ComeçarComece de graça

Análise de decisão: lucro

Bom trabalho ao converter as taxas de cliques a posteriori em distribuições de custo! Enquanto isso, uma nova política da empresa foi divulgada. A partir de agora, o objetivo do departamento de marketing não é minimizar os custos das campanhas, o que era pouco eficaz, e sim maximizar o lucro. Você consegue ajustar suas conclusões, sabendo que a receita esperada por clique de um anúncio mobile é $3.4 e, em um anúncio desktop, é $3? Para calcular o lucro, você precisa calcular a receita de todos os cliques e então subtrair o custo correspondente.

Tudo o que você calculou no exercício anterior está disponível no seu workspace: o dicionário ads_cost, bem como as distribuições do número de cliques: clothes_num_clicks e sneakers_num_clicks.

Este exercício faz parte do curso

Análise de Dados Bayesiana em Python

Ver curso

Instruções do exercício

  • Crie um dicionário ads_profit com quatro chaves: clothes_mobile, sneakers_mobile, clothes_desktop e sneakers_sneakers, cada uma contendo a distribuição de lucro dos cliques correspondentes.
  • Desenhe um forest plot de ads_proft usando o intervalo credível de 99%.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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()
Editar e executar o código