Meridian GeoX vous permet de comparer différentes méthodologies lors de la conception de tests, ce qui vous aide à identifier la meilleure approche pour vos objectifs marketing et configurations d'étude spécifiques.
Pour comparer plusieurs méthodologies telles que la régression temporelle et associer différentes règles d'attribution de zones géographiques telles que RANDOM et STRATIFIED_SAMPLING, vous pouvez utiliser la fonction geox.compare_designs(). Cela vous permet d'évaluer l'approche qui donne de meilleures métriques, comme un score R-carré plus élevé ou un effet minimal détectable (MDE) plus faible, sur votre ensemble de données spécifique.
Comparaison de la régression temporelle selon différentes règles d'attribution
L'extrait suivant définit deux configurations différentes :
- Option A : régression temporelle avec attribution aléatoire
- Option B : régression temporelle avec échantillonnage stratifié
Il les compare ensuite côte à côte. Toutefois, en général, l'échantillonnage stratifié est recommandé, car il fonctionne bien avec la régression temporelle et tend à produire des conceptions avec une variance plus faible.
import datetime
import meridian_geox as geox
# 1. Define the configurations you want to compare
comparison_results = geox.compare_designs(
design_data,
[
# Option A: TBR with Random Assignment
(
geox.DesignConfig(
experiment_duration=datetime.timedelta(days=28),
methodology=geox.Methodology.TBR,
geo_assignment_rule=geox.GeoAssignmentRule.RANDOM,
design_output_count=5
),
geox.Constraints()
),
# Option B: TBR with Stratified Sampling
(
geox.DesignConfig(
experiment_duration=datetime.timedelta(days=28),
methodology=geox.Methodology.TBR,
geo_assignment_rule=geox.GeoAssignmentRule.STRATIFIED_SAMPLING,
design_output_count=5
),
geox.Constraints()
),
]
)
# 2. View the combined metrics table to see which performed better
print("Comparing Methodology Metrics:")
comparison_results.design_metrics