Апостериорные показатели кликабельности
После успешного этапа карьеры в Министерстве здравоохранения вы переходите в маркетинг. Ваша новая компания только что провела две пилотные рекламные кампании: одну для кроссовок и одну для одежды. Ваша задача — выяснить, какая из них оказалась эффективнее с точки зрения показателя кликабельности и заслуживает запуска на более широкую аудиторию.
Вы решаете провести A/B-тестирование, моделируя данные с помощью биномиального правдоподобия. Из предыдущего опыта вам известно, что типичный показатель кликабельности для прошлых объявлений в последнее время составлял около 15%, варьируясь в диапазоне от 5% до 30%. На основании этого вы приходите к выводу, что \(Beta(10, 50)\) будет хорошим априорным распределением для показателя кликабельности.
В вашей рабочей среде доступны данные ads, функция simulate_beta_posterior(), показанная в видео, а также numpy (как np).
Это упражнение является частью курса
Байесовский анализ данных на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Generate prior draws
prior_draws = ____(____, ____, 100000)
# Plot the prior
sns.kdeplot(____, shade=True, label="prior")
plt.show()