Hướng dẫn ab testing marketing python - ab thử nghiệm tiếp thị python

• 1. Giới thiệu
• 2 Nhập thư viện và dữ liệu
• 3 Phân tích mô tả
• 4 Kiểm tra ý nghĩa
• 5. Kết luận

1. Giới thiệu

Tại thời điểm này, chúng tôi đã đề cập đến một số chủ đề từ lĩnh vực tiếp thị:

• "Giá trị trọn đời của khách hàng"
• Phân tích rổ thị trường ”
• “Phân tích và khuyến nghị sản phẩm”
• Phân tích tỷ lệ chuyển đổi

Bây giờ chúng ta chuyển sang một khu vực nhỏ hơn nhưng không kém phần quan trọng: thử nghiệm A/B. Các quyết định được đưa ra trong khu vực tiếp thị có thể rất xa vời. Thiết kế sản phẩm mới được phát triển, một bố cục mới của tờ rơi khách hàng được tạo ra và như vậy. Những nỗ lực như vậy thường liên quan đến chi phí cao và do đó sẽ đạt được hiệu quả mong muốn. Liệu đây là trường hợp có thể được xác định trước bằng cách sử dụng các thử nghiệm A/B. Bằng cách này, các quyết định kinh doanh không chỉ được thực hiện trên cơ sở cảm giác ruột, mà còn được hỗ trợ bởi các số liệu và sự kiện.

Đối với bài đăng này, bộ dữ liệu wa_fn-usec_-marketing-upaign-eff-usec_-fastf từ nền tảng thống kê đã được sử dụng. Bạn có thể tải xuống từ kho lưu trữ github của tôi.

2 Nhập thư viện và dữ liệu

import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
%matplotlib inline

from scipy import stats

df = pd.read_csv['WA_Fn-UseC_-Marketing-Campaign-Eff-UseC_-FastF.csv']
df

3 Phân tích mô tả

4 Kiểm tra ý nghĩa

5. Kết luận

ax = df.groupby[
    'Promotion'
].sum[][
    'SalesInThousands'
].plot.pie[
    figsize=[7, 7],
    autopct='%1.0f%%'
]


prom = ['Promotion 1', 'Promotion 2', 'Promotion 3']


ax.set_ylabel['']
ax.set_title['Sales distribution across different promotions']
plt.legend[prom, loc="upper right"]

plt.show[]

Tại thời điểm này, chúng tôi đã đề cập đến một số chủ đề từ lĩnh vực tiếp thị:

df.groupby['MarketSize'].count[]['MarketID']

ax = df.groupby[[
    'Promotion', 'MarketSize'
]].sum[][
    'SalesInThousands'
].unstack[
    'MarketSize'
].plot[
    kind='bar',
    figsize=[12,10],
    grid=True,
    stacked=True
]

ax.set_ylabel['Sales [in Thousands]']
ax.set_title['breakdowns of market sizes across different promotions']

plt.show[]

"Giá trị trọn đời của khách hàng"

df['AgeOfStore'].describe[]

ax = df.groupby[
    'AgeOfStore'
].count[][
    'MarketID'
].plot[
    kind='bar', 
    color='skyblue',
    figsize=[10,7],
    grid=True
]

ax.set_xlabel['age']
ax.set_ylabel['count']
ax.set_title['overall distributions of age of store']

plt.show[]

ax = df.groupby[
    ['AgeOfStore', 'Promotion']
].count[][
    'MarketID'
].unstack[
    'Promotion'
].iloc[::-1].plot[
    kind='barh', 
    figsize=[12,15],
    grid=True
]

ax.set_ylabel['age']
ax.set_xlabel['count']
ax.set_title['overall distributions of age of store']

plt.show[]

Phân tích rổ thị trường ”

4 Kiểm tra ý nghĩa

5. Kết luận

means = df.groupby['Promotion'].mean[]['SalesInThousands']
means

Tại thời điểm này, chúng tôi đã đề cập đến một số chủ đề từ lĩnh vực tiếp thị:

"Giá trị trọn đời của khách hàng"

Phân tích rổ thị trường ”

“Phân tích và khuyến nghị sản phẩm”

Phân tích tỷ lệ chuyển đổi

df = pd.read_csv['WA_Fn-UseC_-Marketing-Campaign-Eff-UseC_-FastF.csv']
df

0

df = pd.read_csv['WA_Fn-UseC_-Marketing-Campaign-Eff-UseC_-FastF.csv']
df

1

Bây giờ chúng ta chuyển sang một khu vực nhỏ hơn nhưng không kém phần quan trọng: thử nghiệm A/B. Các quyết định được đưa ra trong khu vực tiếp thị có thể rất xa vời. Thiết kế sản phẩm mới được phát triển, một bố cục mới của tờ rơi khách hàng được tạo ra và như vậy. Những nỗ lực như vậy thường liên quan đến chi phí cao và do đó sẽ đạt được hiệu quả mong muốn. Liệu đây là trường hợp có thể được xác định trước bằng cách sử dụng các thử nghiệm A/B. Bằng cách này, các quyết định kinh doanh không chỉ được thực hiện trên cơ sở cảm giác ruột, mà còn được hỗ trợ bởi các số liệu và sự kiện.

Đối với bài đăng này, bộ dữ liệu wa_fn-usec_-marketing-upaign-eff-usec_-fastf từ nền tảng thống kê đã được sử dụng. Bạn có thể tải xuống từ kho lưu trữ github của tôi.

Như thường lệ, chúng tôi bắt đầu với số liệu thống kê mô tả. Điều khiến chúng tôi quan tâm trong phân tích này là chiến dịch nào thành công nhất về số liệu bán hàng.

df = pd.read_csv['WA_Fn-UseC_-Marketing-Campaign-Eff-UseC_-FastF.csv']
df

4

df = pd.read_csv['WA_Fn-UseC_-Marketing-Campaign-Eff-UseC_-FastF.csv']
df

1

Tổng doanh số

Quy mô thị trường

5. Kết luận

Tại thời điểm này, chúng tôi đã đề cập đến một số chủ đề từ lĩnh vực tiếp thị:

"Giá trị trọn đời của khách hàng"

Phân tích rổ thị trường ”

“Phân tích và khuyến nghị sản phẩm”