探索的データ分析

このドキュメントでは、Data Distillerを使用してPython ノートブックのデータを探索および分析するための基本的な例とベストプラクティスを紹介します。

はじめに

このガイドを続ける前に、Python ノートブックにData Distillerへの接続を作成していることを確認してください。 Data Distillerに Python ノートブックを接続する方法については、ドキュメントを参照してください。

基本統計の取得 basic-statistics

次のコードを使用して、データセット内の行数と個別のプロファイル数を取得します。

table_name = 'ecommerce_events'

basic_statistics_query = f"""
SELECT
    COUNT(_id) as "totalRows",
    COUNT(DISTINCT _id) as "distinctUsers"
FROM {table_name}"""

df = qs_cursor.query(basic_statistics_query, output="dataframe")
df

出力例

totalRows
distinctUsers
0
1276563
1276563

大規模データセットのサンプルバージョンの作成 create-dataset-sample

クエリするデータセットが非常に大きい場合、または探索的クエリの正確な結果が必要ない場合は、Data Distiller クエリで使用できる​ サンプリング機能を使用します。 これは2段階のプロセスです。

  • まず、データセットを​分析して、指定したサンプリング比率のサンプルバージョンを作成します
  • 次に、データセットのサンプルバージョンをクエリします。 サンプルされたデータセットに適用する関数によっては、出力を完全なデータセットに数値に拡大することができます

5%のサンプルを作成 create-sample

次の例では、データセットを分析し、5%のサンプルを作成します。

# A sampling rate of 10 is 100% in Query Service, so for 5% use a sampling rate 0.5
sampling_rate = 0.5

analyze_table_query=f"""
SET aqp=true;
ANALYZE TABLE {table_name} TABLESAMPLE SAMPLERATE {sampling_rate}"""

qs_cursor.query(analyze_table_query, output="raw")

サンプルの表示 view-sample

sample_meta関数を使用して、特定のデータセットから作成されたサンプルを表示できます。 以下のコードスニペットは、sample_meta関数の使用方法を示しています。

sampled_version_of_table_query = f'''SELECT sample_meta('{table_name}')'''

df_samples = qs_cursor.query(sampled_version_of_table_query, output="dataframe")
df_samples

サンプル出力:

sample_table_name
sample_dataset_id
parent_dataset_id
sample_type
sampling_rate
filter_condition_on_source_dataset
sample_num_rows
created
0
cmle_synthetic_data_experience_event_dataset_c…
650f7a09ed6c3e28d34d7fc2
64fb4d7a7d748828d304a2f4
均一
0.5
6427
23/09/2023
11:51:37

サンプルのクエリ query-sample-data

返されたメタデータからサンプルテーブル名を参照することで、サンプルを直接クエリできます。 その後、結果にサンプリング比率を掛けて、推定値を得ることができます。

sample_table_name = df_samples[df_samples["sampling_rate"] == sampling_rate]["sample_table_name"].iloc[0]

count_query=f'''SELECT count(*) as cnt from {sample_table_name}'''

df = qs_cursor.query(count_query, output="dataframe")
# Divide by the sampling rate to extrapolate to the full dataset
approx_count = df["cnt"].iloc[0] / (sampling_rate / 100)

print(f"Approximate count: {approx_count} using {sampling_rate *10}% sample")

出力例

Approximate count: 1284600.0 using 5.0% sample

電子メールfunnel分析 email-funnel-analysis

Funnel分析とは、目標を達成するために必要なステップと、各ステップを完了したユーザー数を把握する手法です。 次の例は、ユーザーがニュースレターを購読する手順に関する簡単なfunnelの分析を示しています。 サブスクリプションの結果は、web.formFilledOutのイベントタイプで表されます。

まず、クエリを実行して、各ステップのユーザー数を取得します。

simple_funnel_analysis_query = f'''SELECT eventType, COUNT(DISTINCT _id) as "distinctUsers",COUNT(_id) as "distinctEvents" FROM {table_name} GROUP BY eventType ORDER BY distinctUsers DESC'''

funnel_df = qs_cursor.query(simple_funnel_analysis_query, output="dataframe")
funnel_df

出力例

eventType
distinctUsers
distinctEvents
0
directMarketing.emailSent
598840
598840
1
directMarketing.emailOpened
239028
239028
2
web.webpagedetails.pageViews
120118
120118
3
advertising.impressions
119669
119669
4
directMarketing.emailClicked
51581
51581
5
commerce.productViews
37915
37915
6
decisioning.propositionDisplay
37650
37650
7
web.webinteraction.linkClicks
37581
37581
8
web.formFilledOut
17860
17860
9
advertising.clicks
7610
7610
10
decisioning.propositionInteract
2964
2964
11
decisioning.propositionDismiss
2889
2889
12
commerce.purchases
2858
2858

クエリ結果をプロット plot-results

次に、Python plotly ライブラリを使用してクエリ結果をプロットします。

import plotly.express as px

email_funnel_events = ["directMarketing.emailSent", "directMarketing.emailOpened", "directMarketing.emailClicked", "web.formFilledOut"]
email_funnel_df = funnel_df[funnel_df["eventType"].isin(email_funnel_events)]

fig = px.funnel(email_funnel_df, y='eventType', x='distinctUsers')
fig.show()

出力例

eventType メール funnelのインフォグラフィック。

イベントの相関関係 event-correlations

もう1つの一般的な分析は、イベントタイプとターゲットコンバージョンイベントタイプの間の相関関係を計算することです。 この例では、サブスクリプションイベントはweb.formFilledOutで表されます。 この例では、Data Distiller クエリで使用できるSpark関数を使用して、次の手順を実行します。

  1. 各イベントタイプのイベント数をプロファイル別にカウントします。
  2. プロファイル全体の各イベントタイプのカウントを集計し、各イベントタイプの相関関係をweb,formFilledOutで計算します。
  3. カウントと相関のデータフレームを、ターゲットイベントを使用して各フィーチャー(イベントタイプのカウント)のピアソン相関係数のテーブルに変換します。
  4. 結果をプロットで視覚化します。

Spark関数はデータを集計して結果の小さなテーブルを返します。これにより、このタイプのクエリを完全なデータセットに対して実行できます。

large_correlation_query=f'''
SELECT SUM(webFormsFilled) as webFormsFilled_totalUsers,
       SUM(advertisingClicks) as advertisingClicks_totalUsers,
       SUM(productViews) as productViews_totalUsers,
       SUM(productPurchases) as productPurchases_totalUsers,
       SUM(propositionDismisses) as propositionDismisses_totaUsers,
       SUM(propositionDisplays) as propositionDisplays_totaUsers,
       SUM(propositionInteracts) as propositionInteracts_totalUsers,
       SUM(emailClicks) as emailClicks_totalUsers,
       SUM(emailOpens) as emailOpens_totalUsers,
       SUM(webLinkClicks) as webLinksClicks_totalUsers,
       SUM(webPageViews) as webPageViews_totalusers,
       corr(webFormsFilled, emailOpens) as webForms_EmailOpens,
       corr(webFormsFilled, advertisingClicks) as webForms_advertisingClicks,
       corr(webFormsFilled, productViews) as webForms_productViews,
       corr(webFormsFilled, productPurchases) as webForms_productPurchases,
       corr(webFormsFilled, propositionDismisses) as webForms_propositionDismisses,
       corr(webFormsFilled, propositionInteracts) as webForms_propositionInteracts,
       corr(webFormsFilled, emailClicks) as webForms_emailClicks,
       corr(webFormsFilled, emailOpens) as webForms_emailOpens,
       corr(webFormsFilled, emailSends) as webForms_emailSends,
       corr(webFormsFilled, webLinkClicks) as webForms_webLinkClicks,
       corr(webFormsFilled, webPageViews) as webForms_webPageViews
FROM(
    SELECT _{tenant_id}.cmle_id as userID,
            SUM(CASE WHEN eventType='web.formFilledOut' THEN 1 ELSE 0 END) as webFormsFilled,
            SUM(CASE WHEN eventType='advertising.clicks' THEN 1 ELSE 0 END) as advertisingClicks,
            SUM(CASE WHEN eventType='commerce.productViews' THEN 1 ELSE 0 END) as productViews,
            SUM(CASE WHEN eventType='commerce.productPurchases' THEN 1 ELSE 0 END) as productPurchases,
            SUM(CASE WHEN eventType='decisioning.propositionDismiss' THEN 1 ELSE 0 END) as propositionDismisses,
            SUM(CASE WHEN eventType='decisioning.propositionDisplay' THEN 1 ELSE 0 END) as propositionDisplays,
            SUM(CASE WHEN eventType='decisioning.propositionInteract' THEN 1 ELSE 0 END) as propositionInteracts,
            SUM(CASE WHEN eventType='directMarketing.emailClicked' THEN 1 ELSE 0 END) as emailClicks,
            SUM(CASE WHEN eventType='directMarketing.emailOpened' THEN 1 ELSE 0 END) as emailOpens,
            SUM(CASE WHEN eventType='directMarketing.emailSent' THEN 1 ELSE 0 END) as emailSends,
            SUM(CASE WHEN eventType='web.webinteraction.linkClicks' THEN 1 ELSE 0 END) as webLinkClicks,
            SUM(CASE WHEN eventType='web.webinteraction.pageViews' THEN 1 ELSE 0 END) as webPageViews
    FROM {table_name}
    GROUP BY userId
)
'''
large_correlation_df = qs_cursor.query(large_correlation_query, output="dataframe")
large_correlation_df

サンプル出力:

webFormsFilled_totalUsers
advertisingClicks_totalUsers
productViews_totalUsers
productPurchases_totalUsers
propositionDismisses_totaUsers
propositionDisplays_totaUsers
propositionInteracts_totalUsers
emailClicks_totalUsers
emailOpens_totalUsers
webLinksClicks_totalUsers
webForms_advertisingClicks
webForms_productViews
webForms_productPurchases
webForms_propositionDismisses
webForms_propositionInteracts
webForms_emailClicks
webForms_emailOpens
webForms_emailSends
webForms_webLinkClicks
webForms_web ページビュー
0
17860
7610
37915
0
2889
37650
2964
51581
239028
37581
0.026805
0.2779
なし
0.06014
0.143656
0.305657
0.218874
0.192836
0.259353
なし

行をイベントタイプの相関関係に変換 event-type-correlation

次に、上記のクエリ出力の1行のデータを、各イベントタイプとターゲットのサブスクリプションイベントとの相関関係を示すテーブルに変換します。

cols = large_correlation_df.columns
corrdf = large_correlation_df[[col for col in cols if ("webForms_"  in col)]].melt()
corrdf["feature"] = corrdf["variable"].apply(lambda x: x.replace("webForms_", ""))
corrdf["pearsonCorrelation"] = corrdf["value"]

corrdf.fillna(0)

サンプル出力:

変数
value
機能
pearsonCorrelation
0
webForms_EmailOpens
0.218874
EmailOpen
0.218874
1
webForms_advertisingClicks
0.026805
advertisingClicks
0.026805
2
webForms_productViews
0.277900
productViews
0.277900
3
webForms_productPurchases
0.000000
productPurchases
0.000000
4
webForms_propositionDismisses
0.060140
propositionDismisses
0.060140
5
webForms_propositionInteracts
0.143656
propositionInteracts
0.143656
6
webForms_emailClicks
0.305657
emailClicks
0.305657
7
webForms_emailOpens
0.218874
emailOpens
0.218874
8
webForms_emailSends
0.192836
emailSends
0.192836
9
webForms_webLinkClicks
0.259353
webLinkClicks
0.259353
10
webForms_webPageViews
0.000000
webPageView
0.000000

最後に、matplotlib Python ライブラリとの相関関係を視覚化できます。

import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(5,10))
sns.barplot(data=corrdf.fillna(0), y="feature", x="pearsonCorrelation")
ax.set_title("Pearson Correlation of Events with the outcome event")

イベント結果のイベントのピアソン相関関係の棒グラフ

次の手順

このドキュメントでは、Data Distillerを使用してPython ノートブックのデータを探索および分析する方法について説明しました。 Experience Platformから機能パイプラインを作成してマシンラーニング環境でカスタムモデルをフィードする次のステップは、マシンラーニングの機能を​ エンジニア ​することです。

recommendation-more-help
ccf2b369-4031-483f-af63-a93b5ae5e3fb