google analytics + r

Michał Bryś, Data Scientist @ Allegro, Allegro.tech @ Warszawa, 16.12.2015

Michał BryśData Scientist @ AllegroAllegro.tech | Warszawa, 16 grudnia 2015

Google Analytics+ R


Michał BryśData Scientist @ Allegro

Web Analytics Consultant:+ Google Analytics + Google Tag Manager

Blog: www.michalbrys.pl


Strona jest on-line.Co dalej?


Jaki ruch jest na stronie?


Kim są użytkownicy?


Gdzie się znajdują?


Jak wygląda struktura ruchu?


Najlepsze źródło ruchu?


Ścieżki wielokanałowe


Gdzie jest problem?


Zaangażowanie odbiorcy


414różnych wymiarów i danych dostępne w Google Analytics


City Sessions Pageviews Avg. time on site

Warsaw 100 150 00:01:20

Cracow 120 300 00:02:15Dimension

Metric


Dimensions & Metrics Explorer


Session · Traffic Sources · Adwords · Goal Conversions · Platform

or Device · Geo Network · System · Social Activities · Page

Tracking · Content Grouping · Internal Search · Site Speed · App

Tracking · Event Tracking · Ecommerce · Social Interactions · User

Timings · Exceptions · Content Experiments · Custom Variables or

Columns · Time · DoubleClick Campaign Manager · Audience Ad

Exchange · Channel Grouping · Related Products


Szukaj kontekstu!


Integracja z innymi źródłami danych:


Integracja z danymi zewnętrznymi

● Pogoda● Dane z CRM● Dane z CMS● Dane offline● Poziom naładowania baterii :)


Interfejsy Google Analytics

Management API

Reporting APIsData Collection APIs


Wysyłanie danych do Google Analytics

analytics.js

Android SDKiOS SDK

Google Tag Manager

MeasurementProtocol

Offline data


10 000 000Miesięczny limit hitów

do serwera Google Analytics per usługa


W czym pomoże R?

● Analiza danych● Wizualizacja danych● Testy statystyczne● Modele predykcyjne● ...


Eksport danych do R


Klucz do Google Analytics APIhttps://console.developers.google.com/project

Utwórz: Nowy projekt, używa Analytics API

Utwórz: New Client ID

Typ aplikacji – Installed Application

Pobierz: Client ID, Client Secret

https://console.developers.google.com/project

https://console.developers.google.com/project


Google Developers Console


RGoogleAnalytics: Instalacja pakietu

install.packages("RGoogleAnalytics")


RGoogleAnalytics: Konfiguracjarequire(RGoogleAnalytics)

client.id <- "xxxxxxxxxxxx.apps.googleusercontent.com"

client.secret <- "zzzzzzzzzzzz"

token <- Auth(client.id,client.secret)

# Save the token object for future sessions

save(token,file="./token_file")


Autoryzacja - dostęp do danych


Hello world# Get the Sessions by Month in 2014query.list <- Init(start.date = "2014-01-01", end.date = "2014-12-31", dimensions = "ga:month", metrics = "ga:sessions", table.id = "ga:000000")

# Create the Query Builder objectga.query <- QueryBuilder(query.list)

# Extract the data and store it in a data-framega.data <- GetReportData(ga.query, token)


Hello world

> head(ga.data) month sessions1 01 9062 02 16433 03 17554 04 9635 05 4076 06 490


Wizyty vs. dzień tygodnia# Get the Sessions by dayOfWeek in 2013query.list <- Init(start.date = "2013-01-01", end.date = "2013-12-31", dimensions = "ga:dayOfWeek,ga:date", metrics = "ga:sessions", table.id = "ga:000000")

# Processing Query to ga.data...

qplot(data = ga.data, x = dayOfWeek, y = sessions)+ geom_boxplot()


Kalendarz# Get the Sessions by date in 2013-2015query.list <- Init(start.date = "2013-01-01", end.date = "2015-12-31", dimensions = "ga:date", metrics = "ga:sessions", table.id = "ga:000000")



Kalendarz# Plot for calendarcalendar_sessions <- ggplot(data, aes(monthweek, weekdayf, fill = sessions)) + geom_tile(colour = "white") + facet_grid(year~monthf) + scale_fill_gradient(high="#D61818",low="#B5E384") + labs(title = "Kalendarz") + xlab("Tydzien miesiaca") + ylab("")

# View calendarcalendar_sessions


Wykrywanie anomalii

https://github.com/twitter/AnomalyDetection

install.packages("devtools")devtools::install_github("twitter/AnomalyDetection")library(AnomalyDetection)


# Anomaly detectionres = AnomalyDetectionTs(raw_data, max_anoms=0.02, direction='both', plot=TRUE)res$plot


Wykrywanie anomalii

https://github.com/twitter/AnomalyDetection


Case study:Profilowanie użytkownika


Klasteryzacja użytkownikówPogrupuj użytkowników według zainteresowań:


DaneZachowanie użytkowników:

● odsłony

Tematyka stron:

● adres URL + kategorie tematyczne

URL Category/52 3/aktualnosci/50 2/aktualnosci/51 3/aktualnosci/52 3/aktualnosci/53 2

UID URL PV42749467 /kategoria/2 5423697733 /produkt/26 4723697733 /kategoria/2 5731057222 /produkt/11 2631286996 /kategoria/2 3114192694 /kategoria/2 26


Dane wejściowe

> head(data_test) UID Cat1 Cat2 Cat31 42749467 12 81 252 23697732 2 90 03 31286996 20 64 284 23697732 2 90 05 23697732 2 90 06 14192694 0 46 8


Klasteryzacja użytkowników#Load data into R...

# K-Means Cluster Analysisfit <- kmeans(data, 3) # 3 clusters

...

# Append cluster assignmentmydata <- data.frame(data, fit$cluster)head(mydata)


Klasteryzacja użytkowników

> head(mydata) UID Cat1 Cat2 Cat3 fit.cluster1 42749467 12 81 25 12 31286996 20 64 28 13 23697732 2 90 0 24 14192694 0 46 8 3


Klasteryzacja użytkowników

# 3d chartinstall.packages("plotly")library(plotly)

plot_ly(df, x = mydata$Cat1, y = mydata$Cat2, z = mydata$Cat3, type = "scatter3d", mode = "markers", color=factor(mydata$fit.cluster))


Wykres 3D (plotly)

Q&A

Blog: allegro.tech

Linkedin: www.linkedin.com/in/michalbrys/

google analytics + r

Internet