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 exercicio faz parte do curso
Análise de Dados Bayesiana em Python
Instruções do exercicio
- Crie um dicionário
ads_profitcom quatro chaves:clothes_mobile,sneakers_mobile,clothes_desktopesneakers_sneakers, cada uma contendo a distribuição de lucro dos cliques correspondentes. - Desenhe um forest plot de
ads_proftusando o intervalo credível de 99%.
exercicio interativo prático
Tente este exercicio 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()