Proces registrace

Teď namodelujeme proces generování dat (DGP) pro tok eCommerce reklamy, začínající registracemi.

Každý den získáme velké množství zobrazení reklamy, která lze modelovat jako Poissonovy náhodné proměnné (RV). Předpokládej, že \(\lambda\) má normální rozdělení se střední hodnotou 100 000 návštěvníků a směrodatnou odchylkou 2 000.

Během procesu registrace zákazník uvidí reklamu, rozhodne se, zda na ni klikne, a poté zda se zaregistruje. Kliknutí i registrace jsou tedy binární jevy modelované pomocí binomických RV. Jak je to s pravděpodobností úspěchu \(p\)? Naše současná levnější varianta nám dává míru prokliku 1 % a míru registrace 20 %. Dražší varianta by mohla zvýšit míru prokliku i registrace až o 20 %, ale nejsme si jisti mírou zlepšení – modelujeme ji proto jako rovnoměrnou náhodnou proměnnou.

Toto cvičení je součástí kurzu

Statistické simulace v Pythonu

Zobrazit kurz

Pokyny k cvičení

Inicializuj slovníky ct_rate a su_rate tak, aby hodnoty high byly rovnoměrně rozděleny mezi hodnotou low a \(1{,}2 \times\) hodnotou low.
Modeluj impressions jako Poissonovu náhodnou proměnnou se střední hodnotou lam.
Modeluj clicks a signups jako binomické náhodné proměnné, kde n odpovídá impressions a clicks a p odpovídá ct_rate[cost] a su_rate[cost].
Nakonec vypiš nasimulovaný počet registrací pro variantu 'high'.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Initialize click-through rate and signup rate dictionaries
ct_rate = {'low':0.01, 'high':np.random.uniform(low=0.01, high=1.2*0.01)}
su_rate = {'low':0.2, 'high':____(low=0.2, high=1.2*____)}

def get_signups(cost, ct_rate, su_rate, sims):
    lam = np.random.normal(loc=100000, scale=2000, size=sims)
    # Simulate impressions(poisson), clicks(binomial) and signups(binomial)
    impressions = ____
    clicks = ____
    signups = ____
    return signups

print("Simulated Signups = {}".format(get_signups('high', ct_rate, su_rate, 1)))

Upravit a spustit kód