Comparer les taux de conversion

Maintenant que nous savons que l'attribution est relativement équilibrée, examinons le taux de conversion pour le groupe témoin et la personnalisation. Comme nous avons choisi le taux de conversion comme indicateur clé pour ce test, il est essentiel d'évaluer si la conversion est plus élevée dans le traitement de personnalisation que dans le groupe témoin. Nous irons plus en profondeur dans les exercices suivants, mais mesurer l'écart de l'indicateur clé entre le témoin et le traitement est l'élément le plus important pour juger de la réussite d'un test A/B.

Le DataFrame email a été chargé dans votre espace de travail et contient uniquement les lignes du DataFrame marketing où marketing_channel est 'Email'.

Cette activité fait partie du cours

Analyser des campagnes marketing avec pandas

Voir le cours

Instructions de l’exercice

Regroupez le DataFrame email par user_id et variant, sélectionnez la valeur maximale de la colonne converted, puis enregistrez le résultat dans subscribers.
Supprimez les valeurs manquantes de la colonne control de subscribers_df.
Supprimez les valeurs manquantes de la colonne personalization de subscribers_df.
Calculez le taux de conversion pour personalization et control en utilisant la fonction appropriée pour chacune.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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:', ____)

Modifier et exécuter le code