Задржавање: како смо написали алате отвореног кода за аналитику производа у Питхон-у и Пандас-у

Здраво, Хабр. Овај чланак је посвећен резултатима четворогодишњег развоја скупа метода и алата за обраду путања кретања корисника у апликацији или веб сајту. Аутор развоја - Максим Годзи, који је на челу тима креатора производа и уједно је аутор чланка. Сам производ се звао Ретентионееринг сада је претворен у библиотеку отвореног кода и постављен на Гитхуб тако да свако може да га користи. Све ово може бити од интереса за оне који се баве анализом производа и маркетинга, промоцијом и развојем производа. Иначе, на Хабреу већ је објављен чланак о једном од случајева рада са Ретентионеерингом. Нови материјал објашњава шта производ може да уради и како се може користити.

Након што прочитате чланак, сами ћете моћи да напишете свој Ретентионееринг, то може бити било која стандардизована метода за обраду путања корисника у апликацији и шире, омогућавајући вам да детаљно видите карактеристике понашања и извучете увиде из овога за развој; пословних метрика.

Шта је Ретентионееринг и зашто је потребан?

Наш почетни циљ је био да преместимо Гровтх Хацкинг из света „дигиталних вештица“ у свет бројева, аналитике и прогноза. Као последица тога, аналитика производа је сведена на чисту математику и програмирање за оне који више воле бројеве уместо фантастичних прича, а формуле на фразе попут „ребрандинг“, „репозиционирање“ итд., које звуче лепо, али у пракси мало помажу.

Да бисмо решили ове проблеме, био нам је потребан оквир за аналитику кроз графиконе и путање, а у исто време и библиотека која поједностављује типичне аналитичке рутине, као начин да опишемо редовне задатке аналитике производа који би били разумљиви и људима и роботима. Библиотека пружа могућност да опише понашање корисника и повеже га са пословним метрикама производа на тако формалном и јасном језику да поједностављује и аутоматизује рутинске задатке програмера и аналитичара и олакшава њихову комуникацију са предузећем.

Ретентионееринг је метод и аналитички софтверски алат који се може прилагодити и интегрисати у било који дигитални (и не само) производ.

Почели смо да радимо на производу 2015. Сада је ово готов, иако још не идеалан, скуп алата у Питхон-у и Пандас-у за рад са подацима, модели машинског учења са АПИ-јем сличним склеарн-у, алати за тумачење резултата модела машинског учења ели5 и схап.

Све је упаковано у згодну библиотеку отвореног кода у отвореном Гитхуб репозиторијуму – алати за задржавање. Коришћење библиотеке није тешко скоро свако ко воли аналитику производа, али раније није писао код, може да примени наше методе аналитике на своје податке независно и без значајног улагања времена.

Па, програмер, креатор апликације или члан тима за развој или тестирање који никада раније није радио аналитику може почети да се игра са овим кодом и види обрасце коришћења своје апликације без помоћи споља.

Путања корисника као основни елемент анализе и методе за њену обраду

Путања корисника је низ корисничких стања у одређеним временским тачкама. Штавише, догађаји могу доћи из различитих извора података, како онлајн тако и офлајн. Догађаји који се догађају кориснику су део његове путање. Примери:
• притиснули дугме
• видео слику
• удари на екран
• примио е-пошту
• препоручио производ пријатељу
• попунио формулар
• додирнуо екран
• скроловани
• отишао до касе
• наручио бурито
• појео бурито
• се отровао појевши бурито
• ушао у кафић са задњег улаза
• улази се са главног улаза
• минимизирао апликацију
• примио пусх обавештење
• је заглављен на екрану дуже од Кс
• плаћени за наруџбу
• купио поруџбину
• је одбијен кредит

Ако узмете податке о путањи групе корисника и проучите како су транзиције структуриране, можете тачно пратити како је структурирано њихово понашање у апликацији. Погодно је то урадити кроз граф у којем су стања чворови, а прелази између стања су ивице:

„Трајекторија“ је веома згодан концепт - садржи детаљне информације о свим радњама корисника, уз могућност додавања било каквих додатних података у опис ових радњи. То га чини универзалним објектом. Ако имате лепе и погодне алате који вам омогућавају да радите са путањама, онда можете пронаћи сличности и сегментирати их.

Сегментација путање у почетку може изгледати веома компликовано. У нормалној ситуацији, ово је случај - потребно је да користите поређење матрице повезивања или поравнање секвенце. Успели смо да пронађемо једноставнији начин – да проучимо велики број путања и сегментирамо их кроз груписање.

Како се испоставило, могуће је претворити путању у тачку користећи континуиране репрезентације, на пример, ТФ-ИДФ. Након трансформације, трајекторија постаје тачка у простору у којој се дуж осе уцртава нормализовано појављивање различитих догађаја и прелаза између њих у путањи. Ова ствар из огромног простора од хиљаду или више димензија (димС=сума(типови догађаја)+сума(нграмс_2 типова)) може се пројектовати на раван користећи ТСНЕ. ТСНЕ је трансформација која смањује димензију простора на 2 осе и, ако је могуће, чува релативна растојања између тачака. Сходно томе, постаје могуће на равној мапи, фигуративној пројекцијској мапи путања, проучавати како су тачке различитих путања биле лоциране међу собом. Анализира колико су блиски или различити били једни другима, да ли су формирали кластере или су били разбацани по мапи, итд.:

Алати за анализу задржавања обезбеђују могућност претварања сложених података и путања у поглед који се може упоредити један са другим, а затим се резултат трансформације може испитати и тумачити.

Говорећи о стандардним методама за обраду трајекторија, мислимо на три главна алата које смо имплементирали у Ретентионееринг - графове, матрице корака и мапе пројекција путања.

Рад са Гоогле аналитиком, Фиребасе-ом и сличним аналитичким системима је прилично сложен и није 100% ефикасан. Проблем су бројна ограничења за корисника, услед којих рад аналитичара у таквим системима зависи од кликова мишем и одабира резова. Ретентионеинг омогућава рад са путањама корисника, а не само са токовима, као у Гоогле аналитици, где се ниво детаља често своди на левак, иако изграђен за одређени сегмент.

Задржавање и случајеви

Као пример коришћења развијеног алата можемо навести случај велике нише услуге у Русији. Ова компанија има Андроид мобилну апликацију која је популарна међу купцима. Годишњи промет од мобилне апликације износио је око 7 милиона рубаља, сезонске флуктуације су се кретале од 60-130 хиљада Иста компанија има апликацију и за иОС, а просечан рачун корисника Аппле апликације био је већи од просечног рачуна. клијент који користи Андроид апликацију - 1080 руб. у односу на 1300 руб.

Компанија је одлучила да повећа ефикасност Андроид апликације, за шта је спровела детаљну анализу. Генерисано је неколико десетина хипотеза о повећању ефикасности апликације. Након коришћења Ретентионнееринга, показало се да је проблем у порукама које су приказане новим корисницима. Добили су информације о бренду, погодностима компаније и ценама. Али, како се испоставило, поруке су требале да помогну кориснику да научи како да ради у апликацији.

То је и учињено, услед чега је апликација постала мање деинсталирана, а повећање конверзије у наруџбу је било 23%. У почетку је на тест дато 20 одсто долазног саобраћаја, али су после неколико дана, након анализе првих резултата и процене тренда, обрнули пропорције и, напротив, оставили 20 одсто за контролну групу, а осамдесет посто је стављено у тест. Недељу дана касније одлучено је да се узастопно дода тестирање још две хипотезе. За само седам недеља промет са Андроид апликације је порастао за један и по пута у односу на претходни ниво.

Како радити са Ретентионееринг?

Први кораци су прилично једноставни - преузмите библиотеку помоћу команде пип инсталл ретентионееринг. Само спремиште садржи готове примере и случајеве обраде података за неке задатке аналитике производа. Сет се стално ажурира све док није довољан за прво познанство. Свако може узети готове модуле и одмах их применити на своје задатке - то им омогућава да што брже и ефикасније одмах поставе процес детаљније анализе и оптимизације путања корисника. Све ово омогућава да се пронађу обрасци коришћења апликација кроз јасан код и да се ово искуство подели са колегама.

Ретентионеинг је алатка коју вреди користити током читавог животног века ваше апликације, а ево зашто:

• Задржавање је ефикасно за праћење и континуирану оптимизацију путања корисника и побољшање пословних перформанси. Стога се у апликације за е-трговину често додају нове функције, чији утицај на производ не може увек да се тачно предвиди. У неким случајевима се јављају проблеми компатибилности између нових и старих функција - на пример, нове „канибализирају“ постојеће. А у овој ситуацији, стална анализа путања је управо оно што је потребно.
• Слична је ситуација и када се ради са рекламним каналима: нови извори саобраћаја и рекламни креативци се стално тестирају, потребно је пратити сезоналност, трендове и утицај других догађаја, што доводи до појаве све више нових класа проблема. Ово такође захтева стално праћење и тумачење механике корисника.
• Постоји велики број фактора који стално утичу на перформансе апликације. На пример, нова издања програмера: затварајући тренутни проблем, они несвесно враћају стари или креирају потпуно нови. Временом, број нових издања расте, а процес праћења грешака треба да буде аутоматизован, укључујући и анализу путања корисника.

Све у свему, Ретентионеинг је ефикасан алат. Али не постоји граница савршенству - може и треба да се побољшава, развија и на његовој основи граде нови цоол производи. Што је заједница пројекта активнија, то ће бити више виљушки и појавиће се нове занимљиве опције за његово коришћење.

Више информација о алатима за задржавање:

• Наш сајт: ретентионееринг.цом
• Распоред сусрета и регистрацију за учешће
• Ћаскање производа и аналитичара у Телеграму
• Бесплатниј Ретентионееринг репозиторијум на ГитХуб-у

Извор: ввв.хабр.цом