Membangun fungsi segmentasi A/B test

Pada pelajaran sebelumnya, Anda melihat bahwa eksperimen personalisasi Anda sangat signifikan secara statistik. Namun, saat menjalankan eksperimen, penting untuk memeriksa bagaimana fitur baru memengaruhi demografi tertentu. Terkadang, fitur yang sangat menarik bagi satu kelompok kurang menarik bagi kelompok lain.

Karena Anda ingin melakukan segmentasi data beberapa kali, Anda akan membangun fungsi ab_segmentation() yang menganalisis dampak A/B test pada segmen data dan dapat digunakan kembali setiap kali Anda ingin melakukan analisis seperti ini.

Fungsi Anda akan menerima sebuah nama kolom dan menjalankan perhitungan untuk setiap nilai unik dalam kolom tersebut guna menghitung lift dan signifikansi statistik.

Latihan ini adalah bagian dari kursus

Menganalisis Kampanye Pemasaran dengan pandas

Lihat Kursus

Petunjuk latihan

Bangun sebuah for loop di dalam fungsi ab_segmentation() kita yang menjalankan iterasi pada setiap nilai unik dalam nama kolom yang dimasukkan pengguna segment.
Isolasi baris-baris dalam marketing di mana saluran pemasaran bernilai 'Email' dan kolom masukan pengguna segment sama dengan subsegment.
Cetak hasil dari fungsi lift() dan stats.ttest_ind().

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

def ab_segmentation(segment):
  # Build a for loop for each subsegment in marketing
  for subsegment in ____:
      print(subsegment)
      
      # Limit marketing to email and subsegment
      email = marketing[(marketing['marketing_channel'] == ____) & (marketing[segment] == ____)]

      subscribers = email.groupby(['user_id', 'variant'])['converted'].max()
      subscribers = pd.DataFrame(subscribers.unstack(level=1)) 
      control = subscribers['control'].dropna()
      personalization = subscribers['personalization'].dropna()

      print('lift:', ____) 
      print('t-statistic:', ____, '\n\n')

Edit dan Jalankan Kode