Visualizzare i percorsi degli utenti

Le tabelle grezze degli eventi e i tassi di conversione espressi come numeri sono difficili da comunicare agli stakeholder non tecnici. Le rappresentazioni visive dei percorsi degli utenti — grafici a imbuto, heatmap della retention e diagrammi di Sankey — rendono immediatamente evidenti i pattern. L’obiettivo non è sostituire i numeri, ma presentarli in una forma che renda le informazioni comprensibili a colpo d’occhio, riducendo il carico cognitivo del pubblico.

Un grafico a barre orizzontali è la visualizzazione del funnel più semplice e più facilmente comprensibile. Ogni barra rappresenta un passaggio del funnel; la lunghezza della barra rappresenta il numero di utenti. Ordini i passaggi dall’alto verso il basso, seguendo l’ordine del funnel, così il grafico assume l’aspetto di un imbuto che si restringe. Utilizzi un unico colore a contrasto per tutte le barre, in modo che l’attenzione rimanga sui valori e non sulla varietà dei colori.

Aggiunga le annotazioni dei tassi di conversione sul bordo destro di ogni barra utilizzando ax.text(). Mostri sia il numero assoluto di utenti sia la percentuale di conversione tra un passaggio e il successivo, così il grafico contiene tutte le informazioni necessarie senza una tabella dati separata. Posizioni il testo leggermente all’esterno dell’estremità della barra, con un piccolo scarto orizzontale, per evitare che si sovrapponga al colore di riempimento.

La heatmap della retention è l’output standard dell’analisi delle coorti. Ogni riga rappresenta una coorte, ogni colonna uno scarto settimanale e ogni cella è colorata in base alla percentuale di retention. Utilizzi la mappa di colori RdYlGn (rosso = bassa, verde = alta) con vmin=0, vmax=100 espliciti, così la scala dei colori rimane coerente tra le presentazioni e non viene ricalibrata per ogni heatmap.

Le coorti più recenti non hanno ancora avuto il tempo di completare tutti gli scarti settimanali. Queste celle dovrebbero apparire vuote anziché come 0 %, per evitare che chi legge scambi l’assenza di dati per una retention nulla. Crei una maschera booleana in cui il valore della cella è 0 e l’indice della colonna supera il numero di settimane di esistenza della coorte, quindi la passi a sns.heatmap(mask=...).

Visualizzi la curva di retention media tracciando le medie delle colonne della matrice di retention. Questa singola linea riassume il profilo complessivo di retention del prodotto. Aggiunga una banda ombreggiata pari a ±1 deviazione standard per mostrare la variabilità tra le coorti. Una banda stretta indica che le coorti si comportano in modo simile; una banda ampia suggerisce differenze importanti tra coorti che meritano di essere analizzate.

Tracciare i funnel dei diversi segmenti affiancati mostra se i problemi del prodotto sono generali o specifici di un dispositivo. Crei un grafico a barre raggruppate con due gruppi di barre per ogni passaggio del funnel, utilizzando ax.bar() con uno scarto sull’asse x. In alternativa, disegni due grafici del funnel separati in una griglia di sottografici 1×2 utilizzando plt.subplots(1, 2) per un confronto più chiaro.

Visualizzare la distribuzione degli eventi per sessione mostra se le sessioni si concentrano attorno a un numero ridotto di eventi (segno che gli utenti raggiungono rapidamente il loro obiettivo) o coprono un intervallo ampio (segno di percorsi complessi o confusione). Tracci il grafico con ax.hist() sulla colonna event_count, utilizzando una scala logaritmica sull’asse y se la distribuzione è fortemente asimmetrica a destra.

Mostri le sequenze più comuni di due eventi (bigrammi) nel clickstream per comprendere i percorsi tipici degli utenti. Raggruppi i dati per sessione, li ordini in base a event_rank ed estragga le coppie consecutive utilizzando zip(events, events[1:]). Conti la frequenza delle coppie con un Counter e rappresenti le prime 10 in un grafico a barre orizzontali. Questo mostra quali percorsi di navigazione predominano nel comportamento degli utenti.

Un istogramma della durata delle sessioni mostra se gli utenti interagiscono brevemente (meno di 2 minuti), moderatamente o a lungo. Utilizzi una scala logaritmica sull’asse x se un numero ridotto di sessioni molto lunghe comprimerebbe la maggior parte dei dati nella barra più a sinistra. Sovrapponga una linea verticale sulla mediana con ax.axvline() per aiutare il pubblico a interpretare la durata “tipica” di una sessione.

Combini più visualizzazioni in un unico grafico della dashboard utilizzando una griglia di sottografici con plt.subplots(2, 2, figsize=(14, 10)). Assegni a ciascun pannello il grafico a barre del funnel, la heatmap della retention, la curva di retention media e la distribuzione degli eventi. Salvi il risultato in PNG per la pubblicazione sul Web o in PDF per i report stampabili. Un grafico unificato è più facile da condividere rispetto a quattro file separati.

In questa lezione ha imparato a: creare grafici a barre del funnel annotati e heatmap della retention, tracciare curve di retention media con bande di variabilità e combinare più grafici in un’unica dashboard salvata in PNG. Ora analizzeremo l’individuazione e la rimozione dei record duplicati nella pulizia avanzata dei dati.