LoslegenKostenlos starten

Entscheidungsanalyse: Gewinn

Gute Arbeit, die posterioren Klickraten in Kostenverteilungen zu übersetzen! In der Zwischenzeit gibt es eine neue Unternehmensrichtlinie. Ab sofort ist es das Ziel der Marketingabteilung nicht mehr, die Kampagnenkosten zu minimieren – das war wenig effektiv –, sondern den Gewinn zu maximieren. Kannst du deine Ergebnisse entsprechend anpassen, wenn der erwartete Erlös pro Klick bei einer mobilen Anzeige $3.4 beträgt und bei einer Desktop-Anzeige $3? Um den Gewinn zu berechnen, musst du zuerst den Erlös aus allen Klicks berechnen und anschließend die entsprechenden Kosten abziehen.

Alles, was du in der vorherigen Übung berechnet hast, steht in deinem Workspace bereit: das Dictionary ads_cost sowie die Verteilungen der Klickanzahlen: clothes_num_clicks und sneakers_num_clicks.

Diese Übung ist Teil des Kurses

<Kurs>Bayesianische Datenanalyse in Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Erstelle ein Dictionary ads_profit mit vier Schlüsseln: clothes_mobile, sneakers_mobile, clothes_desktop und sneakers_sneakers, die jeweils die Gewinnverteilung aus den entsprechenden Klicks enthalten.
  • Zeichne ein Forest-Plot von ads_proft mit einem glaubwürdigen Intervall von 99%.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Calculate profit distributions for each product and platform
ads_profit = {
    "clothes_mobile": ____,
    "sneakers_mobile": ____,
    "clothes_desktop": ____,
    "sneakers_desktop": ____,
}

# Draw a forest plot of ads_profit
____
plt.show()
Code bearbeiten und ausführen