Analyse de décision : profit

Bravo pour avoir converti les taux de clics a posteriori en distributions de coûts ! Entre-temps, une nouvelle politique d’entreprise a été mise en place. Désormais, l’objectif du service marketing n’est plus de minimiser les coûts des campagnes — ce qui s’est avéré peu efficace — mais de maximiser le profit. Pouvez-vous adapter vos résultats en conséquence, en sachant que le revenu attendu par clic pour une publicité mobile est de $3.4, et de $3 pour une publicité sur ordinateur ? Pour calculer le profit, vous devez d’abord calculer le revenu total 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.

Cet exercice fait partie du cours

Analyse de données bayésienne en Python

Afficher le cours

Instructions

Créez un dictionnaire ads_profit avec quatre clés : clothes_mobile, sneakers_mobile, clothes_desktop et sneakers_sneakers, chacune contenant la distribution de profit issue 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 cet exemple de code.

# 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

Cet exercice fait partie du cours

Analyse de données bayésienne en Python

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Faites vos premiers pas dans l’univers bayésien. Dans ce chapitre, vous découvrirez les notions essentielles de probabilité et de distributions statistiques, ainsi que le célèbre théorème de Bayes, pierre angulaire des méthodes bayésiennes. Pour finir, vous construirez votre premier modèle bayésien afin de tirer des conclusions à partir de lancers de pièce aléatoires.

Exercise 1: Qui est Bayes ? Qu’est-ce que Bayes ?Exercise 2: Bayésiens vs. Fréquentistes Exercise 3: Lois de probabilité Exercise 4: Probabilités et théorème de Bayes Exercise 5: Jouons aux cartes Exercise 6: Filtre antispam bayésien Exercise 7: Que dit le test ?Exercise 8: Goûter au Bayes Exercise 9: Lancer une pièce Exercise 10: Plus vous lancez, plus vous apprenez Exercise 11: Alors, cette pièce est-elle équilibrée ?

Il est temps de soulever le capot bayésien. Vous apprendrez à appliquer le théorème de Bayes à des données d’efficacité d’un médicament pour estimer les paramètres de distributions de probabilité à l’aide de la technique d’approximation par grille, puis à mettre à jour ces estimations à mesure que de nouvelles données arrivent. Ensuite, vous verrez comment intégrer des connaissances a priori dans le modèle, avant de vous exercer à l’indispensable compétence de restitution des résultats à un public non technique.

Exercise 1: Sous le capot bayésien Exercise 2: Vers l’approximation par grille Exercise 3: Approximation par grille sans connaissance a priori Exercise 4: Mise à jour de la croyance a posteriori Exercise 5: Croyance a priori Exercise 6: La vérité sur l’a priori Exercise 7: Choisir la bonne loi a priori Exercise 8: Simuler des tirages a posteriori Exercise 9: Présenter des résultats bayésiens Exercise 10: Estimations ponctuelles Exercise 11: Intervalles de crédibilité de densité a posteriori maximale Exercise 12: Le sens de la crédibilité

Mettez en pratique vos nouvelles compétences en analyse bayésienne pour résoudre des problématiques métiers réelles. Vous travaillerez sur des données de marketing de ventes en ligne pour mener des tests A/B, de l’analyse de décision et de la prévision avec des modèles de régression linéaire.

Exercise 1: Test A/B Exercise 2: Simuler une postérieure bêta Exercise 3: Taux de clics a posteriori Exercise 4: A ou B, et avec quel degré de certitude ?Exercise 5: Quel est le pire scénario ?Exercise 6: Analyse de décision Exercise 7: Analyse de décision : coût Exercise 8: Analyse de décision : profit

Exercice en cours

Exercise 9: Régression et prévision Exercise 10: Définir un modèle de régression bayésienne Exercise 11: Analyzing regression parameters Exercise 12: Distribution prédictive

Dans ce dernier chapitre, vous exploiterez la puissance du package PyMC3 pour ajuster facilement des modèles de régression bayésiens, vérifier la convergence d’un modèle, choisir entre des modèles concurrents et générer des prédictions pour de nouvelles données. Pour conclure, vous appliquerez ce que vous avez appris afin de déterminer le prix optimal des avocats dans une étude de cas d’analyse bayésienne. Bonne chance !

Exercise 1: Chaînes de Markov Monte Carlo et ajustement de modèle Exercise 2: Chaîne de Markov Monte Carlo Exercise 3: Échantillonner des tirages a posteriori Exercise 4: Interpréter les résultats et comparer les modèles Exercise 5: Examiner les tirages a posteriori Exercise 6: Comparer des modèles avec la WAIC Exercise 7: Faire des prédictions Exercise 8: Échantillonner depuis la densité prédictive Exercise 9: Estimer l’erreur de test Exercise 10: Combien coûte un avocat ?Exercise 11: Ajuster le modèle Exercise 12: Inspection du modèle Exercise 13: Optimiser le prix Exercise 14: Remarques finales