Trichteranalyse

Ein Conversion-Funnel bildet die Reise eines Nutzers durch eine Abfolge erforderlicher Schritte ab, beispielsweise Startseite → Produktseite → In den Warenkorb → Checkout → Kauf. Bei jedem Schritt springen einige Nutzer ab und erreichen den nächsten Schritt nicht. Eine Funnel-Analyse quantifiziert diese Abbrüche, damit Teams priorisieren können, welchen Schritt sie zuerst verbessern sollten. Das Ergebnis ist eine Tabelle mit der Nutzeranzahl und der Conversion-Rate für jeden Schritt.

Zählen Sie für jeden Funnel-Schritt die Anzahl der eindeutigen Nutzer, die dieses Ereignis mindestens einmal ausgelöst haben. Verwenden Sie innerhalb einer Schleife df[df['event_type'] == step]['user_id'].nunique() und sammeln Sie die Ergebnisse in einem Dictionary. Durch die Umwandlung in eine Series werden anschließende Prozentberechnungen mit einer einzigen Division unkompliziert.

Die Conversion-Rate von Schritt zu Schritt zeigt, welcher Anteil der Nutzer, die Schritt N abgeschlossen haben, auch Schritt N+1 abgeschlossen hat. Berechnen Sie sie mit funnel.shift(1), das die Anzahl des vorherigen Schritts liefert, und führen Sie die Division durch: funnel / funnel.shift(1) * 100. Für den ersten Schritt gibt es keinen vorherigen Schritt. Je nach Definition der Basis beträgt die Rate daher NaN oder 100 %.

Die gesamte Conversion-Rate misst, welcher Anteil aller Nutzer, die den Funnel bei Schritt 1 betreten haben, letztendlich den letzten Schritt abgeschlossen hat. Teilen Sie die Nutzeranzahl des letzten Schritts durch die Anzahl des ersten Schritts. Eine gesamte Conversion-Rate von 2–5 % von der Startseite bis zum Kauf ist im E-Commerce typisch; niedrigere Werte weisen auf einen kritischen Abbruch an einer Stelle des Funnels hin.

Eine einfache Zählung eindeutiger Nutzer behandelt Nutzer, die direkt zum Checkout gesprungen sind, ohne die Produktseite zu besuchen, als gültige Funnel-Einstiege. Dadurch wird die Conversion an den frühen Schritten überhöht. Um die Reihenfolge zu erzwingen, prüfen Sie, ob jeder Nutzer Schritt N erst nach Schritt N-1 erreicht hat. Dazu müssen Sie die Zeitstempel vergleichen: Das Ereignis product_page muss beim Nutzer vor dem Ereignis add_to_cart liegen.

Unterschiedliche Nutzersegmente können sehr unterschiedliche Conversion-Raten aufweisen. Führen Sie dieselbe Funnel-Berechnung mithilfe von groupby('device_type') getrennt für Desktop- und Mobilnutzer durch. Wenn Mobilnutzer beim Checkout stark abspringen, weist die Checkout-Seite auf kleinen Bildschirmen wahrscheinlich ein Usability-Problem auf. Segmentierte Funnels zeigen gezielte Optimierungsmöglichkeiten.

Der Schritt mit dem größten absoluten Nutzerverlust hat höchste Priorität für die Optimierung. Ermitteln Sie ihn, indem Sie mit funnel.diff() die Differenz zwischen den Nutzerzahlen aufeinanderfolgender Schritte berechnen. Der negativste Wert entspricht dabei dem größten Abbruch. Stellen Sie diese Erkenntnis sowohl numerisch als auch visuell für die Stakeholder dar.

Die Zeit, die Nutzer für den Wechsel von einem Schritt zum nächsten benötigen, zeigt Reibungspunkte auf. Wenn Nutzer zwischen dem Hinzufügen eines Artikels zum Warenkorb und dem Checkout mehrere Stunden warten, könnte eine E-Mail zu einem abgebrochenen Warenkorb sie zurückgewinnen. Berechnen Sie die mediane Zeit zwischen jedem Schritt-Paar mithilfe des DataFrames first_events, indem Sie benachbarte Zeitstempelspalten voneinander abziehen und über alle Nutzer den Median bilden.

Verfolgen Sie, ob sich die Conversion-Raten von Woche zu Woche verbessern oder verschlechtern, indem Sie den Funnel für jede Woche separat berechnen. Gruppieren Sie die Tabelle mit den ersten Ereignissen nach Woche mithilfe von first_events['homepage'].dt.isocalendar().week und berechnen Sie die gesamte Conversion-Rate pro Woche. Ein plötzlicher Rückgang in einer bestimmten Woche kann mit einer Produktveröffentlichung oder einer Marketingänderung zusammenfallen.

Fassen Sie alle Funnel-Kennzahlen in einem übersichtlichen DataFrame zusammen, der in einen Bericht exportiert oder einer Visualisierung zugeführt werden kann. Fügen Sie Spalten für den Schrittnamen, die Nutzeranzahl, die Conversion von Schritt zu Schritt, die gesamte Conversion und die verlorenen Nutzer hinzu. Dieser einzelne DataFrame sollte das Ergebnis der Funnel-Analyse sein und sowohl für Entwickler als auch für Product Manager verständlich bleiben.

Stellen Sie den Trichter als horizontales Balkendiagramm dar, wobei die Länge jedes Balkens die Anzahl der Nutzer in diesem Schritt repräsentiert. Eine Trichterform entsteht automatisch, wenn die Balken von oben (meiste Nutzer) nach unten (wenigste Nutzer) sortiert werden. Beschriften Sie jeden Balken mit dem prozentualen Übergang zum jeweils nächsten Schritt, damit das Diagramm eigenständig verständlich ist und keine separate Datentabelle zur Interpretation benötigt wird.

Testen Sie Ihr Verständnis der Konzepte der Datenanalyse aus dieser Lektion.

In dieser Lektion haben Sie Folgendes gelernt: eindeutige Nutzer in jedem Trichterschritt zählen, Übergangs- und Gesamtkonversionsraten berechnen sowie Trichter nach Gerätetyp segmentieren und wöchentliche Konversionstrends verfolgen. Als Nächstes sehen wir uns Kohorten-Retentionstabellen an, mit denen sich verfolgen lässt, wie viele Nutzer Woche für Woche zurückkehren.