Análisis de decisiones: beneficio

¡Buen trabajo al traducir las tasas posteriores de clics en distribuciones de costes! Mientras tanto, se ha publicado una nueva política de la empresa. A partir de ahora, el objetivo del departamento de marketing ya no es minimizar los costes de las campañas, lo cual resultaba poco eficaz, sino maximizar el beneficio. ¿Puedes ajustar tus conclusiones en consecuencia, sabiendo que el ingreso esperado por clic de un anuncio móvil es de $3.4, y el de un anuncio de escritorio es de $3? Para calcular el beneficio, tienes que calcular primero los ingresos de todos los clics y luego restar el coste correspondiente.

Todo lo que calculaste en el ejercicio anterior está disponible en tu espacio de trabajo: el diccionario ads_cost, así como las distribuciones del número de clics: clothes_num_clicks y sneakers_num_clicks.

Este ejercicio forma parte del curso

Análisis de datos bayesiano en Python

Instrucciones del ejercicio

Crea un diccionario ads_profit con cuatro claves: clothes_mobile, sneakers_mobile, clothes_desktop y sneakers_sneakers, cada una con la distribución de beneficios a partir de los clics correspondientes.
Dibuja un forest plot de ads_proft usando el intervalo creíble del 99%.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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()

Editar y ejecutar código

Este ejercicio forma parte del curso

Análisis de datos bayesiano en Python

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Da tus primeros pasos en el mundo bayesiano. En este capítulo, conocerás los conceptos básicos de probabilidad y distribuciones estadísticas, así como el famoso Teorema de Bayes, la piedra angular de los métodos bayesianos. Para terminar, construirás tu primer modelo bayesiano para sacar conclusiones a partir de lanzamientos aleatorios de una moneda.

Exercise 1: ¿Quién es Bayes? ¿Qué es Bayes?Exercise 2: Bayesianos vs. Frecuentistas Exercise 3: Distribuciones de probabilidad Exercise 4: Probabilidad y el teorema de Bayes Exercise 5: Juguemos a las cartas Exercise 6: Filtro de spam bayesiano Exercise 7: ¿Qué dice la prueba?Exercise 8: Probando a Bayes Exercise 9: Lanzar una moneda Exercise 10: Cuantas más veces lances, más aprendes Exercise 11: Oye, ¿es justa esta moneda?

Es hora de mirar bajo el capó bayesiano. Aprenderás a aplicar el Teorema de Bayes a datos sobre la efectividad de un fármaco para estimar los parámetros de distribuciones de probabilidad mediante la técnica de aproximación por rejilla y a actualizar estas estimaciones a medida que llega nueva información. Después, verás cómo incorporar conocimiento previo en el modelo y, para finalizar, practicarás la importante habilidad de comunicar resultados a un público no técnico.

Exercise 1: Bajo el capó bayesiano Exercise 2: Hacia la aproximación por rejilla Exercise 3: Aproximación por rejilla sin conocimiento previo Exercise 4: Actualizando la creencia posterior Exercise 5: Creencia previa Exercise 6: La verdad del previo Exercise 7: Elegir la prior adecuada Exercise 8: Simulando extracciones a posteriori Exercise 9: Comunicar resultados bayesianos Exercise 10: Estimaciones puntuales Exercise 11: Intervalos creíbles de densidad posterior más alta Exercise 12: El significado de credibilidad

Aplica tus nuevas habilidades de análisis de datos bayesiano para resolver retos empresariales reales. Trabajarás con datos de marketing de ventas online para realizar pruebas A/B, análisis de decisiones y predicción con modelos de regresión lineal.

Exercise 1: Pruebas A/B Exercise 2: Simula una posterior beta Exercise 3: Tasas de clic posteriores Exercise 4: ¿A o B, y cuánta seguridad tenemos?Exercise 5: ¿Qué tan mal puede salir?Exercise 6: Análisis de decisiones Exercise 7: Análisis de decisiones: coste Exercise 8: Análisis de decisiones: beneficio

Ejercicio actual

Exercise 9: Regresión y previsión Exercise 10: Definir un modelo de regresión bayesiana Exercise 11: Analizando los parámetros de la regresión Exercise 12: Distribución predictiva

En este capítulo final, aprovecharás la potente librería PyMC3 para ajustar fácilmente modelos de regresión bayesianos, comprobar la convergencia del modelo, elegir entre modelos alternativos y generar predicciones para nuevos datos. Para cerrar, aplicarás lo aprendido para encontrar el precio óptimo de los aguacates en un caso práctico de análisis bayesiano. ¡Suerte!

Exercise 1: Muestreo de cadenas de Markov (MCMC) y ajuste de modelos Exercise 2: Markov Chain Monte Carlo Exercise 3: Muestrear valores del posterior Exercise 4: Interpretar resultados y comparar modelos Exercise 5: Inspeccionar extracciones posteriores Exercise 6: Comparación de modelos con WAIC Exercise 7: Hacer predicciones Exercise 8: Muestrear de la densidad predictiva Exercise 9: Estimación del error de test Exercise 10: ¿Cuánto cuesta un aguacate?Exercise 11: Ajustar el modelo Exercise 12: Inspeccionando el modelo Exercise 13: Optimizar el precio Exercise 14: Comentarios finales