Analysera konverteringsfrekvensen för House ads

Nu när du har bekräftat att konverteringsfrekvensen för house ads har sjunkit sedan den 11 januari, ska du försöka identifiera möjliga orsaker till minskningen.

Som datascientist som stödjer ett marknadsföringsteam kommer du ständigt att stöta på fluktuerande mätvärden. Det är viktigt att avgöra om fluktuationerna beror på förväntade förändringar i användarbeteende – till exempel skillnader mellan veckodagar – eller på ett större problem med den tekniska implementationen eller marknadsföringsstrategin.

I den här övningen börjar vi med att undersöka om användare är mer benägna att konvertera på helger jämfört med vardagar, och om det kan vara orsaken till den förändrade konverteringsfrekvensen för house ads.

Den här övningen är en del av kursen

Analysera marknadsföringskampanjer med pandas

Visa kurs

Övningsinstruktioner

Lägg till en kolumn för veckodag i DataFrame:en marketing med hjälp av dt.dayofweek baserat på kolumnen 'date_served'.
Använd conversion_rate för att beräkna konvertering per veckodag och marknadsföringskanal, och lagra resultaten i DoW_conversion.
Skapa ett linjediagram av resultaten, sätt y-axelns startpunkt till 0 och visa diagrammet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Add day of week column to marketing
marketing['DoW_served'] = ____

# Calculate conversion rate by day of week
DoW_conversion = conversion_rate(____, ['____', '____'])


# Unstack channels
DoW_df = pd.DataFrame(DoW_conversion.unstack(level=1))

# Plot conversion rate by day of week
DoW_df____
plt.title('Conversion rate by day of week\n')
____
____

Redigera och kör kod