Analyser le taux de conversion des publicités internes
Maintenant que vous avez confirmé que le taux de conversion des publicités internes est en baisse depuis le 11 janvier, vous allez essayer d’identifier des causes possibles à cette diminution.
En tant que data scientist au service d’une équipe marketing, vous serez souvent confronté à des indicateurs qui fluctuent. Il est essentiel de déterminer si ces variations s’expliquent par des évolutions attendues du comportement des utilisateurs (par exemple, des différences selon le jour de la semaine) ou si elles signalent un problème plus large lié à la mise en œuvre technique ou à la stratégie marketing.
Dans cet exercice, nous allons commencer par vérifier si les utilisateurs convertissent davantage le week-end que la semaine et déterminer si cela pourrait expliquer la variation du taux de conversion des publicités internes.
Cet exercice fait partie du cours
Analyzing Marketing Campaigns with pandas
Instructions
- Ajoutez une colonne « jour de la semaine » au DataFrame
marketingà l’aide dedt.dayofweekà partir de la colonne'date_served'. - Utilisez
conversion_ratepour calculer la conversion par jour de la semaine et par canal marketing, puis stockez les résultats dansDoW_conversion. - Créez un graphique en courbes des résultats, faites commencer l’axe des ordonnées à
0et affichez le graphique.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Add day of week column to marketing
marketing['DoW_served'] = ____
# Calculate conversion rate by day of week
DoW_conversion = conversion_rate(____, ['____', '____'])
# Unstack channels
DoW_df = pd.DataFrame(DoW_conversion.unstack(level=1))
# Plot conversion rate by day of week
DoW_df____
plt.title('Conversion rate by day of week\n')
____
____