CommencezCommencez gratuitement

Analyse décisionnelle : profit

Beau travail pour avoir converti les taux de clics a posteriori en distributions de coûts ! Entre-temps, une nouvelle politique d'entreprise a été publiée. Dorénavant, l'objectif du service marketing n'est plus de minimiser les coûts des campagnes, ce qui était plutôt inefficace, mais plutôt de maximiser le profit. Pouvez-vous ajuster vos résultats en conséquence, sachant que le revenu attendu par clic pour une annonce mobile est de « $3.4 », et celui pour une annonce sur ordinateur est de « $3 » ? Pour calculer le profit, vous devez calculer le revenu de tous les clics, puis en soustraire le coût correspondant.

Tout ce que vous avez calculé dans l'exercice précédent est disponible dans votre espace de travail : le dictionnaire ads_cost ainsi que les distributions du nombre de clics : clothes_num_clicks et sneakers_num_clicks.

Cette activité fait partie du cours

Analyse bayésienne des données en Python

Voir le cours

Instructions de l’exercice

  • Créez un dictionnaire ads_profit avec quatre clés : clothes_mobile, sneakers_mobile, clothes_desktop et sneakers_sneakers, chacune contenant la distribution des profits à partir des clics correspondants.
  • Tracez un forest plot de ads_proft en utilisant l'intervalle de crédibilité de 99 %.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()
Modifier et exécuter le code