Zacznij terazZacznij za darmo

Analiza decyzyjna: zysk

Świetna robota z przeliczeniem posteriori współczynników kliknięć na rozkłady kosztów! W międzyczasie wprowadzono nową politykę firmy. Od teraz celem działu marketingu nie jest minimalizowanie kosztów kampanii – co okazało się mało skuteczne – lecz maksymalizowanie zysku. Czy potrafisz dostosować swoje obliczenia, wiedząc, że oczekiwany przychód na kliknięcie z reklamy mobilnej wynosi $3.4, a z reklamy na komputerze stacjonarnym – $3? Aby obliczyć zysk, musisz wyliczyć przychód ze wszystkich kliknięć, a następnie odjąć od niego odpowiedni koszt.

Wszystko, co zostało obliczone w poprzednim ćwiczeniu, jest dostępne w twoim środowisku: słownik ads_cost oraz rozkłady liczby kliknięć: clothes_num_clicks i sneakers_num_clicks.

To ćwiczenie jest częścią kursu

Bayesowska analiza danych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz słownik ads_profit z czterema kluczami: clothes_mobile, sneakers_mobile, clothes_desktop i sneakers_sneakers, z których każdy przechowuje rozkład zysku z odpowiednich kliknięć.
  • Narysuj wykres forest plot dla ads_proft, używając przedziału wiarygodności 99%.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()
Edytuj i uruchom kod