Conversiepercentages vergelijken

Nu we weten dat de verdeling redelijk gelijk is, kijken we naar het conversiepercentage voor de control en personalization. Omdat we conversiepercentage als onze kernmetric voor deze test hebben gekozen, is het heel belangrijk om te beoordelen of de conversie hoger was in de personalization-behandeling dan in de control. We gaan hier later dieper op in, maar het verschil meten tussen de kernmetric in de control en de treatment is het belangrijkste onderdeel van het beoordelen van het succes van een A/B-test.

De DataFrame email is in je werkruimte geladen en bevat alleen rijen uit de DataFrame marketing waarbij marketing_channel gelijk is aan 'Email'.

Deze oefening maakt deel uit van de cursus

Marketingcampagnes analyseren met pandas

Cursus bekijken

Oefeninstructies

Groepeer de DataFrame email op user_id en variant, selecteer daarbij de maximumwaarde van de kolom converted, en sla de resultaten op in subscribers.
Verwijder missende waarden uit de kolom control van subscribers_df.
Verwijder missende waarden uit de kolom personalization van subscribers_df.
Bereken het conversiepercentage voor zowel personalization als control met de juiste functie voor elk.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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:', ____)

Code bewerken en uitvoeren