Membandingkan tingkat konversi

Sekarang setelah kita tahu alokasi relatif seimbang, mari kita lihat tingkat konversi untuk control dan personalization. Karena kita memilih tingkat konversi sebagai metrik utama untuk uji ini, sangat penting untuk mengevaluasi apakah konversi lebih tinggi pada perlakuan personalization dibandingkan dengan control. Meskipun kita akan membahasnya lebih dalam pada latihan berikutnya, mengukur perbedaan antara metrik utama pada control dan perlakuan adalah bagian terpenting dalam mengevaluasi keberhasilan sebuah uji A/B.

DataFrame email telah dimuat di ruang kerja Anda dan hanya berisi baris dari DataFrame marketing di mana marketing_channel bernilai 'Email'.

Latihan ini adalah bagian dari kursus

Menganalisis Kampanye Pemasaran dengan pandas

Lihat Kursus

Petunjuk latihan

Kelompokkan DataFrame email berdasarkan user_id dan variant sambil memilih nilai maksimum dari kolom converted, lalu simpan hasilnya di subscribers.
Hapus nilai yang hilang dari kolom control pada subscribers_df.
Hapus nilai yang hilang dari kolom personalization pada subscribers_df.
Hitung tingkat konversi untuk personalization dan control menggunakan fungsi yang sesuai untuk masing-masing.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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:', ____)

Edit dan Jalankan Kode