Taux de clics a posteriori
Après un épisode professionnel réussi au ministère de la Santé, vous vous orientez vers le marketing. Votre nouvelle entreprise vient de lancer deux campagnes publicitaires pilotes : l’une pour des baskets, l’autre pour des vêtements. Votre mission est d’identifier laquelle a été la plus efficace, mesurée par le taux de clics, afin de la déployer à plus grande échelle.
Vous décidez de réaliser un test A/B en modélisant les données avec une vraisemblance binomiale. Vous avez constaté que, pour les campagnes précédentes, le taux de clics typique tournait récemment autour de 15 %, avec des résultats variant entre 5 % et 30 %. Sur cette base, vous concluez que \(Beta(10, 50)\) constitue un bon a priori pour le taux de clics.
Les données ads, la fonction simulate_beta_posterior() vue dans la vidéo, et numpy (sous le nom np) sont disponibles dans votre espace de travail.
Cet exercice fait partie du cours
Analyse de données bayésienne en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Generate prior draws
prior_draws = ____(____, ____, 100000)
# Plot the prior
sns.kdeplot(____, shade=True, label="prior")
plt.show()