l1p2_devjaynemorais

FPCC2 - UFCG - Mestrado 2019.1 Jayne Morais

O objeto principal da análise são as buscas e a navegação depois da busca. Criamos esses dados a partir dos dados originais da wikimedia em /data/search_data.csv.

Aqui, exploramos esses dados.

library(tidyverse)

## Warning: replacing previous import by 'rlang::dots_n' when loading 'dplyr'

## Warning: replacing previous import by 'tibble::as_tibble' when loading
## 'broom'

## Warning: replacing previous import by 'tibble::tibble' when loading 'broom'

## ── Attaching packages ──────────────────────────────────────────────────────────────────────────── tidyverse 1.2.1 ──

## ✔ ggplot2 3.1.1       ✔ purrr   0.3.2  
## ✔ tibble  2.1.1       ✔ dplyr   0.8.0.1
## ✔ tidyr   0.8.3       ✔ stringr 1.4.0  
## ✔ readr   1.3.1       ✔ forcats 0.4.0

## ── Conflicts ─────────────────────────────────────────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()

library(here)

## here() starts at /home/jayne/Documentos/MESTRADO/FPCC2/Exercicios_R/l1p2-devjaynemorais

library(lubridate)

## 
## Attaching package: 'lubridate'

## The following object is masked from 'package:here':
## 
##     here

## The following object is masked from 'package:base':
## 
##     date

theme_set(theme_bw())

buscas = read_csv(here::here("data/search_data.csv"))

## Parsed with column specification:
## cols(
##   session_id = col_character(),
##   search_index = col_double(),
##   session_length = col_double(),
##   session_start_timestamp = col_double(),
##   session_start_date = col_datetime(format = ""),
##   group = col_character(),
##   results = col_double(),
##   num_clicks = col_double(),
##   first_click = col_double()
## )

Para iniciar o processo de análise dos dados, é importante visualizar o comportamento dos dados conforme: o número de cliques por dia e também por hora (agrupados por Grupo A e B).

options(scipen = 999)
glimpse(buscas)

## Observations: 136,234
## Variables: 9
## $ session_id              <chr> "0000cbcb67c19c45", "0001382e027b2ea4", …
## $ search_index            <dbl> 1, 1, 1, 1, 2, 3, 4, 5, 6, 1, 1, 2, 1, 1…
## $ session_length          <dbl> 0, 303, 435, 58, 58, 58, 58, 58, 58, 0, …
## $ session_start_timestamp <dbl> 20160303152045, 20160307084955, 20160305…
## $ session_start_date      <dttm> 2016-03-03 15:20:45, 2016-03-07 08:49:5…
## $ group                   <chr> "b", "b", "b", "a", "a", "a", "a", "a", …
## $ results                 <dbl> 20, 18, 20, 20, 20, 20, 20, 20, 20, 1, 0…
## $ num_clicks              <dbl> 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0…
## $ first_click             <dbl> NA, 1, 1, NA, NA, NA, NA, NA, NA, NA, NA…

buscas %>% 
    ggplot(aes(x = num_clicks, y = session_start_date)) + 
    geom_jitter() +
    labs(
        title = "Distribuição de cliques por dia",
        y = "Dia",
        x = "Nº de cliques" 
    )

## Variação entre os grupos
buscas %>% 
    group_by(group) %>%
    mutate(dia = floor_date(session_start_date, unit = "hour")) %>% 
    count(dia) %>% 
    ggplot(aes(x = dia , y = n, color = group)) + 
    geom_line() +
    geom_point() +
    labs(
        title = "Distribuição de cliques por dia (agrupados por hora)",
        y = "Quantidade de Cliques",
        x = "Ocorrências durante o dia (Hrs)" 
    )

Analisando a distribuição dos dados

Para esta análise não foram contemplados registros de pesquisas que não retornam resultados. Para a realização ds cálculos também não serão contemplados registros que não possuem informação sobre a quantidade de cliques, isto é, NA. A justificativa é que a análise que será realizada é em relação aos cliques ou possibilidade de clique do usuário, logo, uma pesquisa que não retorna resultados, restringe ao usuário a clicar em um resultado, pois esta não retorna possibilidade de clique para o usuário decidir clicar ou não. 
Dessa forma, embora existam outras variáveis que devem ser analisadas, o objetivo geral dessa análise é também, entender o comportamento do usuário em relação à busca que o mesmo realizou, isto é, se os resultados são importantes o suficiente para serem "escolhidos" (clicados).
A partir dessa análise, com um estudo mais aprofundado (futuro), seria possível analisar se os resultados que a plataforma retorna é o artefato procurado pelo usuário. 
Partindo-se do princípio de que se o usuário realizou uma pesquisa, a qual retornou resultados e o usuário não clicou em nenhum destes, logo, este fato poderia ser uma hipótese de que a plataforma não retornou o esperado para ele.
Portanto, existem um total de 67951 sessões. Destas, 60005 retornam resultados em buscas realizadas.
Para o cálculo das taxas de clickthrough e zero cliques, como também das demais análises, estes dados não serão contabilizados, pois é considerado que em uma pesquisa que não retorna dados, o usuário não poderá clicar.

Caso do dia 8 de março: A a coleta de dados do mesmo não considerou esse dia por inteiro (até às 20h24min), embora a sua quantidade de sessões assemelha-se ao restante dos demais dias, o que pode ser visto abaixo. Para evitar uma análise enviesada em comparação aos demais dias, este dia não será considerado.

Qual é a nossa taxa de clickthrough (taxa de cliques) geral diária? Como isso varia entre os grupos?

Para o cálculo da taxa de cliques, primeiramente, será calculada a quantidade total de sessões, que resulta em 67951 sessões.
Em ambos os gráficos abaixo, serão listadas apenas sessões que obtiveram pelo menos 1 clique em qualquer uma de suas buscas. Assim como, pesquisas que obtiveram pelo menos 1 resultado retornado, o que resultou em um total de 26392 sessões.
Para o cálculo da taxa diária de cliques (clickthrough), será considerada a fração entre a as sessões que obtiveram pelo menos 1 de seus resultados clicados pela quantidade total de sessões.

glimpse(buscas)

## Observations: 136,234
## Variables: 9
## $ session_id              <chr> "0000cbcb67c19c45", "0001382e027b2ea4", …
## $ search_index            <dbl> 1, 1, 1, 1, 2, 3, 4, 5, 6, 1, 1, 2, 1, 1…
## $ session_length          <dbl> 0, 303, 435, 58, 58, 58, 58, 58, 58, 0, …
## $ session_start_timestamp <dbl> 20160303152045, 20160307084955, 20160305…
## $ session_start_date      <dttm> 2016-03-03 15:20:45, 2016-03-07 08:49:5…
## $ group                   <chr> "b", "b", "b", "a", "a", "a", "a", "a", …
## $ results                 <dbl> 20, 18, 20, 20, 20, 20, 20, 20, 20, 1, 0…
## $ num_clicks              <dbl> 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0…
## $ first_click             <dbl> NA, 1, 1, NA, NA, NA, NA, NA, NA, NA, NA…

# Para o cálculo da taxa de cliques, primeiramente, será calculada a quantidade total de sessões, que resulta em 67951 sessões.

quantidade_total_sessoes = buscas %>%
    filter(results > 0, !is.na(num_clicks)) %>%
    select(session_id) %>%
    summarise(quantidade_total_sessoes = n_distinct(session_id)) %>%
    ggplot(aes(x = "" , y = quantidade_total_sessoes)) +
    geom_col(position = "dodge") +
   geom_text(aes(x = "", y = quantidade_total_sessoes, label=quantidade_total_sessoes), vjust=1.6, color="white", size=3.5) +
    labs(
        title = "Total de Cliques com filtro",
        y = "Quantidade",
        x = "Cliques"
    ) +
    scale_y_continuous(breaks = seq(from = 0, to = 70000, by = 5000)) 

quantidade_total_sessoes

quantidade_total_sessoes_por_grupo_sem_filtro = buscas %>%
    select(session_id, group) %>%
    group_by(group) %>%
    summarise(quantidade_total_sessoes_sem_filtro = n_distinct(session_id)) %>%
    ggplot(aes(x = group , y = quantidade_total_sessoes_sem_filtro, fill = group)) +
    geom_col(position = "dodge") +
    geom_text(aes(x = group, y = quantidade_total_sessoes_sem_filtro, label=quantidade_total_sessoes_sem_filtro), vjust=1.6, color="black", size=3.5) +
    labs(
        title = "Total de sessões (filtro não aplicado)",
        y = "Quantidade de Sessões",
        x = "Grupo" 
    )
quantidade_total_sessoes_por_grupo_sem_filtro

quantidade_total_sessoes_por_grupo = buscas %>%
    filter(results > 0, !is.na(num_clicks)) %>%
    select(session_id, group) %>%
    group_by(group) %>%
    summarise(quantidade_total_sessoes_com_filtro = n_distinct(session_id)) %>%
    ggplot(aes(x = group , y = quantidade_total_sessoes_com_filtro, fill = group)) +
    geom_col(position = "dodge") +
    geom_text(aes(x = group, y = quantidade_total_sessoes_com_filtro, label=quantidade_total_sessoes_com_filtro), vjust=1.6, color="black", size=3.5) +
    labs(
        title = "Total de sessões (filtro aplicado)",
        y = "Quantidade de Sessões",
        x = "Grupo" 
    )
quantidade_total_sessoes_por_grupo

quantidade_total_sessoes = buscas %>%
    filter(results > 0, !is.na(num_clicks)) %>%
    select(session_id) %>%
    summarise(quantidade_total_sessoes = n_distinct(session_id)) 
#quantidade_total_sessoes

quantidade_total_sessoes_por_grupo_sem_filtro = buscas %>%
    select(session_id, group) %>%
    group_by(group) %>%
    summarise(quantidade_total_sessoes_sem_filtro = n_distinct(session_id)) 
#quantidade_total_sessoes_por_grupo_sem_filtro

quantidade_total_sessoes_por_grupo = buscas %>%
    filter(results > 0, !is.na(num_clicks)) %>%
    select(session_id, group) %>%
    group_by(group) %>%
    summarise(quantidade_total_sessoes_com_filtro = n_distinct(session_id)) 
#quantidade_total_sessoes_por_grupo


# Inclui a data a partir do timestamp
extracao_dia = buscas %>% 
    select(session_id, results, num_clicks, session_start_date, group, first_click, session_length, search_index) %>%
    mutate(dia = floor_date(session_start_date, unit = "day"))

# Inclui a hora a partir do timestamp
extracao_hora = buscas %>% 
    select(session_id, results, num_clicks, session_start_date, group, first_click, session_length, search_index) %>%
    mutate(hora = floor_date(session_start_date, unit = "hour"))

# Realiza-se o agrupamento de dados por sessão, considerando o cálculo da quantidade de cliques e de resultados retornados, ambos por sessão.
agrupamento_por_sessao_clique_dia = extracao_dia %>%
    filter(results > 0, !is.na(num_clicks)) %>%
    select(session_id, results, num_clicks, dia, group) %>%
    group_by(session_id, dia, group) %>%
    summarise(cliques_por_sessao = sum(num_clicks),
              resultados_por_sessao = sum(results))

agrupamento_por_sessao_clique_dia

# Agrupa dados do dataframe anterior, realizando a contagem do número de sessões por dia.
# Observação: Abaixo serão listadas apenas sessões que obtiveram pelo menos 1 clique em qualquer uma de suas buscas. Assim como, pesquisas que obtiveram pelo menos 1 resultado retornado.

sessoes_com_pelo_menos_um_clique = agrupamento_por_sessao_clique_dia %>%
    filter(cliques_por_sessao > 0, resultados_por_sessao > 0, !is.na(cliques_por_sessao), !is.na(resultados_por_sessao)) %>%
    group_by(dia) %>%
    summarise(quantidade_sessoes_com_clique = n(),
              taxa_clickthrough = (quantidade_sessoes_com_clique/quantidade_total_sessoes$quantidade_total_sessoes)*100)

sessoes_com_pelo_menos_um_clique

# Observação: Para o cálculo da taxa diária de cliques (clickthrough), será considerada a fração entre a as sessões que obtiveram pelo menos 1 de seus resultados clicados pela quantidade total de sessões.

# Por dia
clickthrough_diario = agrupamento_por_sessao_clique_dia %>%
    filter(cliques_por_sessao > 0, resultados_por_sessao > 0, !is.na(cliques_por_sessao), !is.na(resultados_por_sessao)) %>%
    group_by(dia) %>%
    summarise(quantidade_sessoes_com_clique = n(),
              taxa_clickthrough = (quantidade_sessoes_com_clique/quantidade_total_sessoes$quantidade_total_sessoes)*100) %>%
    ggplot(aes(x = dia , y = taxa_clickthrough)) +
    geom_col(position = "dodge") +
    geom_hline(aes(yintercept = mean(taxa_clickthrough), linetype="Média"), colour="#BB0000") +
    geom_smooth(aes(x = dia , y = taxa_clickthrough), method = lm, se = FALSE) +
    geom_text(aes(x = dia, y = taxa_clickthrough, label=paste(round(taxa_clickthrough, digits = 2), "%")), vjust=1.6, color="white", size=3.5) +
    labs(
        title = "Taxa de Clickthrough diária",
        y = "Taxa de Clickthrough (%)",
        x = "Dia" 
    ) +
    scale_y_continuous(breaks = seq(from = 0, to = 1000, by = 0.5)) 

clickthrough_diario

# Por grupo
clickthrough_diario_por_grupo = agrupamento_por_sessao_clique_dia %>%
    filter(cliques_por_sessao > 0, resultados_por_sessao > 0, !is.na(cliques_por_sessao), !is.na(resultados_por_sessao)) %>%
    group_by(dia, group) %>%
    summarise(quantidade_sessoes_com_clique = n(),
              taxa_clickthrough = (quantidade_sessoes_com_clique/quantidade_total_sessoes$quantidade_total_sessoes)*100) %>%
    ggplot(aes(x = dia , y = taxa_clickthrough, fill = group)) +
    geom_col(position = "dodge") +
    geom_hline(aes(yintercept = mean(taxa_clickthrough), linetype="Média"), colour="#BB0000") +
    geom_smooth(aes(x = dia , y = taxa_clickthrough), method = lm, se = FALSE) +
    geom_text(aes(x = dia, y = taxa_clickthrough, label=paste(round(taxa_clickthrough, digits = 2), "%")), vjust=1.6, color="black", size=3.5) +
    labs(
        title = "Taxa de Clickthrough diária por Grupo",
        y = "Taxa de Clickthrough (%)",
        x = "Dia" 
    ) +
    scale_y_continuous(breaks = seq(from = 0, to = 1000, by = 0.5)) 

clickthrough_diario_por_grupo

Considerações

O grupo A possui 27966 sessões, enquanto o grupo B possui 32039 sessões. Ao considerar essa informação, podemos afirmar que mesmo o grupo B possuindo mais sessões do que o grupo A, o grupo B ainda assim possui uma taxa de cliques (clickthrough) menor que o grupo A.
No geral, a taxa de clickthrough apresenta um descrescimento durante esse intervalo de dias e uma média em torno de 5.5%.
O grupo A apresenta as maiores taxas de clickthrough em relação ao grupo B em todos os dias analisados.
Apesar dos valores das taxas do grupo B serem maiores que as taxas do grupo A, o grupo B representa um crescimento crescente, enquanto o grupo A representa um crescimento decrescente. 
As taxas mais baixa e mais alta para o grupo A é tida no dia 05/03 e 02/03, respectivamente.
As taxas mais baixa e mais alta para o grupo B é tida no dia 01/03 e 07/03, respectivamente.

Quais resultados as pessoas tendem a tentar primeiro? Como isso muda no dia-a-dia?

Para a análise foi considerada a soma da quantidade de cliques por posição do resultado da busca encontrado.
Como também, a fins de evitar enviesamento dos dados, serão desconsiderados as buscas que não retornaram resultados, valores que não possuem informação sobre o primeiro clique.
Para uma melhor visualização, foi mostrada as primeiras 100 posições de resultados retornados, que contém 39860 ocorrências, enquanto posições acima de 100 contabilizam apenas 132 ocorrências..
Para esse cálculo foram desconsiderados, os registro que não possuem informações sobre qual posição ocorreu o primeiro clique, assim como aqueles que não possuem cliques. E, também buscas que não foram retornados resultados.

primeiros_cliques = buscas %>% 
    filter(results > 0, !is.na(num_clicks), !is.na(first_click), first_click <= 100) %>%
    ggplot(aes(x = first_click, fill = group)) + 
    geom_histogram(binwidth = 1) +
    geom_rug(alpha = .2, color = "blue") + 
    scale_y_log10() +
   # abline(h=quantile(primeiros_cliques,0.25),col="red",lty=2) +
    #geom_vline(xintercept = quantile(first_click,  prob = seq(0, 1, length = 11))) + 
    #geom_vline(xintercept = quantile(first_click, 0.75)[[1]]) +
    labs(x = "Posição do resultado no primeiro clique", 
         y = "Quantidade de ocorrências", 
         title = "Distribuição dos primeiros cliques dos usuários") 

primeiros_cliques

## Warning: Transformation introduced infinite values in continuous y-axis

## Warning: Removed 89 rows containing missing values (geom_bar).

primeiros_cliques_soma = extracao_dia %>% 
    filter(results > 0, !is.na(num_clicks), !is.na(first_click), first_click <= 100) %>%
    group_by(first_click) %>%
    summarise(quantidade_cliques = sum(num_clicks)) 
primeiros_cliques_soma

primeiros_cliques_acima_100 = extracao_dia %>% 
    filter(results > 0, !is.na(num_clicks), !is.na(first_click), first_click > 100) %>%
    summarise(quantidade_cliques = sum(num_clicks)) 
primeiros_cliques_acima_100

primeiros_cliques_abaixo_100 = extracao_dia %>% 
    filter(results > 0, !is.na(num_clicks), !is.na(first_click), first_click <= 100) %>%
    summarise(quantidade_cliques = sum(num_clicks)) 
primeiros_cliques_abaixo_100

quantidade_cliques_geral = primeiros_cliques_soma %>%
    summarise(soma = sum(quantidade_cliques))
quantidade_cliques_geral

primeiros_cliques_dia = extracao_dia %>% 
    filter(results > 0, !is.na(num_clicks), !is.na(first_click), first_click <= 50) %>%
    group_by(dia) %>%
    ggplot(aes(x = dia, y = first_click)) + 
    geom_jitter(alpha = .2) +
    #geom_boxplot() +
    geom_rug(alpha = .2, color = "blue") + 
    labs(x = "Dia", y = "Posição dos primeiros cliques", 
         title = "Distribuição dos primeiros cliques dos usuários")

primeiros_cliques_dia

Considerações:

Pode ser observado no gráfico que as primeiras posições em que os resultados de pesquisa são exibidos, são as posições que que os usuários tendem a realizar mais cliques.

Qual é a nossa taxa de resultados zero no geral? Como isso varia entre os grupos?

Abaixo serão listadas apenas sessões que obtiveram nenhum clique em qualquer uma de suas buscas. Assim como, pesquisas que obtiveram pelo menos 1 resultado retornado, que resulta em 26390 sessões.

# Observação: Abaixo serão listadas apenas sessões que obtiveram nenhum clique em qualquer uma de suas buscas. Assim como, pesquisas que obtiveram pelo menos 1 resultado retornado.

agrupamento_por_sessao_clique_dia = extracao_dia %>%
    filter(results > 0, !is.na(num_clicks)) %>%
    select(session_id, results, num_clicks, dia, group) %>%
    group_by(session_id, dia, group) %>%
    summarise(cliques_por_sessao = sum(num_clicks),
              resultados_por_sessao = sum(results))

agrupamento_por_sessao_clique_dia

sessoes_com_nenhum_clique = agrupamento_por_sessao_clique_dia %>%
    filter( cliques_por_sessao > 0, resultados_por_sessao > 0, !is.na(cliques_por_sessao), !is.na(resultados_por_sessao)) %>%
    group_by(group) %>%
    summarise(quantidade_sessoes_sem_clique = n())

sessoes_com_nenhum_clique

# Observação: Para o cálculo da taxa diária de sessões que não obtiveram cliques em seus resultados, será considerada a fração entre a as sessões que obtiveram nenhum de seus resultados clicados pela quantidade total de sessões.

# Geral
zero_geral = sessoes_com_nenhum_clique %>%
    summarise(sessoes_sem_clique = sum(quantidade_sessoes_sem_clique))
zero_geral

calculo_zero_geral = zero_geral %>%
    summarise(total_sessoes_sem_clique = sum(sessoes_sem_clique), taxa_zero = (total_sessoes_sem_clique/quantidade_total_sessoes$quantidade_total_sessoes)*100) %>%
    ggplot(aes(x = "" , y = taxa_zero)) +
    geom_col(position = "dodge") +
    geom_text(aes(x = "", y = taxa_zero, label=paste(round(taxa_zero, digits = 2), "%")), vjust=1.6, color="white", size=3.5) +
    labs(
        title = "Taxa de nenhum clique geral",
        y = "Taxa de zero cliques (%)",
        x = "Sessões sem cliques"
    ) +
    scale_y_continuous(breaks = seq(from = 0, to = 100, by = 5)) 

calculo_zero_geral

# Geral por grupo
zero_geral = sessoes_com_nenhum_clique %>%
    group_by(group) %>%
    summarise(total_sessoes_sem_clique = sum(quantidade_sessoes_sem_clique) ,
              taxa_zero = (total_sessoes_sem_clique/quantidade_total_sessoes$quantidade_total_sessoes)*100) %>%
    ggplot(aes(x = group , y = taxa_zero, fill = group)) +
    geom_col(position = "dodge") +
    geom_text(aes(x = group, y = taxa_zero, label=paste(round(taxa_zero, digits = 2), "%")), vjust=1.6, color="black", size=3.5) +
    labs(
        title = "Taxa de nenhum clique por grupo",
        y = "Taxa de zero cliques (%)",
        x = "Grupo"
    ) +
    scale_y_continuous(breaks = seq(from = 0, to = 100, by = 5)) 

zero_geral

Considerações

A taxa de zero cliques do grupo A é maior que o grupo B, no entanto, o grupo B possui 6687 sessões que não obtiveram cliques, enquanto o grupo A tem apenas 19703 Portanto, mesmo o grupo B tendo um maior número de sessões sem cliques, ainda assim, representa uma menor porcetagem em relação ao grupo A.

A duração da sessão é aproximadamente o tempo entre o primeiro e o último evento de uma sessão. Escolha uma variável do conjunto de dados e descreva sua relação com o tamanho da sessão. Visualize o relacionamento.

Utilizou-se a variável `session_length` para corresponder ao tamanho da sessão para realizar uma análise    por grupo.

# Será utilizado a variável `session_length` para corresponder ao tamanho da sessão para realizar uma análise por grupo.

tamanho_sessao = extracao_hora %>%
    select(group, session_length) %>%
    ggplot(aes(x = group , y = session_length, fill = group)) +
    geom_boxplot() +
    scale_y_log10() +
    labs(
        title = "Relaçao entre o tamanho da sessão e o grupo",
        y = "Tamanho da sessão",
        x = "Grupo" 
    )
    
tamanho_sessao

## Warning: Transformation introduced infinite values in continuous y-axis

## Warning: Removed 27611 rows containing non-finite values (stat_boxplot).

Considerações

Pode-se observar que as sessões do grupo A tendem a durar mais tempo do que as sessões do grupo B, embora o grupo B tenha mais sessões do que o grupo A. Uma hipótese a ser considerada, nesse caso, é o fato de que as sessões do grupo A, serem pesquisas mais aprofundadas/específicas (não esporádica) do que a do grupo B, embora o grupo A possui uma taxa de zero cliques maior que o grupo B.