Tworzenie sesji i sekwencjonowanie zdarzeń

Zbiór danych clickstream rejestruje każde działanie użytkownika: wyświetlenia stron, kliknięcia przycisków i zakupy — każde jako wiersz zawierający pola user_id, session_id, event_type i timestamp. Zanim obliczysz jakiekolwiek metryki, musisz zrozumieć schemat danych. Uruchom df.dtypes i df.sample(5), aby zobaczyć przykładowe wiersze i potwierdzić, że kolumna z sygnaturą czasową została zinterpretowana jako data i czas, a nie jako ciąg znaków.

Analiza zdarzeń nie ma sensu, jeśli wiersze nie są uporządkowane chronologicznie. Sortuj według user_id, a następnie timestamp, aby wszystkie zdarzenia tego samego użytkownika występowały kolejno i we właściwej sekwencji. Użyj sort_values(['user_id', 'timestamp']) i zresetuj indeks, aby uzyskać przejrzystą sekwencję liczb całkowitych odzwierciedlającą posortowaną kolejność.

Jeśli sesje nie zostały wcześniej oznaczone, możesz zdefiniować je na podstawie 30-minutowej przerwy w aktywności: nowa sesja zaczyna się zawsze, gdy czas od poprzedniego zdarzenia tego samego użytkownika przekracza 30 minut. Użyj groupby('user_id')['timestamp'].diff(), aby obliczyć odstęp między kolejnymi zdarzeniami, a następnie oznacz wiersze, w których odstęp przekracza próg, jako początki sesji.

Czas trwania sesji to różnica między pierwszym a ostatnim zdarzeniem w sesji. Grupuj według user_id i session_id, a następnie oblicz max - min dla kolumny z sygnaturą czasową. Przekształć wynikowy obiekt Timedelta na minuty za pomocą .dt.total_seconds() / 60, aby uzyskać czytelną dla człowieka metrykę. Sesje o zerowym czasie trwania to wizyty obejmujące jedno zdarzenie.

Liczba zdarzeń w sesji jest przybliżoną miarą zaangażowania użytkownika. Sesja obejmująca 20 zdarzeń prawdopodobnie wskazuje na dokładniejsze zapoznawanie się z produktem niż sesja z 2 zdarzeniami. Użyj groupby(['user_id', 'session_id']).size(), aby zliczyć wiersze w każdej grupie, i nadaj wynikowi nazwę event_count. Połącz to podsumowanie z powrotem z tabelą sesji, aby uzyskać kompletny zbiór danych na poziomie sesji.

Pierwsze zdarzenie w sesji wskazuje punkt wejścia (np. stronę główną lub stronę wyników wyszukiwania), a ostatnie zdarzenie pokazuje sposób zakończenia wizyty (zakup lub opuszczenie strony). Użyj groupby().first() i groupby().last() na posortowanym DataFrame. Te kolumny wejścia i wyjścia są niezbędnymi danymi do analizy lejka i utrzymania użytkowników.

Przypisanie kolejnych numerów zdarzeniom w każdej sesji umożliwia analizę typowych sekwencji zdarzeń. Użyj groupby(['user_id', 'session_id']).cumcount() + 1, aby utworzyć kolumnę event_rank. Filtrowanie za pomocą event_rank == 1 zwraca zdarzenie wejściowe, a filtrowanie według maksymalnej wartości rangi — zdarzenie wyjściowe dla każdej sesji.

Czas między zdarzeniami — odstęp między kolejnymi zdarzeniami w sesji — pokazuje, jak szybko użytkownicy poruszają się po produkcie. Oblicz go za pomocą groupby(['user_id', 'session_id'])['timestamp'].diff(). Duże odstępy między określonymi typami zdarzeń sugerują wahanie lub dezorientację na danym etapie, co stanowi sygnał do poprawy UX.

Liczba sesji przypadających na użytkownika mierzy częstotliwość jego powrotów. Zaangażowani użytkownicy z wieloma sesjami wpływają na kluczowe wskaźniki utrzymania. Oblicz liczbę sesji na użytkownika za pomocą df.groupby('user_id')['session_id'].nunique(). Podziel użytkowników na odwiedzających jednorazowych, użytkowników okazjonalnych i częstych, używając pd.qcut() dla liczby sesji.

Zrozumienie, w które dni tygodnia odbywa się najwięcej sesji, pomaga planować wydania produktu, kampanie e-mailowe i skalowanie serwerów. Wyodrębnij day_of_week z sygnatury czasowej rozpoczęcia sesji i pogrupuj według tej wartości. Mapowanie wartości całkowitych (0=poniedziałek, 6=niedziela) na nazwy dni sprawia, że wyniki są czytelniejsze w raportach i na wykresach.

Połącz wszystkie obliczone metryki — czas trwania, liczbę zdarzeń, zdarzenie wejściowe, zdarzenie wyjściowe i dzień tygodnia — w jeden zbiorczy DataFrame na poziomie sesji. Tabela ta stanowi podstawę analizy lejka, modelowania utrzymania użytkowników i generowania cech na potrzeby uczenia maszynowego. Każdy wiersz reprezentuje jedną sesję, a nie pojedyncze surowe zdarzenie.

W tej lekcji nauczyłeś się: sortować zdarzenia chronologicznie i wyznaczać granice sesji na podstawie odstępów czasowych, obliczać czas trwania sesji i liczbę zdarzeń w każdej sesji, a także tworzyć tabelę podsumowania na poziomie sesji do dalszej analizy. Następnie zajmiemy się analizą lejka, aby mierzyć konwersję między kolejnymi etapami produktu.