La solicitud

De Daniel Foster, Gerente de producto móvil

“La dirección repite que el sitio móvil 'convierte fatal'. Antes de defenderlo o arreglarlo, necesito los números reales: ¿con qué frecuencia una visita de escritorio termina en un pedido, con qué frecuencia una móvil y qué tan grande es la brecha?”

Tu objetivo

Asigna a result un dict con "desktop" y "mobile", la tasa de conversión (proporción de sesiones con converted True) de cada dispositivo, y "lift", el lift relativo de desktop sobre mobile (tasa desktop / tasa mobile - 1). Calcula el lift con las tasas sin redondear y luego redondea los tres valores a 4 decimales.

  • Usa el DataFrame web_sessionspendiente
  • Guarda un dict en resultpendiente

Tu código

Python

Cargando el editor…

    ResultadoVista previa de web_sessions · presiona Ejecutar para ver el tuyo
    Vista previa de web_sessions
    session_idcustomer_idstarted_atdevicesource
    1NaN2023-01-01 23:02:24mobilepaid
    2182023-01-01 15:07:49desktoppaid
    3NaN2023-01-01 16:55:46desktopdirect
    4NaN2023-01-01 12:43:28mobileorganic

    Mote revisa tu resultado

    Presiona Ejecutar. Cada fila que cumple el objetivo se vuelve una luciérnaga en tu linterna.

    DataFrames

    Cargados como DataFrames de pandas, junto con pd y np.

    web_sessions40,000 filas · 7 columnas
    • session_idinteger
    • customer_idinteger
    • started_attimestamp
    • devicevarchar
    • sourcevarchar
    • pages_viewedinteger
    • convertedboolean
    Primeras 5 filas de web_sessions
    session_idcustomer_idstarted_atdevicesourcepages_viewedconverted
    1NaN2023-01-01 23:02:24mobilepaid1false
    2182023-01-01 15:07:49desktoppaid1false
    3NaN2023-01-01 16:55:46desktopdirect7false
    4NaN2023-01-01 12:43:28mobileorganic3false
    5NaN2023-01-01 13:06:21mobilesocial2false
    customers2,018 filas · 9 columnas
    • customer_idinteger
    • first_namevarchar
    • last_namevarchar
    • emailvarchar
    • cityvarchar
    • statevarchar
    • signup_datedate
    • segmentvarchar
    • referral_sourcevarchar
    Primeras 5 filas de customers
    customer_idfirst_namelast_nameemailcitystatesignup_datesegmentreferral_source
    1OwenHudsonowen.hudson@icloud.comSan FranciscoCA2022-06-02consumersearch
    2DouglasMendozadmendoza69@gmail.comAtlantaGA2022-06-02consumerNaN
    3HenryBrookshbrooks@lakesidecafe.comLos AngelesCA2022-06-04businessNaN
    4BrianGrahambgraham@bluecedarhomes.comSeattleWA2022-06-06businesspinterest
    5KyleJimenezkjimenez27@yahoo.comIndianapolisIN2022-06-07consumerNaN
    products120 filas · 8 columnas
    • product_idinteger
    • namevarchar
    • categoryvarchar
    • subcategoryvarchar
    • unit_pricedecimal
    • unit_costdecimal
    • launched_ondate
    • is_activeboolean
    Primeras 5 filas de products
    product_idnamecategorysubcategoryunit_priceunit_costlaunched_onis_active
    101Vale Velvet LoveseatFurnitureSofas1659.00NaN2023-09-11true
    102Alder Oak Coffee TableFurnitureTables919.00503.502024-05-16true
    103Orchard Rattan Dining ChairFurnitureChairs789.00429.872023-05-27true
    104Upland Oak BookcaseFurnitureStorage429.00214.702022-12-20true
    105Avery Leather Bed FrameFurnitureBeds449.00232.702021-08-31true
    orders12,000 filas · 7 columnas
    • order_idinteger
    • customer_idinteger
    • order_datetimestamp
    • statusvarchar
    • channelvarchar
    • shipping_feedecimal
    • coupon_codevarchar
    Primeras 5 filas de orders
    order_idcustomer_idorder_datestatuschannelshipping_feecoupon_code
    10011252023-01-01 20:51:19completedweb0.00NaN
    10021562023-01-02 07:58:46completedweb0.00NaN
    1003222023-01-02 10:25:27completedmarketplace4.99WELCOME10
    1004482023-01-02 11:21:51completedmarketplace4.99WELCOME10
    1005822023-01-02 11:43:36completedweb0.00WELCOME10
    order_items30,338 filas · 6 columnas
    • order_item_idinteger
    • order_idinteger
    • product_idinteger
    • quantityinteger
    • unit_pricedecimal
    • discount_pctdecimal
    Primeras 5 filas de order_items
    order_item_idorder_idproduct_idquantityunit_pricediscount_pct
    11001121931.990.00
    21001154311.990.00
    31002154411.990.00
    410021941149.000.00
    51002193219.990.00
    returns1,673 filas · 5 columnas
    • return_idinteger
    • order_item_idinteger
    • returned_ondate
    • reasonvarchar
    • refund_amountdecimal
    Primeras 5 filas de returns
    return_idorder_item_idreturned_onreasonrefund_amount
    1142023-01-10damaged83.69
    2422023-01-10wrong_item19.99
    31052023-01-14wrong_item10.99
    4242023-01-16changed_mind26.99
    51262023-01-16late20.99
    employees60 filas · 8 columnas
    • employee_idinteger
    • first_namevarchar
    • last_namevarchar
    • departmentvarchar
    • titlevarchar
    • manager_idinteger
    • hire_datedate
    • salaryinteger
    Primeras 5 filas de employees
    employee_idfirst_namelast_namedepartmenttitlemanager_idhire_datesalary
    1CatherineHaleExecutiveChief Executive OfficerNaN2016-03-01285000
    2RobertKimExecutiveChief Operating Officer12017-01-09235000
    3MeganCollinsSalesHead of Sales12018-04-16172000
    4ChloeGutierrezSalesAccount Executive32020-01-2172000
    5FrankBellSalesAccount Executive32023-05-2173000
    marketing_spend3,276 filas · 3 columnas
    • spend_datedate
    • channelvarchar
    • amountdecimal
    Primeras 5 filas de marketing_spend
    spend_datechannelamount
    2023-01-01paid492.99
    2023-01-01email37.38
    2023-01-01social200.53
    2023-01-02paid709.13
    2023-01-02email64.13

    La lección

    La tasa de conversión es una media

    Una tasa de conversión es la proporción de visitas que terminan en un pedido: conversiones divididas entre visitas. En pandas no necesitas contar nada. converted es una columna de verdadero/falso, True cuenta como 1 y False como 0, así que su media es la proporción de valores True:

    web_sessions["converted"].mean()                       # 0.0298 overall
    web_sessions.groupby("device")["converted"].mean()
    device
    desktop    0.038718
    mobile     0.024131
    tablet     0.028133

    Las visitas de escritorio terminan en un pedido el 3.87% de las veces, las móviles el 2.41%. Mira siempre también los conteos: 14,541 sesiones de escritorio, 21,549 móviles y solo 3,910 de tablet. Los grupos pequeños tienen tasas ruidosas.

    Dos maneras de decir “más grande”

    La misma brecha se puede escribir de dos maneras, y confundirlas es uno de los errores más comunes en los informes.

    • Diferencia absoluta, en puntos porcentuales: 3.87% - 2.41% = 1.46 puntos.
    • Lift relativo, en porcentaje: 3.87 / 2.41 - 1 = 0.60, así que escritorio convierte 60% más a menudo.

    “La conversión subió 2%” es ambiguo: ¿de 3.0% a 5.0% (2 puntos) o de 3.0% a 3.06% (2% relativo)? Escribe “puntos” para las diferencias absolutas y ”% más” para las relativas, y da la tasa base.

    Lo que la brecha significa y lo que no

    Los números dicen que las visitas móviles convierten menos. No dicen que el sitio móvil sea peor. Los visitantes móviles navegan en el autobús, comparan precios y vuelven en una laptop para comprar. Una tasa por sesión no puede ver ese recorrido. Comparar grupos que se eligieron solos (la gente escoge su dispositivo) muestra una diferencia, no su causa. Solo una prueba controlada, donde una moneda decide quién ve qué, puede decirte si un cambio en el sitio móvil movería el número. Hacia eso se encamina el resto de este capítulo.

    Errores comunes

    • Lift a partir de tasas redondeadas. 0.0387 / 0.0241 - 1 da 0.6058, no 0.6045. Redondea al final.
    • Puntos frente a porcentaje. Una brecha de 1.46 puntos es un lift de 60%. Di cuál de los dos quieres decir.
    • Promediar tasas entre grupos. La tasa global no es la media de las tres tasas por dispositivo: (3.87 + 2.41 + 2.81) / 3 = 3.03%, pero la tasa global real es 2.98%, porque móvil tiene más sesiones. Recalcúlala desde las filas.
    • Una tasa sin su conteo. Una tasa de 6% sobre 50 sesiones son tres pedidos. Muestra n.

    Nota de entrevista

    “Nuestra conversión subió 10%, ¿es bueno?” es una pregunta de seguimiento clásica. Una buena respuesta pregunta si es 10% relativo o 10 puntos, desde qué base, sobre cuántas sesiones y comparado con qué: el mismo periodo del año pasado o un grupo de control asignado al azar.

    Elige qué puede ejecutarse en este sitio. Puedes cambiarlo cuando quieras desde "Configurar cookies", al pie de cada página.