Nivel 10 · Desafío final: ¿quién convierte en el sitio web?

Un conjunto de datos de embudo

web_sessions tiene una fila por visita al sitio web: cuándo empezó, el dispositivo, la fuente de tráfico, cuántas páginas vio el visitante y si la visita terminó en una compra. Son 40,000 filas, y cada pregunta de este nivel es un filtro seguido de un conteo, una proporción o una ordenación.

Paso 1: contar con una máscara

No necesitas filtrar filas para contarlas. Una máscara es una columna de True y False, y True cuenta como 1:

mask = (
    (web_sessions["device"] == "mobile")
    & (web_sessions["source"] == "paid")
    & web_sessions["converted"]
)
mask.sum()

Fíjate en que la última condición no lleva == True. converted ya es booleana, así que es una máscara por sí sola. Escribir web_sessions["converted"] == True también funciona, pero es redundante. .sum() sobre una máscara devuelve un entero de NumPy; envolverlo en int() da un número normal de Python.

Paso 2: una tasa es una media

La proporción de sesiones que convirtieron es el número de valores True dividido entre el número de filas, que es exactamente la media de una columna booleana:

engaged = web_sessions[web_sessions["pages_viewed"] >= 10]
engaged["converted"].mean()

Este es uno de los trucos más útiles de pandas. La tasa de conversión, la tasa de devoluciones, la proporción de pedidos con cupón: cada una es la .mean() de la máscara correcta, sobre el conjunto de filas correcto. El «conjunto de filas correcto» es la parte importante. La conversión «entre las sesiones comprometidas» tiene un denominador distinto al de la conversión sobre todas las sesiones, y confundirlos es uno de los errores más comunes en los informes de embudo.

Compárala con la tasa general, web_sessions["converted"].mean(). La tasa de las comprometidas es mucho más alta, lo cual es esperable: alguien que navega diez páginas tiene muchas más probabilidades de comprar. Eso no significa que hacer que la gente vea más páginas haría que comprara; la interacción y la intención de compra se mueven juntas. Mantén separadas la correlación y la causa cuando presentes esto.

Paso 3: una lista ordenada

email = web_sessions[web_sessions["source"] == "email"]
(
    email.sort_values(["pages_viewed", "session_id"], ascending=[False, True])
    .head(15)[["session_id", "device", "pages_viewed", "converted"]]
    .reset_index(drop=True)
)

Muchas sesiones comparten el mismo número de páginas, así que session_id como desempate hace la lista reproducible. Filtra primero, ordena después: ordenar 40,000 filas y filtrar más tarde da la misma respuesta pero hace más trabajo, y es más fácil equivocarse en el orden de los pasos.

Leer los resultados como un profesional de marketing

• Un conteo de conversiones sin denominador es difícil de juzgar. «51 conversiones móviles de pago» significa poco hasta que sabes cuántas sesiones móviles de pago hubo.
• Las sesiones sin customer_id son visitantes anónimos. En este conjunto de datos, solo convierten los clientes conocidos, lo que refleja cómo muchas tiendas registran las compras.

Errores comunes

• Usar and entre máscaras en lugar de &.
• Calcular la proporción del paso 2 sobre todas las sesiones en lugar de sobre las comprometidas.
• Ordenar solo por pages_viewed, de modo que la fila 15 cambia entre ejecuciones.