Seperti yang dijanjikan, setiap baris jadual sedemikian mewakili tepi graf, iaitu peralihan terarah pengguna. Ia juga mengandungi beberapa ciri tambahan. Contohnya, bilangan pengguna unik, jumlah bilangan peralihan dan lain-lain.
Anda boleh memaparkan jadual ini dalam laporan sebagaimana adanya, taburkan penapis dengan murah hati dan hantar alat belayar. Bunyi logik. Apa yang boleh anda lakukan dengan meja? Tetapi ini bukan cara kami, kerana kami bukan sahaja membuat jadual, tetapi alat untuk analisis dan membuat keputusan produk.
Biasanya, apabila menganalisis data, seseorang ingin mendapatkan jawapan kepada soalan. Hebat. Mari kita mulakan dengan mereka.
- Apakah peralihan yang paling kerap?
- Ke manakah mereka pergi dari halaman tertentu?
- Berapa lama anda menghabiskan secara purata di halaman ini sebelum meninggalkan?
- Berapa kerapkah anda membuat peralihan dari A ke B?
- Pada halaman apakah sesi berakhir?
Setiap laporan atau gabungannya harus membenarkan pengguna mencari jawapan kepada soalan ini secara bebas. Strategi utama di sini ialah memberi anda alat untuk melakukannya sendiri. Ini berguna untuk mengurangkan beban di bahagian analitik dan untuk mengurangkan masa untuk membuat keputusan - lagipun, anda tidak perlu lagi pergi ke Youtrack dan membuat tugasan untuk penganalisis, anda hanya perlu membuka laporan.
Apa yang kita dapat?
Di manakah orang paling kerap menyimpang dari papan pemuka?
Serpihan laporan kami. Selepas papan pemuka, semua orang pergi sama ada ke senarai VM atau ke senarai nod
Mari kita ambil jadual umum dengan peralihan dan penapis mengikut halaman sumber. Selalunya, mereka pergi dari papan pemuka ke senarai mesin maya. Selain itu, lajur Keteraturan mencadangkan bahawa ini adalah tindakan berulang.
Di manakah mereka datang dari senarai kluster?
Penapis dalam laporan berfungsi dalam kedua-dua arah: anda boleh mengetahui tempat anda pergi atau tempat anda pergi
Daripada contoh, jelas bahawa walaupun kehadiran dua penapis mudah dan baris kedudukan mengikut nilai membolehkan anda mendapatkan maklumat dengan cepat.
Mari kita tanya sesuatu yang lebih rumit.
Di manakah pengguna paling kerap meninggalkan sesi mereka?
Pengguna VMmanager selalunya bekerja dalam tab berasingan
Untuk melakukan ini, kami memerlukan laporan yang datanya diagregatkan oleh sumber rujukan. Dan apa yang dipanggil titik putus telah diambil sebagai tugasan - peristiwa yang berfungsi sebagai pengakhiran rantaian peralihan.
Adalah penting untuk ambil perhatian di sini bahawa ini boleh sama ada pada akhir sesi atau pembukaan tab baharu. Contoh menunjukkan bahawa rantai paling kerap berakhir di meja dengan senarai mesin maya. Dalam kes ini, tingkah laku ciri bertukar kepada tab lain, yang konsisten dengan corak yang dijangkakan.
Kami pertama sekali menguji kegunaan laporan ini pada diri kami sendiri apabila kami menjalankan analisis dengan cara yang sama , satu lagi produk kami. Dengan kemunculan jadual dan penapis, hipotesis diuji dengan lebih cepat, dan mata menjadi kurang letih.
Apabila membangunkan laporan, kami tidak melupakan reka bentuk visual. Apabila bekerja dengan jadual saiz ini, ini adalah faktor penting. Sebagai contoh, kami menggunakan julat warna yang tenang, mudah dilihat untuk nombor, penonjolan warna garisan mengikut nilai berangka ciri. Butiran sedemikian meningkatkan pengalaman pengguna dan meningkatkan kemungkinan alat berjaya dilepaskan dalam syarikat.
Jadual ternyata agak besar, tetapi kami berharap ia tidak berhenti untuk dibaca
Perlu dinyatakan secara berasingan tentang latihan pelanggan dalaman kami: pakar produk dan pereka UX. Manual dengan contoh analisis dan petua untuk bekerja dengan penapis telah disediakan khas untuk mereka. Kami memasukkan pautan ke manual terus ke dalam halaman laporan.
Kami membuat manual hanya sebagai pembentangan dalam Dokumen Google. Alat Tableau membolehkan anda memaparkan halaman web terus di dalam buku kerja laporan.
bukannya epilog
Apa yang ada dalam garis bawah? Kami boleh mendapatkan alat untuk setiap hari dengan cepat dan murah. Ya, ini pastinya bukan pengganti untuk graf itu sendiri, peta haba klik atau pemapar web. Tetapi laporan sedemikian melengkapi alat yang disenaraikan dengan ketara dan menyediakan makanan untuk pemikiran dan hipotesis produk dan antara muka baharu.
Kisah ini hanya berfungsi sebagai permulaan untuk pembangunan analitik dalam sistem ISP. Sepanjang enam bulan lalu, tujuh lagi perkhidmatan baharu telah muncul, termasuk potret digital pengguna dalam produk dan perkhidmatan untuk mencipta pangkalan data untuk penyasaran Serupa, tetapi kami akan membincangkannya dalam episod berikut.
Sumber: www.habr.com