Tests A/B pour le marketing

Analyzing Marketing Campaigns with pandas

Jill Rosok

Data Scientist

Qu’est-ce qu’un test A/B ?

Avant de lancer le test, déterminer :

Quel est l’objectif visé ? Quelle est notre hypothèse ?
Quelle métrique voulons-nous améliorer (ex. pages vues, conversions) ?
Le trafic sera-t-il suffisant pour atteindre la significativité statistique et décider rapidement ?

Tester pour mesurer l’impact marketing

Combien de temps faire tourner un test ?

Test d’e-mail personnalisé

Allocation du test

email = marketing[marketing['marketing_channel'] == 'Email']
allocation = email.groupby(['variant'])\
                           ['user_id'].nunique()

allocation.plot(kind='bar')
plt.title('Personalization test allocation')
plt.xticks(rotation = 0)
plt.ylabel('# participants')
plt.show()

Graphique d’allocation

Préparer les données pour évaluer le test

# Group by user_id and variant
subscribers = email.groupby(['user_id', 
                             'variant'])['converted'].max()

subscribers = pd.DataFrame(subscribers.unstack(level=1))

Préparer les données pour évaluer le test

# Drop missing values from the control column
control = subscribers['control'].dropna()

# Drop missing values from the personalization column
personalization = subscribers['personalization'].dropna()

Taux de conversion

print("Control conversion rate:", 
      np.mean(control))
print("Personalization conversion rate:", 
      np.mean(personalization))

Control conversion rate: 0.2814814814814815
Personalization conversion rate: 0.3908450704225352

Passons aux tests !

Analyzing Marketing Campaigns with pandas