Google Analytics + R

Michał Bryś, Data Scientist @ Allegro, Allegro.tech @ Warszawa, 16.12.2015
Michał Bryś
Data Scientist @ Allegro
Allegro.tech | Warszawa, 16 grudnia 2015
Google Analytics
+ R

Michał Bryś
Data 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

414
różnych wymiarów i danych
dostępne w Google Analytics

City Sessions Pageviews Avg. time on site
Warsaw 100 150 00:01:20
Cracow 120 300 00:02:15
Dimension
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 SDK
iOS SDK
Google
Tag Manager
Measurement
Protocol
Offline data

10 000 000
Miesięczny 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 API
https://console.developers.google.com/project
Utwórz: Nowy projekt, używa Analytics API
Utwórz: New Client ID
Typ aplikacji – Installed Application
Pobierz: Client ID, Client Secret

Google Developers Console

RGoogleAnalytics: Instalacja pakietu
install.packages("RGoogleAnalytics")

RGoogleAnalytics: Konfiguracja
require(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 2014
query.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 object
ga.query <- QueryBuilder(query.list)
# Extract the data and store it in a data-frame
ga.data <- GetReportData(ga.query, token)

Hello world
> head(ga.data)
month sessions
1 01 906
2 02 1643
3 03 1755
4 04 963
5 05 407
6 06 490

Wizyty vs. dzień tygodnia
# Get the Sessions by dayOfWeek in 2013
end.date = "2013-12-31",
dimensions = "ga:dayOfWeek,ga:date",
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 2013-2015
end.date = "2015-12-31",
dimensions = "ga:date",
table.id = "ga:000000")
...

Kalendarz
# Plot for calendar
calendar_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 calendar
calendar_sessions

Wykrywanie anomalii
https://github.com/twitter/AnomalyDetection
install.packages("devtools")
devtools::install_github("twitter/AnomalyDetection")
library(AnomalyDetection)
...
# Anomaly detection
res = 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 użytkowników
Pogrupuj użytkowników według zainteresowań:

Dane
Zachowanie 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 PV
42749467 /kategoria/2 54
23697733 /produkt/26 47
23697733 /kategoria/2 57
31057222 /produkt/11 26
31286996 /kategoria/2 31
14192694 /kategoria/2 26

Dane wejściowe
> head(data_test)
UID Cat1 Cat2 Cat3
1 42749467 12 81 25
2 23697732 2 90 0
3 31286996 20 64 28
4 23697732 2 90 0
5 23697732 2 90 0
6 14192694 0 46 8

#Load data into R
...
# K-Means Cluster Analysis
fit <- kmeans(data, 3) # 3 clusters
...
# Append cluster assignment
mydata <- data.frame(data, fit$cluster)
head(mydata)

> head(mydata)
UID Cat1 Cat2 Cat3 fit.cluster
1 42749467 12 81 25 1
2 31286996 20 64 28 1
3 23697732 2 90 0 2
4 14192694 0 46 8 3

# 3d chart
install.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

Recommended

Recommended

More Related Content

Similar to Google Analytics + R

Similar to Google Analytics + R (20)

More from Michal Brys

More from Michal Brys (6)

Google Analytics + R