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
<cours>Analyse de données bayésienne en Python</cours>Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Generate prior draws
prior_draws = ____(____, ____, 100000)
# Plot the prior
sns.kdeplot(____, shade=True, label="prior")
plt.show()