Calculer le lift et tester la signification

Analyser des campagnes marketing avec pandas

Jill Rosok

Data Scientist

Rendement du traitement vs témoin

Calcul du lift :

$$ \frac{\text{Taux de conversion traitement - Taux de conversion témoin}}{\text{Taux de conversion témoin}} $$

Calculer le lift

# Calcuate the mean of a and b 
a_mean = np.mean(control)
b_mean = np.mean(personalization)

# Calculate the lift using a_mean and b_mean
lift = (b_mean-a_mean)/a_mean

print("lift:", str(round(lift*100, 2)) + '%')

lift: 194.23%

Distribution t

¹ Identification of Timed Behavior Models for Diagnosis in Production Systems. Scientific Figure on ResearchGate.

Valeurs p

Une statistique t de 1,96 est généralement significative au seuil de 95 %.
Selon le contexte, vous pouvez viser un seuil de signification plus bas ou plus élevé.

Test t en Python

from scipy.stats import ttest_ind

t = ttest_ind(control, personalized)

print(t)

TtestResult(statistic=-2.7343299447505074, 
            pvalue=0.006451487844694175, 
            df=552.0)

Passons à la pratique !

Analyser des campagnes marketing avec pandas