Введение
Электронная коммерция привела к тому, что организации вложили значительные ресурсы в онлайн-стратегии для распространения бизнес-процессов на всемирную паутину. Традиционным методам измерения использования Интернета не хватает данных, необходимых для эффективной оценки таких стратегий. Веб-аналитика — это подход, который может удовлетворить организационный спрос на эффективную оценку онлайн-стратегий.
«Чем больше мы знаем о том, как посетители используют контент, и чем точнее эти знания, тем лучше мы можем выяснить, какой контент лучше всего подходит для нашей целевой аудитории, и соответствующим образом скорректировать нашу стратегию и график публикации. Контент может быть королем, но данные — его королева». — Джордан Луи
Пользователь веб-сайта — это человек, который получает доступ к веб-сайту, просматривает его или взаимодействует с ним, а поведение пользователя относится к тому, как люди используют веб-сайт. Поведение включает в себя все, от пути, который они совершают по сайту, до взаимодействий, таких как клики. Когда дело доходит до оптимизации веб-сайта, простой мониторинг поведения не поможет вам. Настоящая ценность заключается в анализе действий пользователей, чтобы понять, что заставляет их вести себя так, а не иначе.
Поведение является сложным и различается на разных веб-сайтах в зависимости от целевой аудитории. Это означает, что вам нужно узнать конкретно о ваших пользователях. Кто они? Каковы их потребности? Какие браузеры и устройства они предпочитают? Как часто они покупают? Ответы на эти вопросы имеют решающее значение, если вы хотите иметь конкурентное преимущество, удовлетворять потребности потребителей и удерживать своих клиентов. Изучая онлайн-поведение, вы можете получить представление о том, чего пользователи пытаются достичь, о факторах, определяющих определенное поведение, о том, где они сталкиваются с трудностями, и о том, в каких областях пользовательский опыт может быть лучше. В конечном счете, изучение того, как посетители ведут себя на вашем веб-сайте, позволяет вам предоставлять расширенные возможности, соответствующие потребностям пользователей, что, в свою очередь, обеспечит дальнейший рост вашего бизнеса.
Одним из основных инструментов, которые мы используем для проведения исследований, является Google Analytics. Это бесплатно и довольно легко настроить. После установки у вас будет доступ к ценным данным о том, как пользователи ведут себя на вашем сайте, в том числе о том, где они приземляются и идут дальше, где они покидают и с чем они взаимодействуют. Вы также можете использовать его для обнаружения общих тенденций и закономерностей, а также поиска возможностей для роста.
Веб приложение
Веб-сайты электронной коммерции — это онлайн-порталы, которые облегчают онлайн-транзакции товаров и услуг посредством передачи информации и средств через Интернет. В первые дни электронная коммерция частично осуществлялась посредством электронной почты и телефонных звонков. Теперь, с помощью одного веб-сайта, все, что необходимо для транзакции, может быть выполнено онлайн.
Я использовал следующие шаги для создания своего веб-сайта электронной коммерции:
Во-первых, я взял доменное имя (Kitaab.cloudaccess.host) и хостинг от cloudaccess. .net, который также предоставил мне доступ к WordPress.
Затем я использую уже существующую тему Astra из WordPress и редактирую ее в соответствии со своими требованиями.
Мой веб-сайт содержит следующие веб-страницы:
а) Домашняя страница — это домашняя страница моего веб-сайта.
б) Магазин. Он содержит различные продукты, разделенные на разные категории.
в) Учетная запись — содержит данные учетной записи пользователя.
г) Связаться с нами- Он содержит контактные данные компании.
e) О программе — содержит информацию о команде.
Веб-сайт содержит различные функции:
а) Просмотр списка продуктов
б) Просмотр сведений о продукте
в) Поиск продуктов
г) Используйте фильтры для изменения списка продуктов (например, категория, ценовой диапазон и т. д.)
д) Добавить товар в корзину.
f) Платежный шлюз.
UserGuiding — я применил инструмент под названием WalkMe, который будет направлять нового пользователя через упорядоченные шаги на моем веб-сайте, чтобы использовать его самым простым способом для покупки продукта.
Аналитика
User Behavior Analytics или UBA фокусируется на том, что делает пользователь: запущенные приложения, сетевая активность и, что наиболее важно, доступ к файлам (когда касался файл или электронное письмо, кто к нему прикасался, что с ним делали и как часто).
Технология UBA ищет шаблоны использования, указывающие на необычное или аномальное поведение, независимо от того, совершаются ли действия хакером, инсайдером или даже вредоносным ПО или другими процессами. Хотя UBA не предотвратит проникновение хакеров или инсайдеров в вашу систему, он может быстро обнаружить их работу и свести к минимуму ущерб.
Я интегрировал свой веб-сайт в аналитическую платформу Google Analytics. Этот инструмент способен отслеживать действия пользователя и время, затрачиваемое пользователями на различные действия на веб-сайте. Я собрал аналитические данные от разных пользователей и сохранил их. Я собрал данные примерно 103 пользователей с различными точками данных, такими как:
Время, проведенное пользователями на разных страницах веб-сайта,
Фильтры, используемые пользователями,
Время, проведенное пользователями на определенной странице продукта и т. д.
Модель машинного обучения и анализ данных
Неуловимые данные о кликах. Многие платформы, такие как Facebook, полагаются на эти сгенерированные данные о том, что пользователь нажимает, а что нет. Чтобы начать анализ данных о посещениях, нам нужно сначала иметь возможность шаг за шагом фиксировать действия пользователя на веб-странице или в приложении. И это имеет большое значение в руках любого интернет-маркетолога. Получение 360-градусного обзора клиента, зная, что он нажимает, а что нет, может значительно улучшить как ваши продукты, так и качество обслуживания ваших клиентов.
Сбор данных
Либо у вас есть данные в хранилище данных, либо вам нужно обогатить их дополнительными источниками данных, которые вам нужны, чтобы иметь возможность последовательно собирать и хранить данные в базе данных.
Подготовка данных
Необработанные данные подобны необработанному алмазу; Он требует некоторой доработки, прежде чем станет действительно ценным.
В мире данных уточнение включает в себя обработку данных, очистку и преобразование исходных данных во что-то удобное для анализа, который вы собираетесь проводить.
В этом случае мы хотели бы, чтобы наши данные были сгруппированы по пользователям. Было бы еще хорошо, если бы мы могли расположить события каждого пользователя во временной последовательности, прежде чем переходить к собственно анализу.
В отличие от других последовательностей данных, данные истории посещений могут иметь разную длину для каждого отдельного пользователя.
Чтобы преобразовать первоначально собранный журнал событий в данные о посещениях, нам необходимо:
Определить события/действия, выполненные одним и тем же пользователем, и сгруппировать их вместе.
Далее разбейте их на подгруппы событий в зависимости от того, какие из них были выполнены в течение одного и того же сеанса в соответствии с определением сеанса, приведенным выше.
На данный момент набор данных, который мы собираемся использовать для остальной части анализа, должен выглядеть следующим образом:
В этом представлении каждая строка соответствует пользователю. Первое поле — это имя пользователя, а следующие поля — действия, выполненные пользователем во время этого сеанса.
Конструкция модели
Цепи Маркова
Цепи Маркова работают с последовательными данными.
Марковский процесс — это стохастический процесс, удовлетворяющий марковскому свойству отсутствия памяти. Цепь Маркова, по сути, также является марковским процессом либо в дискретном, либо в непрерывном времени со счетным пространством состояний.
При анализе посещаемости мы обычно используем эти цепи Маркова. Процесс каждый раз принимает состояние из конечного множества. Порядок цепи Маркова определяется количеством недавних состояний, от которых, как мы предполагаем, зависит текущее состояние. Исходя из этого, цепочки нулевого порядка подразумевают, что вероятность оказаться в состоянии на следующем шаге не зависит от всех предыдущих состояний.
Цепь Маркова более высокого порядка, предложенная Рафтери (1985), приведет к более реалистичным моделям. В то же время параметры, необходимые для представления, увеличиваются в геометрической прогрессии, поэтому важно найти правильный баланс между ними.
Установка цепи Маркова
Как упоминалось ранее, на данный момент наш набор данных выглядит следующим образом:
Подгонка модели цепи Маркова дает нам матрицы вероятностей перехода и лямбда-параметры цепи для каждого из трех лагов, а также вероятности начала и окончания.
Начальная и конечная вероятности соответствуют вероятности того, что поток кликов начнется или закончится этим конкретным событием.
Матрица вероятности перехода может быть представлена в виде тепловой карты, где ось Y соответствует текущему состоянию, а ось X — следующему. Чем более бычий цвет, тем вероятнее указанный переход.
from markovclick.models import MarkovClickstream m = MarkovClickstream(data) fig=plt.figure(figsize=(18, 16), dpi= 80, facecolor='w', edgecolor='k') sns.heatmap(m.prob_matrix, xticklabels=m.pages, yticklabels=m.pages,cmap="YlGnBu")
from markovclick.viz import visualise_markov_chain graph = visualise_markov_chain(m) graph
‹как насчет того, чтобы добавить сюда резюме или вывод?›
