Taux de clics a posteriori
Après un épisode de carrière réussi au ministère de la Santé, vous passez au marketing. Votre nouvelle entreprise vient de lancer deux campagnes publicitaires pilotes : une pour des espadrilles et une pour des vêtements. Votre rôle est de déterminer laquelle a été la plus efficace, selon le taux de clics, et devrait être déployée à plus grande échelle.
Vous décidez de réaliser un test A/B, en modélisant les données avec une vraisemblance binomiale. Vous avez constaté que le taux de clics typique des annonces précédentes tournait récemment autour de 15 %, avec des résultats variant entre 5 % et 30 %. À partir de cela, vous concluez qu'un \(Beta(10, 50)\) serait un bon a priori pour le taux de clics.
Les données ads, la fonction simulate_beta_posterior() vue dans la vidéo et numpy (comme np) sont disponibles dans votre espace de travail.
Cette activité fait partie du cours
Analyse bayésienne des données en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Generate prior draws
prior_draws = ____(____, ____, 100000)
# Plot the prior
sns.kdeplot(____, shade=True, label="prior")
plt.show()