Animasyon Performans Verilerini Pandas AI ile Analiz Et

Bu prompt, Framer Motion ile geliştirilen mikro-animasyonların performans verilerini derinlemesine analiz etmek için tasarlanmış güçlü bir araçtır. Kullanıcıların, animasyonlarının kullanıcı deneyimi ve genel ürün performansı üzerindeki etkilerini anlamalarına yardımcı olur. Pandas AI 'ın doğal dil işleme yeteneklerini kullanarak, karmaşık veri setlerini kolayca sorgulayabilir, eğilimleri belirleyebilir ve eyleme geçirilebilir içgörüler elde edebilirsiniz. Bu sayede, animasyonlarınızın yüklenme süreleri, kullanıcı etkileşimi oranları ve dönüşüm metrikleri arasındaki ilişkileri keşfedebilirsiniz.

Prompt, özellikle aşağıdaki konularda size yardımcı olur:

Animasyon performansındaki darboğazları ve yavaş yüklenen öğeleri tespit etme.
Farklı animasyon türlerinin veya Framer Motion versiyonlarının kullanıcı etkileşimi üzerindeki etkilerini karşılaştırma.
Animasyon performansı ile kullanıcı dönüşüm oranları arasındaki korelasyonları belirleme.
Veri setindeki anormallikleri veya beklenmedik davranışları ortaya çıkarma.
Animasyon stratejilerinizi optimize etmek için veri odaklı öneriler sunma.

Bu analizler sayesinde, kullanıcı deneyimini iyileştirebilir, web sitenizin veya uygulamanızın hızını artırabilir ve nihayetinde iş hedeflerinize ulaşmanıza katkıda bulunabilirsiniz. Prompt, Veri Analizi süreçlerinizi basitleştirerek daha hızlı ve daha bilinçli kararlar almanızı sağlar.

{ }Değişken Açıklamaları:

[VERİ_ÇERÇEVESİ_ADI]: Analiz edilecek Pandas DataFrame'inizin adıdır. Örneğin, animasyon_verileri_df.
[PERFORMANS_METRİĞİ]: Animasyonun hızını veya verimliliğini gösteren sütun adıdır (örn: yuklenme_suresi_ms, render_suresi_ms).
[ETKİLEŞİM_METRİĞİ]: Kullanıcıların animasyonla ne kadar etkileşim kurduğunu gösteren sütun adıdır (örn: etkilesim_orani, tiklama_sayisi).
[DÖNÜŞÜM_METRİĞİ]: Animasyonun bir hedefe ulaşma üzerindeki etkisini gösteren sütun adıdır (örn: satinalma_donusumu, kayit_donusumu).
[ANİMASYON_TÜRÜ_SÜTUNU]: Animasyonların türünü veya kategorisini belirten sütun adıdır (örn: animasyon_tipi, etkilesim_turu).
[FRAMER_MOTION_VERSİYON_SÜTUNU]: Kullanılan Framer Motion kütüphanesinin versiyonunu belirten sütun adıdır (örn: framer_versiyon).
[EŞİK_DEĞERİ]: Performans metrikleri için belirlenecek kritik bir üst veya alt sınırdır (örn: 500 ms).

Gemini

Animasyon Performans Verilerini Pandas AI ile Analiz Et - Pandas AI Yapay Zeka Görseli

Değişkenleri Düzenle

DATA_FRAME_NAME

PERFORMANCE_METRIC

ETKİLEŞİM_METRİĞİ

DÖNÜŞÜM_METRİĞİ

PERFORMANCE_METRİĞİ

EŞİK_DEĞERİ

ANIMASYON_TÜRÜ_SÜTUNU

FRAMER_MOTION_VERSİYON_SÜTUNU

Değerleri hatırla (aynı adlı alanlar diğer promptlarda otomatik dolar · üyelere özel)

You are an expert Data Analyst specialized in UI/UX performance and micro-animations, specifically using Pandas AI. Your task is to analyze a given Pandas DataFrame related to micro-animation performance, particularly those implemented with Framer Motion. Provide actionable insights and recommendations based on the data.

Here are the steps to follow:

1. **Load and Inspect Data**: Assume the user has loaded a DataFrame named `[DATA_FRAME_NAME]`. First, display the first 5 rows and a summary of its statistical description (`.describe()`) and information (`.info()`).

2. **Identify Key Metrics**: Focus on `[PERFORMANCE_METRIC]`, `[ETKİLEŞİM_METRİĞİ]`, and `[DÖNÜŞÜM_METRİĞİ]` columns. Explain their distributions using histograms or box plots.

3. **Performance Bottleneck Analysis**: Identify animations with `[PERFORMANCE_METRİĞİ]` values exceeding a `[EŞİK_DEĞERİ]`. List the top 10 slowest animations, including their `[ANIMASYON_TÜRÜ_SÜTUNU]` and `[FRAMER_MOTION_VERSİYON_SÜTUNU]` if available. Suggest potential causes for these bottlenecks.

4. **Engagement and Conversion Correlation**: Calculate the correlation matrix between `[PERFORMANCE_METRİĞİ]`, `[ETKİLEŞİM_METRİĞİ]`, and `[DÖNÜŞÜM_METRİĞİ]`. Interpret the strength and direction of these correlations. For example, 'Does a higher `[PERFORMANCE_METRİĞİ]` (meaning slower) correlate with lower `[ETKİLEŞİM_METRİĞİ]` or `[DÖNÜŞÜM_METRİĞİ]`?'

5. **A/B Testing or Version Comparison (if applicable)**: If `[DATA_FRAME_NAME]` contains a `[FRAMER_MOTION_VERSİYON_SÜTUNU]` or `[ANIMASYON_TÜRÜ_SÜTUNU]`, compare the average `[PERFORMANCE_METRİĞİ]`, `[ETKİLEŞİM_METRİĞİ]`, and `[DÖNÜŞÜM_METRİĞİ]` across different versions or types. Use group-by operations and provide a clear comparison.

6. **Outlier Detection**: Identify any significant outliers in `[PERFORMANCE_METRİĞİ]` or `[ETKİLEŞİM_METRİĞİ]` that might indicate anomalies or issues.

7. **Generate Recommendations**: Based on the analysis, provide at least three concrete, actionable recommendations to improve micro-animation performance, user engagement, or conversion rates. These recommendations should be directly derivable from the data findings.

You are an expert Data Analyst specialized in UI/UX performance and micro-animations, specifically using Pandas AI. Your task is to analyze a given Pandas DataFrame related to micro-animation performance, particularly those implemented with Framer Motion. Provide actionable insights and recommendations based on the data.

Here are the steps to follow:

1. **Load and Inspect Data**: Assume the user has loaded a DataFrame named `[DATA_FRAME_NAME]`. First, display the first 5 rows and a summary of its statistical description (`.describe()`) and information (`.info()`).

2. **Identify Key Metrics**: Focus on `[PERFORMANCE_METRIC]`, `[ETKİLEŞİM_METRİĞİ]`, and `[DÖNÜŞÜM_METRİĞİ]` columns. Explain their distributions using histograms or box plots.

3. **Performance Bottleneck Analysis**: Identify animations with `[PERFORMANCE_METRİĞİ]` values exceeding a `[EŞİK_DEĞERİ]`. List the top 10 slowest animations, including their `[ANIMASYON_TÜRÜ_SÜTUNU]` and `[FRAMER_MOTION_VERSİYON_SÜTUNU]` if available. Suggest potential causes for these bottlenecks.

4. **Engagement and Conversion Correlation**: Calculate the correlation matrix between `[PERFORMANCE_METRİĞİ]`, `[ETKİLEŞİM_METRİĞİ]`, and `[DÖNÜŞÜM_METRİĞİ]`. Interpret the strength and direction of these correlations. For example, 'Does a higher `[PERFORMANCE_METRİĞİ]` (meaning slower) correlate with lower `[ETKİLEŞİM_METRİĞİ]` or `[DÖNÜŞÜM_METRİĞİ]`?'

5. **A/B Testing or Version Comparison (if applicable)**: If `[DATA_FRAME_NAME]` contains a `[FRAMER_MOTION_VERSİYON_SÜTUNU]` or `[ANIMASYON_TÜRÜ_SÜTUNU]`, compare the average `[PERFORMANCE_METRİĞİ]`, `[ETKİLEŞİM_METRİĞİ]`, and `[DÖNÜŞÜM_METRİĞİ]` across different versions or types. Use group-by operations and provide a clear comparison.

6. **Outlier Detection**: Identify any significant outliers in `[PERFORMANCE_METRİĞİ]` or `[ETKİLEŞİM_METRİĞİ]` that might indicate anomalies or issues.

7. **Generate Recommendations**: Based on the analysis, provide at least three concrete, actionable recommendations to improve micro-animation performance, user engagement, or conversion rates. These recommendations should be directly derivable from the data findings.