¿Qué es una buena métrica consolidada/normalizada con los datos de las páginas vistas del embudo?

Question

Actualmente estoy trabajando en la mejor manera de representar la puntuación de interés del producto basada en las páginas vistas.

Trabajando en un caso de uso de comercio electrónico que tiene datos de interacción de la página de inicio, de la página de búsqueda y de la página de productos. Quiero construir una puntuación de interés del cliente en un producto y trabajar en una forma efectiva de representarlo.

La métrica más sencilla sería sumar toda la interacción asociada al producto, es decir, página de inicio + búsqueda + página de producto, es decir, si un producto A fue visto por 5 los usuarios en el hogar, 10 usuarios en la búsqueda y 2 usuarios en la página del producto, el recuento total sería 17 . Sin embargo, mi teoría es que tenemos que dar más peso a la página del producto ya que los clientes han visto específicamente esta página en comparación con todos los demás productos publicados en la página de inicio y de búsqueda. Algo así como

(5x + 10y + 2z)/(x+y+z) donde x,y,z son los pesos asociados a la página de inicio, la de búsqueda y la del artículo, respectivamente. En mi teoría, z > y > x

¿Cómo representar mejor esta métrica ponderando las páginas en consecuencia?

Answer 1

Si el producto visto en la página de inicio o de búsqueda puede ser sólo el resultado de un escaneo aleatorio de la página por parte del usuario y puede no significar necesariamente que el usuario exprese un interés por el producto, mientras que algo que ha sido visto en la página del producto significa que el usuario hace clic en esa página, creo que sería interesante representar esta información en una dimensión aplicando PCA, y comprobar si la mayor parte de la varianza en el componente proviene de la variable z. Si es así, probablemente se podrían utilizar las puntuaciones del componente PCA como una indicación del nivel de interés.