Analyse décisionnelle : coût
Votre aventure en marketing se poursuit. Vous avez déjà calculé les taux de clics a posteriori pour les publicités de vêtements et de espadrilles, disponibles dans votre espace de travail sous clothes_posterior et sneakers_posteriors, respectivement. Votre patron ou votre patronne ne s'intéresse toutefois pas aux distributions de taux de clics. Iel souhaite connaître le coût du déploiement d'une campagne publicitaire auprès de 10 000 utilisateurs et utilisatrices. Le partenaire publicitaire de l'entreprise facture « $2.5 » par clic sur un appareil mobile et « $2 » sur un appareil de bureau. Votre supérieur.e veut connaître le coût de la campagne pour chaque produit (vêtements et espadrilles) sur chaque plateforme (mobile et ordinateur de bureau) : quatre quantités au total.
Comparons ces quatre coûts a posteriori au moyen du forest plot de pymc3, qui a été importé pour vous sous le nom pm.
Cette activité fait partie du cours
Analyse bayésienne des données en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Calculate distributions of the numbers of clicks for clothes and sneakers
clothes_num_clicks = ____
sneakers_num_clicks = ____