有助于找到更好的方法来寻找客户、营销产品、扩大影响范围或将目标客户转化为实际客户。
/ 01 / AB测试
举个例子，我在短视频App上购买流量推广我的视频(挂小黄车买课程)，一共推了两次，其中两次的目标受众各不相同。
在分析了两次活动的结果后，我可能倾向于选择第二次的活动目标受众，因为它比第一次活动能够带来更好的销售额或涨粉或播放量。
我们的目标可以是提高销售额、粉丝数或流量等等。
当我们根据以前的营销活动结果选择最佳的营销策略时，这就是A/B测试。
本次使用的数据集是开源数据集，İLKER YILDIZ在Kaggle上提交的A/B测试的数据集。
下面是数据集中的所有特征：
1. Campaign Name: 活动名称
2. Date: 记录日期
3. Spend: 活动花费（单位：美元）
4. of Impressions: 广告在整个活动中的展示次数
5. Reach: 广告在整个活动中的展示人数(唯一)
6. of Website Clicks: 通过广告获得的网站点击次数
7. of Searches: 在网站上执行搜索的用户数量
8. of View Content: 查看网站内容产品的用户数量
9. of Add to Cart: 将产品添加到购物车的用户数量
10. of Purchase: 购买次数
一共是进行了两种类型的宣传营销活动：
1. Control Campaign: 对照活动
2. Test Campaign: 测试活动
通过执行A/B测试找到最适合的营销策略，以此来吸引获得更多的客户。
下面小F就带大家一起来学习下。
/ 02 / 使用Python进行AB测试
先安装相关的Python可视化库plotly，在使用的时候发现报错，所以还要安装statsmodels库。
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple statsmodels
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple plotly
然后导入Python库，读取两种活动的数据文件。
import pandas as pd
import datetime
from datetime import date, timedelta
import plotly.graph_objects as go
import plotly.express as px
import plotly.io as pio
pio.templates.default = \"plotly_white\"
# 设置value的显示长度为200，默认为50
pd.set_option(\'max_colwidth\', 300)
# 显示所有列，把行显示设置成最大
pd.set_option(\'display.max_columns\', None)
# 显示所有行，把列显示设置成最大
pd.set_option(\'display.max_rows\', None)
# 加载数据
control_data = pd.read_csv(\"control_group.csv\", sep=\";\")
test_data = pd.read_csv(\"test_group.csv\", sep=\";\")
来看看这两个数据集的情况。
# 打印对照活动数据
print(control_data.head())
对照活动数据的情况如下。
打印测试活动数据。
# 打印测试活动数据
print(test_data.head())
测试活动数据的情况如下。
/ 03 / 数据准备
发现数据集的列名不太规范，所以对列名进行修改。
# 更改列名
control_data.columns = [\"Campaign Name\", \"Date\", \"Amount Spent\",
\"Number of Impressions\", \"Reach\", \"Website Clicks\",
\"Searches Received\", \"Content Viewed\", \"Added to Cart\",
\"Purchases\"]
test_data.columns = [\"Campaign Name\", \"Date\", \"Amount Spent\",
\"Number of Impressions\", \"Reach\", \"Website Clicks\",
\"Searches Received\", \"Content Viewed\", \"Added to Cart\",
\"Purchases\"]
现在让我们看看数据集是否有空值。
# 查看空值
print(control_data.isnull().sum())
print(test_data.isnull().sum())
发现对照活动的数据集有数据缺失，可以用每列的平均值来填充这些缺失值。
# 数据清洗
control_data[\"Number of Impressions\"].fillna(value=control_data[\"Number of Impressions\"].mean(),
inplace=True)
control_data[\"Reach\"].fillna(value=control_data[\"Reach\"].mean(),
inplace=True)
control_data[\"Website Clicks\"].fillna(value=control_data[\"Website Clicks\"].mean(),
inplace=True)
control_data[\"Searches Received\"].fillna(value=control_data[\"Searches Received\"].mean(),
inplace=True)
control_data[\"Content Viewed\"].fillna(value=control_data[\"Content Viewed\"].mean(),
inplace=True)
control_data[\"Added to Cart\"].fillna(value=control_data[\"Added to Cart\"].mean(),
inplace=True)
control_data[\"Purchases\"].fillna(value=control_data[\"Purchases\"].mean(),
inplace=True)
通过合并两个数据集来创建一个新的数据集。
# 合并数据
ab_data = control_data.merge(test_data,
how=\"outer\").sort_values([\"Date\"])
ab_data = ab_data.reset_index(drop=True)
print(ab_data.head())
查看数据集中，两种活动的样本数量是否相同。
# 类型计数
print(ab_data[\"Campaign Name\"].value_counts())
可以看出，每种活动都有30个样本数据，满足样本均衡的条件。
/ 04 / AB测试找到最佳营销策略
01 展示次数-活动花费
首先分析两种活动中「展示次数」和「活动花费」之间的关系。
figure = px.scatter(data_frame = ab_data,
x=\"Number of Impressions\",
y=\"Amount Spent\",
size=\"Amount Spent\",
color= \"Campaign Name\",
trendline=\"ols\")
figure.show()
发现在花费相同的情况下，「对照活动」的展示次数更多。
02 搜索量
两种类型活动的网站总搜索量对比。
label = [\"Total Searches from Control Campaign\",
\"Total Searches from Test Campaign\"]
counts = [sum(control_data[\"Searches Received\"]),
sum(test_data[\"Searches Received\"])]
colors = [\'gold\', \'lightgreen\']
fig = go.Figure(data=[go.Pie(labels=label, values=counts)])
fig.update_layout(title_text=\'Control Vs Test: Searches\')
fig.update_traces(hoverinfo=\'label+percent\', textinfo=\'value\',
textfont_size=30,
marker=dict(colors=colors,
line=dict(color=\'black\', width=3)))
fig.show()
在网站的搜索量上，「测试活动」略多于对照活动。
03 点击量
两种类型活动的网站总点击量对比。
label = [\"Website Clicks from Control Campaign\",
\"Website Clicks from Test Campaign\"]
counts = [sum(control_data[\"Website Clicks\"]),
sum(test_data[\"Website Clicks\"])]
colors = [\'gold\', \'lightgreen\']
fig = go.Figure(data=[go.Pie(labels=label, values=counts)])
fig.update_layout(title_text=\'Control Vs Test: Website Clicks\')
fig.update_traces(hoverinfo=\'label+percent\', textinfo=\'value\',
textfont_size=30,
marker=dict(colors=colors,
line=dict(color=\'black\', width=3)))
fig.show()
在网站的点击量上，「测试活动」略多于对照活动。
04 内容产品查看量
两种类型活动的网站内容和产品的查看量对比。
label = [\"Content Viewed from Control Campaign\",
\"Content Viewed from Test Campaign\"]
counts = [sum(control_data[\"Content Viewed\"]),
sum(test_data[\"Content Viewed\"])]
colors = [\'gold\', \'lightgreen\']
fig = go.Figure(data=[go.Pie(labels=label, values=counts)])
fig.update_layout(title_text=\'Control Vs Test: Content Viewed\')
fig.update_traces(hoverinfo=\'label+percent\', textinfo=\'value\',
textfont_size=30,
marker=dict(colors=colors,
line=dict(color=\'black\', width=3)))
fig.show()
可以看出「对照活动」的内容产品查看量比测试活动多。
虽然差距不是很大，但是由于对照活动的网站点击率相对较低，这便意味着「对照活动」的用户参与度(粘性)高于测试活动。
05 加购物车量
两种类型活动，将产品添加到购物车的数量。
label = [\"Products Added to Cart from Control Campaign\",
\"Products Added to Cart from Test Campaign\"]
counts = [sum(control_data[\"Added to Cart\"]),
sum(test_data[\"Added to Cart\"])]
colors = [\'gold\',\'lightgreen\']
fig = go.Figure(data=[go.Pie(labels=label, values=counts)])
fig.update_layout(title_text=\'Control Vs Test: Added to Cart\')
fig.update_traces(hoverinfo=\'label+percent\', textinfo=\'value\',
textfont_size=30,
marker=dict(colors=colors,
line=dict(color=\'black\', width=3)))
fig.show()
尽管「对照活动」的点击率相对较低，但是却有更多的产品被添加到购物车中。
06 活动花费
两种类型的活动花费对比。
label = [\"Amount Spent in Control Campaign\",
\"Amount Spent in Test Campaign\"]
counts = [sum(control_data[\"Amount Spent\"]),
sum(test_data[\"Amount Spent\"])]
colors = [\'gold\',\'lightgreen\']
fig = go.Figure(data=[go.Pie(labels=label, values=counts)])
fig.update_layout(title_text=\'Control Vs Test: Amount Spent\')
fig.update_traces(hoverinfo=\'label+percent\', textinfo=\'value\',
textfont_size=30,
marker=dict(colors=colors,
line=dict(color=\'black\', width=3)))
fig.show()
在测试活动上的花费要高于对照活动。
基于上面的分析，对照活动带来了更多的内容浏览量和产品添加到购物车，「对照活动」比测试活动更有效。
07 销售额
两种类型活动的销售情况对比。
label = [\"Purchases Made by Control Campaign\",
\"Purchases Made by Test Campaign\"]
counts = [sum(control_data[\"Purchases\"]),
sum(test_data[\"Purchases\"])]
colors = [\'gold\',\'lightgreen\']
fig = go.Figure(data=[go.Pie(labels=label, values=counts)])
fig.update_layout(title_text=\'Control Vs Test: Purchases\')
fig.update_traces(hoverinfo=\'label+percent\', textinfo=\'value\',
textfont_size=30,
marker=dict(colors=colors,
line=dict(color=\'black\', width=3)))
fig.show()
在这两种广告活动当中，消费者的购买量仅相差1%左右。
由于对照活动能以更少的营销支出获得了更多的销售，所以在营销策略上，我们可以选择对照活动类型。
最后让我们分析其它指标，看看哪种广告活动的转化率更高。
08 内容产品查看量和点击量
两种类型活动网站内容查看和点击量的关系。
figure = px.scatter(data_frame=ab_data,
x=\"Content Viewed\",
y=\"Website Clicks\",
size=\"Website Clicks\",
color=\"Campaign Name\",
trendline=\"ols\")
figure.show()
在测试活动中，虽然网站点击率高，但是内容查看量少，所以优先选择「对照活动」。
09 内容产品查看量和添加购物车
分析网站内容查看和添加购物车之间的关系。
figure = px.scatter(data_frame=ab_data,
x=\"Added to Cart\",
y=\"Content Viewed\",
size=\"Added to Cart\",
color=\"Campaign Name\",
trendline=\"ols\")
figure.show()
再一次的，「对照活动」的效果还是很好，加入购物车的意向较高。
10 添加购物车和销售额
分析添加到购物车的产品数量和销售额之间的关系。
figure = px.scatter(data_frame=ab_data,
x=\"Purchases\",
y=\"Added to Cart\",
size=\"Purchases\",
color=\"Campaign Name\",
trendline=\"ols\")
figure.show()
虽然对照活动带来了更多的加购物车行为，但「测试活动」的结算率会更高。
/ 05 / 结论
通过A/B测试，我们发现对照活动带来了更多的销售行为和访问者的参与。
用户会从对照活动中查看了更多的产品，使得购物车中有更多的产品和更多的销售额。
但在测试活动中，用户购物车产品的结算率会更高。
测试活动是根据内容查看和添加到购物车会有更多的销售。而对照活动则是整体销量的增加。
因此，测试活动可以用来向特定的受众推销特定的产品，而对照活动可以用来向更广泛的客户推销多种产品。
- EOF -
加主页君微信，不仅Python技能+1
主页君日常还会在个人微信分享Python相关工具、资源和精选技术文章，不定期分享一些有意思的活动、岗位内推以及如何用技术做业余项目
加个微信，打开一扇窗
觉得本文对你有帮助？请分享给更多人
推荐关注「Python开发者」，提升Python技能
点赞和在看就是最大的支持❤️