Alur Pendaftaran
Sekarang kita akan memodelkan DGP dari alur iklan eCommerce mulai dari pendaftaran.
Pada hari tertentu, kita mendapatkan banyak impresi iklan, yang dapat dimodelkan sebagai peubah acak Poisson. Diberitahukan bahwa \(\lambda\) berdistribusi normal dengan mean 100 ribu pengunjung dan simpangan baku 2000.
Selama perjalanan pendaftaran, pelanggan melihat iklan, memutuskan untuk mengeklik atau tidak, lalu memutuskan untuk mendaftar atau tidak. Maka baik klik maupun pendaftaran bersifat biner, dimodelkan menggunakan peubah acak binomial. Bagaimana dengan probabilitas keberhasilan \(p\)? Opsi berbiaya rendah saat ini memberi kita click-through rate sebesar 1% dan tingkat pendaftaran 20%. Opsi berbiaya lebih tinggi dapat meningkatkan click-through dan tingkat pendaftaran hingga 20%, namun tingkat peningkatannya tidak pasti, sehingga kita memodelkannya sebagai peubah acak uniform.
Latihan ini adalah bagian dari kursus
Simulasi Statistik di Python
Petunjuk latihan
- Inisialisasi dictionary
ct_ratedansu_ratesedemikian rupa sehingga nilaihighterdistribusi uniform antara nilailowdan \(1.2 \times\) nilailow. - Modelkan
impressionssebagai peubah acak Poisson dengan nilai meanlam. - Modelkan
clicksdansignupssebagai peubah acak binomial dengannmasing-masingimpressionsdanclicks, sertapmasing-masingct_rate[cost]dansu_rate[cost]. - Kemudian cetak hasil simulasi pendaftaran untuk opsi biaya
'high'.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# Initialize click-through rate and signup rate dictionaries
ct_rate = {'low':0.01, 'high':np.random.uniform(low=0.01, high=1.2*0.01)}
su_rate = {'low':0.2, 'high':____(low=0.2, high=1.2*____)}
def get_signups(cost, ct_rate, su_rate, sims):
lam = np.random.normal(loc=100000, scale=2000, size=sims)
# Simulate impressions(poisson), clicks(binomial) and signups(binomial)
impressions = ____
clicks = ____
signups = ____
return signups
print("Simulated Signups = {}".format(get_signups('high', ct_rate, su_rate, 1)))