Visualiser les parcours des utilisateurs

Les tableaux bruts d'événements et les taux de conversion exprimés sous forme de nombres sont difficiles à communiquer à des parties prenantes non techniques. Les représentations visuelles des parcours utilisateurs — graphiques en entonnoir, heatmaps de rétention et diagrammes de Sankey — rendent les tendances immédiatement visibles. L'objectif n'est pas de remplacer les nombres, mais de les présenter sous une forme où les informations clés apparaissent d'elles-mêmes en un coup d'œil, ce qui réduit l'effort de compréhension demandé au public.

Le graphique à barres horizontales est la visualisation d'entonnoir la plus simple et la plus largement comprise. Chaque barre représente une étape de l'entonnoir ; sa longueur représente le nombre d'utilisateurs. Triez les étapes de haut en bas dans l'ordre de l'entonnoir afin que le graphique soit lu comme un entonnoir qui s'élargit. Utilisez une seule couleur contrastée pour toutes les barres afin que l'attention porte sur les valeurs et non sur la variété des couleurs.

Ajoutez les annotations des taux de conversion à l'extrémité droite de chaque barre avec ax.text(). Affichez à la fois le nombre absolu d'utilisateurs et le pourcentage de conversion d'une étape à l'autre afin que le graphique contienne toutes les informations nécessaires sans tableau de données distinct. Placez le texte légèrement à l'extérieur de l'extrémité de la barre, avec un petit décalage horizontal, pour éviter qu'il ne chevauche son remplissage.

La heatmap de rétention est le résultat standard d'une analyse par cohorte. Chaque ligne correspond à une cohorte, chaque colonne à un décalage en semaines et chaque cellule est colorée selon le pourcentage de rétention. Utilisez la palette RdYlGn (rouge = faible, vert = élevé) avec vmin=0, vmax=100 explicites afin que l'échelle de couleurs reste cohérente entre les présentations et ne soit pas recalculée pour chaque heatmap.

Les cohortes les plus récentes n'ont pas encore eu le temps d'atteindre tous les décalages en semaines. Ces cellules doivent apparaître vides plutôt qu'avec la valeur 0 %, afin que les lecteurs ne confondent pas l'absence de données avec une rétention nulle. Créez un masque booléen lorsque la valeur de la cellule est 0 et que l'indice de colonne dépasse le nombre de semaines écoulées depuis la création de la cohorte, puis transmettez-le à sns.heatmap(mask=...).

Visualisez la courbe de rétention moyenne en traçant les moyennes des colonnes de la matrice de rétention. Cette ligne unique résume le profil global de rétention du produit. Ajoutez une bande ombrée correspondant à ±1 écart type pour montrer la variabilité entre les cohortes. Une bande étroite signifie que les cohortes se comportent de manière similaire ; une bande large suggère des différences importantes entre cohortes qui méritent d'être étudiées.

Tracer côte à côte les entonnoirs de différents segments permet de déterminer si les problèmes du produit sont généraux ou spécifiques à un appareil. Créez un graphique à barres groupées avec deux groupes de barres par étape de l'entonnoir, en utilisant ax.bar() avec un décalage sur l'axe horizontal. Vous pouvez également dessiner deux graphiques d'entonnoir distincts dans une grille de sous-graphiques 1×2 avec plt.subplots(1, 2) pour faciliter la comparaison.

Visualiser la distribution du nombre d'événements par session permet de déterminer si les sessions se concentrent autour d'un petit nombre d'événements (ce qui suggère que les utilisateurs atteignent rapidement leur objectif) ou couvrent une large plage (ce qui suggère des parcours complexes ou de la confusion). Tracez cette distribution avec ax.hist() sur la colonne event_count, en utilisant une échelle logarithmique sur l'axe vertical si la distribution est fortement asymétrique vers la droite.

Affichez les séquences de deux événements (bigrammes) les plus fréquentes dans le flux de clics afin de comprendre les parcours utilisateurs typiques. Regroupez les événements par session, triez-les selon event_rank et extrayez les paires consécutives avec zip(events, events[1:]). Comptez la fréquence des paires avec un compteur et représentez les 10 premières sous forme de graphique à barres horizontales. Vous découvrirez ainsi quels parcours de navigation dominent le comportement des utilisateurs.

Un histogramme des durées de session montre si les utilisateurs s'engagent brièvement (moins de 2 minutes), modérément ou longuement. Utilisez une échelle logarithmique sur l'axe horizontal si un petit nombre de sessions très longues risque de concentrer la majorité des données dans la barre la plus à gauche. Superposez une ligne verticale à la médiane avec ax.axvline() pour guider l'interprétation de la durée de session « typique » par le public.

Combinez plusieurs visualisations dans une seule figure de tableau de bord à l'aide d'une grille de sous-graphiques avec plt.subplots(2, 2, figsize=(14, 10)). Attribuez à chaque panneau le graphique à barres de l'entonnoir, la heatmap de rétention, la courbe de rétention moyenne et la distribution des événements. Enregistrez la figure au format PNG pour une diffusion sur le Web ou au format PDF pour des rapports imprimables. Une figure unifiée est plus facile à partager que quatre fichiers distincts.

Dans cette leçon, vous avez appris à : créer des graphiques à barres d'entonnoir annotés et des heatmaps de rétention, tracer des courbes de rétention moyenne avec des bandes de variabilité, et combiner plusieurs graphiques dans une seule figure de tableau de bord enregistrée au format PNG. Nous allons maintenant étudier la détection et la suppression des enregistrements en double dans le nettoyage avancé des données.