Análise de funil

Um funil de conversão representa a jornada do usuário por uma sequência de etapas obrigatórias, por exemplo: Página inicial → Página do produto → Adicionar ao carrinho → Finalização da compra → Compra. Em cada etapa, alguns usuários abandonam o processo e nunca chegam à etapa seguinte. A análise de funil quantifica esses abandonos para que as equipes possam priorizar qual etapa melhorar primeiro. O resultado é uma tabela que mostra a contagem de usuários e a taxa de conversão em cada etapa.

Para cada etapa do funil, conte o número de usuários únicos que acionaram esse evento pelo menos uma vez. Use df[df['event_type'] == step]['user_id'].nunique() dentro de um loop e reúna os resultados em um dicionário. Converter o resultado em um Series facilita os cálculos percentuais posteriores com uma única divisão.

A taxa de conversão entre etapas mostra qual fração dos usuários que concluíram a etapa N também concluiu a etapa N+1. Calcule-a com funnel.shift(1), que fornece a contagem da etapa anterior, e faça a divisão: funnel / funnel.shift(1) * 100. A primeira etapa não tem uma etapa anterior; portanto, sua taxa será NaN ou 100%, dependendo de como você definir a base de comparação.

A taxa de conversão geral mede qual fração de todos os usuários que entraram no funil na etapa 1 concluiu a etapa final. Divida a contagem de usuários da última etapa pela contagem da primeira. Uma conversão geral de 2% a 5% da página inicial até a compra é típica no comércio eletrônico; valores abaixo disso indicam um abandono crítico em algum ponto do funil.

Uma simples contagem de usuários únicos considera válidas as entradas de usuários que foram diretamente para a finalização da compra sem visitar a página do produto, o que infla a conversão nas etapas iniciais. Para impor uma ordem, verifique se cada usuário chegou à etapa N somente depois de chegar à etapa N-1. Isso exige comparar carimbos de data e hora: o usuário deve ter um evento product_page antes do evento add_to_cart.

Diferentes segmentos de usuários podem apresentar taxas de conversão muito distintas. Execute o mesmo cálculo do funil separadamente para usuários de computadores e dispositivos móveis usando groupby('device_type'). Se os usuários de dispositivos móveis abandonarem o processo em grande número na etapa de finalização da compra, a página provavelmente terá um problema de usabilidade em telas pequenas. Funis segmentados revelam oportunidades de otimização direcionadas.

A etapa com a maior perda absoluta de usuários é o alvo prioritário de otimização. Encontre-a calculando a diferença entre as contagens de usuários de etapas consecutivas com funnel.diff(): o valor mais negativo corresponde ao maior abandono. Apresente essa informação tanto numericamente quanto visualmente para as partes interessadas.

O tempo que os usuários levam para passar de uma etapa à seguinte revela pontos de atrito. Se os usuários esperarem horas entre adicionar um item ao carrinho e finalizar a compra, um e-mail sobre o carrinho abandonado poderá recuperá-los. Calcule o tempo mediano entre cada par de etapas usando o DataFrame first_events, subtraindo colunas adjacentes de carimbo de data e hora e calculando a mediana entre todos os usuários.

Acompanhe se as taxas de conversão estão melhorando ou piorando semana a semana, calculando o funil separadamente para cada semana. Agrupe a tabela de primeiros eventos por semana usando first_events['homepage'].dt.isocalendar().week e calcule a taxa de conversão geral por semana. Uma queda repentina em uma semana específica pode coincidir com um lançamento de produto ou uma mudança de marketing.

Reúna todas as métricas do funil em um DataFrame de resumo organizado, que possa ser exportado para um relatório ou usado em uma visualização. Inclua colunas para o nome da etapa, a contagem de usuários, a conversão entre etapas, a conversão geral e os usuários perdidos. Esse único DataFrame deve ser o resultado final da análise de funil, compreensível tanto para engenheiros quanto para gerentes de produto.

Represente o funil como um gráfico de barras horizontais, em que o comprimento de cada barra representa a quantidade de usuários nessa etapa. O formato de funil surge naturalmente quando as barras são ordenadas de cima (maior número de usuários) para baixo (menor número de usuários). Anote em cada barra a porcentagem de conversão de uma etapa para a seguinte, para que o gráfico seja autossuficiente e não dependa de uma tabela de dados separada para ser interpretado.

Nesta lição, você aprendeu: a contar usuários únicos em cada etapa do funil, a calcular as taxas de conversão entre etapas e a taxa geral de conversão e a segmentar funis por tipo de dispositivo e acompanhar as tendências semanais de conversão. A seguir, vamos explorar tabelas de retenção por coorte para acompanhar quantos usuários retornam semana após semana.