การคำนวณ Lift และการทดสอบนัยสำคัญ

วิเคราะห์แคมเปญการตลาดด้วย pandas

Jill Rosok

Data Scientist

ประสิทธิภาพของกลุ่ม Treatment เทียบกับกลุ่ม Control

การคำนวณ Lift:

$$ \frac{\text{Treatment conversion rate - Control conversion rate}}{\text{Control conversion rate}} $$

การคำนวณ 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%

T-distribution

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

P-values

T-statistic ที่ 1.96 มักถือว่ามีนัยสำคัญทางสถิติที่ระดับ 95%
ขึ้นอยู่กับบริบทของการทดสอบ อาจยอมรับระดับนัยสำคัญที่ต่ำกว่าหรือสูงกว่านี้ได้

T-test ใน Python

from scipy.stats import ttest_ind

t = ttest_ind(control, personalized)

print(t)

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

มาฝึกกันเถอะ!

วิเคราะห์แคมเปญการตลาดด้วย pandas