Ανάλυση διοχέτευσης χρήστη με χρήση Python

Η ανάλυση διοχέτευσης χρήστη είναι ένας τρόπος ανάλυσης της ροής των χρηστών σε έναν ιστότοπο ή μια εφαρμογή. Βοηθά στην ανάλυση του ποσοστού μετατροπών σε κάθε σελίδα που επισκέπτονται οι χρήστες. Επομένως, εάν θέλετε να μάθετε πώς να αναλύετε τη διοχέτευση χρήστη, αυτό το άρθρο είναι για εσάς. Σε αυτό το άρθρο, θα σας μεταφέρω στην εργασία της ανάλυσης διοχέτευσης χρήστη χρησιμοποιώντας Πύθων.

Ανάλυση διοχέτευσης χρήστη

Η ανάλυση διοχέτευσης χρήστη είναι ένας τρόπος κατανόησης του τρόπου με τον οποίο οι χρήστες αλληλεπιδρούν με έναν ιστότοπο ή μια εφαρμογή. Βοηθά τις επιχειρήσεις να αναλύσουν το ποσοστό μετατροπής από τη σελίδα που επισκέφτηκε ο χρήστης τον ιστότοπο ή την εφαρμογή στη σελίδα που ο χρήστης έφυγε από τον ιστότοπο ή την εφαρμογή.

Παρακολουθώντας τη ροή των χρηστών καθώς κινούνται στα διάφορα στάδια της διοχέτευσης, οι εταιρείες μπορούν να εντοπίσουν περιοχές όπου οι χρήστες εγκαταλείπουν ή κολλάνε και, στη συνέχεια, να αναλάβουν δράση για τη βελτίωση της εμπειρίας χρήστη και την αύξηση των μετατροπών.

Για παράδειγμα, εάν πολλοί χρήστες εγκαταλείψουν τον ιστότοπο αφού προσθέσουν αντικείμενα στο καλάθι, η εταιρεία μπορεί να αναζητήσει τρόπους για να κάνει τη διαδικασία ολοκλήρωσης αγοράς πιο γρήγορη και ευκολότερη.

Ανάλυση διοχέτευσης χρήστη με χρήση Python

Τώρα ας δούμε πώς να αναλύσουμε τη διοχέτευση χρήστη χρησιμοποιώντας τη γλώσσα προγραμματισμού Python. Θα ξεκινήσω αυτήν την εργασία εισάγοντας τις απαραίτητες βιβλιοθήκες Python και το σύνολο δεδομένων (μπορείτε να κατεβάσετε το σύνολο δεδομένων από εδώ):

import pandas as pd
data = pd.read_csv("user_data.csv")
print(data.head())

  user_id     stage  conversion
0  user_0  homepage        True
1  user_1  homepage        True
2  user_2  homepage        True
3  user_3  homepage        True
4  user_4  homepage        True

Η στήλη σταδίου περιέχει τα στάδια της ροής των χρηστών. Για παράδειγμα, όταν επισκέπτεστε το Amazon, το πρώτο στάδιο θα είναι η αρχική σελίδα του Amazon και η τελευταία σελίδα θα είναι η σελίδα όπου θα προχωρήσετε στην πληρωμή. Λοιπόν, ας ρίξουμε μια ματιά στα στάδια σε αυτό το σύνολο δεδομένων:

print(data["stage"].value_counts())

homepage        10000
product_page     5000
cart             1500
checkout          450
purchase          225
Name: stage, dtype: int64

Έτσι, τα στάδια διοχέτευσης χρήστη του ιστότοπου είναι η αρχική σελίδα >> προϊόν_σελίδα >> καλάθι >> ταμείο >> αγορά. Τώρα παρακάτω είναι πώς μπορούμε να αναλύσουμε τις διοχετεύσεις χρηστών:

import plotly.graph_objects as go
import plotly.io as pio
pio.templates.default = "plotly_white"

#define the funnel stages
funnel_stages = ['homepage', 'product_page', 'cart', 'checkout', 'purchase']

#calculate the number of users and conversions for each stage
num_users = []
num_conversions = []

for stage in funnel_stages:
    stage_users = data[data['stage'] == stage]
    num_users.append(len(stage_users))
    num_conversions.append(stage_users['conversion'].sum())

#create a funnel chart
fig = go.Figure(go.Funnel(
    y=funnel_stages,
    x=num_users,
    textposition='inside',
    textinfo='value',
    name="Users"
))

fig.add_trace(go.Funnel(
    y=funnel_stages,
    x=num_conversions,
    textposition='inside',
    textinfo='value',
    name="Conversions"
))

fig.update_layout(
    title="Funnel Analysis",
    funnelmode="stack"
)

fig.show()

Έτσι, μπορείτε να αναλύσετε διοχετεύσεις χρηστών χρησιμοποιώντας τη γλώσσα προγραμματισμού Python.

Περίληψη

Η ανάλυση διοχέτευσης είναι ένας τρόπος για να κατανοήσετε πώς αλληλεπιδρούν οι χρήστες με έναν ιστότοπο ή μια εφαρμογή. Βοηθά τις επιχειρήσεις να αναλύσουν το ποσοστό μετατροπής από τη σελίδα που επισκέφτηκε ο χρήστης τον ιστότοπο ή την εφαρμογή στη σελίδα που ο χρήστης έφυγε από τον ιστότοπο ή την εφαρμογή. Ελπίζω να σας άρεσε αυτό το άρθρο σχετικά με την Ανάλυση διοχέτευσης χρήστη με χρήση Python. Μη διστάσετε να κάνετε πολύτιμες ερωτήσεις στην παρακάτω ενότητα σχολίων.