Формирование сессий и последовательность событий

Набор данных о последовательности действий записывает каждое действие пользователя: просмотры страниц, нажатия кнопок и покупки — каждое в отдельной строке с указанием идентификатора пользователя, идентификатора сессии, типа события и временной отметки. Прежде чем вычислять какие-либо метрики, необходимо понять структуру данных. Выполните df.dtypes и df.sample(5), чтобы увидеть примеры строк и убедиться, что столбец временных отметок распознан как дата и время, а не как строка.

Анализ событий не имеет смысла, если строки расположены не в порядке времени. Отсортируйте данные по идентификатору пользователя, а затем по временной отметке, чтобы все события одного пользователя располагались подряд и в правильной последовательности. Используйте sort_values(['user_id', 'timestamp']), а затем сбросьте индекс, чтобы получить последовательность целых чисел, отражающую отсортированный порядок.

Если сессии не размечены заранее, их можно определить по 30-минутному периоду бездействия: новая сессия начинается, когда время с момента предыдущего события того же пользователя превышает 30 минут. Используйте groupby('user_id')['timestamp'].diff(), чтобы вычислить промежуток между последовательными событиями, а затем отметьте строки, в которых этот промежуток превышает порог, как начало сессий.

Длительность сессии — это время между первым и последним событием в сессии. Сгруппируйте данные по идентификатору пользователя и идентификатору сессии и вычислите max - min для столбца временных отметок. Преобразуйте полученный Timedelta в минуты с помощью .dt.total_seconds() / 60, чтобы получить понятную человеку метрику. Сессии с нулевой длительностью — это посещения, состоящие из одного события.

Количество событий в сессии служит косвенным показателем вовлечённости пользователя. Сессия с 20 событиями, скорее всего, указывает на более глубокое изучение продукта, чем сессия с 2 событиями. Используйте groupby(['user_id', 'session_id']).size(), чтобы подсчитать строки в каждой группе, и назовите результат event_count. Объедините эту сводку с таблицей сессий, чтобы получить полный набор данных на уровне сессий.

Первое событие в сессии показывает точку входа — например, главную страницу или страницу результатов поиска, — а последнее событие показывает способ выхода: покупку или уход без дальнейших действий. Используйте groupby().first() и groupby().last() для отсортированного DataFrame. Эти столбцы входа и выхода необходимы для анализа воронки и удержания.

Присвоение последовательного номера событиям внутри каждой сессии позволяет анализировать распространённые последовательности событий. Используйте groupby(['user_id', 'session_id']).cumcount() + 1, чтобы создать столбец event_rank. Фильтрация по event_rank == 1 возвращает событие, с которого началось посещение, а фильтрация по максимальному номеру — событие выхода для каждой сессии.

Время между событиями — промежуток между последовательными событиями внутри сессии — показывает, насколько быстро пользователи перемещаются по продукту. Вычислите его с помощью groupby(['user_id', 'session_id'])['timestamp'].diff(). Большие промежутки между определёнными типами событий указывают на колебания или непонимание на этом этапе и могут служить сигналом для улучшения пользовательского опыта.

Количество сессий на пользователя показывает, как часто каждый пользователь возвращается. Активные пользователи с большим числом сессий формируют ключевые показатели удержания. Вычислите число сессий на пользователя с помощью df.groupby('user_id')['session_id'].nunique(). Разделите пользователей на разовых посетителей, нерегулярных и постоянных пользователей, применив pd.qcut() к количеству сессий.

Понимание того, в какие дни недели проходит больше всего сессий, помогает планировать выпуск обновлений продукта, почтовые кампании и масштабирование серверов. Извлеките day_of_week из временной отметки начала сессии и сгруппируйте данные по этому признаку. Преобразование целых значений (0 = понедельник, 6 = воскресенье) в названия дней делает результаты более понятными в отчётах и на графиках.

Объедините все вычисленные метрики — длительность, количество событий, событие входа, событие выхода и день недели — в один сводный DataFrame на уровне сессий. Эта таблица служит основой для анализа воронки, моделирования удержания и создания признаков для машинного обучения. Каждая строка представляет одну сессию, а не одно исходное событие.

В этом уроке Вы научились: сортировать события в хронологическом порядке и определять границы сессий по временным промежуткам, вычислять длительность сессии и количество событий в каждой сессии, а также создавать сводную таблицу на уровне сессий для дальнейшего анализа. Далее мы рассмотрим анализ воронки, чтобы измерить переход пользователей между этапами продукта.