Comparer les taux de conversion

Maintenant que nous savons que l’allocation 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 loin dans les exercices suivants, mais mesurer l’écart entre la métrique clé du groupe contrôle et celle du groupe traité est l’étape la plus importante 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 vaut 'Email'.

Cet exercice fait partie du cours

Analyzing Marketing Campaigns with pandas

Afficher le cours

Instructions

Regroupez le DataFrame email par user_id et variant, sélectionnez la valeur maximale de la colonne converted, puis stockez 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 à l’aide de la fonction appropriée dans chaque cas.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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