Conversion-Rates vergleichen

Jetzt, da wir wissen, dass die Zuweisung relativ gleichmäßig ist, schauen wir uns die Conversion-Rate für Control und Personalization an. Da wir die Conversion-Rate als unsere zentrale Kennzahl für diesen Test gewählt haben, ist es entscheidend zu prüfen, ob die Conversion im Personalization-Treatment höher war als im Control. Wir gehen in den nächsten Übungen noch tiefer darauf ein, aber die Differenz der zentralen Kennzahl zwischen Control und Treatment zu messen, ist der wichtigste Teil bei der Bewertung des Erfolgs eines A/B-Tests.

Der DataFrame email wurde in deinem Workspace geladen und enthält nur Zeilen aus dem DataFrame marketing, bei denen marketing_channel den Wert 'Email' hat.

Diese Übung ist Teil des Kurses

Marketingkampagnen mit pandas analysieren

Kurs anzeigen

Anleitung zur Übung

Gruppiere den DataFrame email nach user_id und variant, wähle dabei den Maximalwert der Spalte converted aus und speichere das Ergebnis in subscribers.
Entferne fehlende Werte aus der Spalte control von subscribers_df.
Entferne fehlende Werte aus der Spalte personalization von subscribers_df.
Berechne die Conversion-Rate sowohl für personalization als auch für control mit der jeweils passenden Funktion.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Group marketing by user_id and variant
subscribers = email.____(['user_id', 
                             ____])____
subscribers_df = pd.DataFrame(subscribers.unstack(level=1)) 

# Drop missing values from the control column
control = ____

# Drop missing values from the personalization column
personalization = ____

print('Control conversion rate:', ____)
print('Personalization conversion rate:', ____)

Code bearbeiten und ausführen