Auf dieser Seite wird der schrittweise Analyseworkflow für eine Meridian GeoX-Studie anhand von Code-Snippets veranschaulicht. Detaillierte Erläuterungen zu den einzelnen Prozessen finden Sie in den in diesem Leitfaden verlinkten Artikeln.
Vorhandenes Design laden
Die Analysephase beginnt mit der Wiederherstellung der spezifischen Testparameter, die während der Designphase definiert wurden. Wenn Sie ein Design aus einer JSON-Datei laden, werden für die Analyse genau dieselben geografischen Zuordnungen (Test- und Kontrollgruppe) verwendet, die für die Studie optimiert wurden.
# Load the existing design
loaded_design = geox.Design.load_from_json(saved_design_json)
Analyse konfigurieren
Richten Sie Ihre Datasets und Konfigurationsparameter ein, bevor Sie mit der Analyse beginnen.
Daten vorbereiten
Bereiten Sie die Conversion- und Ausgabendaten im selben Format wie die Vorabtest-Daten vor. Achten Sie aber darauf, dass die Analysedaten sowohl den Vorabtest- als auch den Testzeitraum umfassen.
„geox.AnalysisConfig“ definieren
Zum Ausführen der Analyse müssen Sie einen geox.AnalysisConfig definieren. In dieser Konfiguration wird das für den Test verwendete Design angegeben, einschließlich geografischer Aufteilungen, Regeln für die geografische Zuordnung und Methodik, zum Beispiel kontrafaktische Modellierung oder zeitbasierte Regression. Der Analysezeitraum in dieser Konfiguration, also das Start- und Enddatum des Tests, muss die gesamte Dauer des Testzeitraums umfassen, um die vollständige Wirkung der Kampagne zu erfassen. Bei Bedarf können Sie analysis_end_date um eine Wartezeit erweitern.
# Set analysis config
analysis_config = geox.AnalysisConfig(
design=loaded_design,
analysis_start_date=pd.to_datetime("2020-04-01"),
analysis_end_date=pd.to_datetime("2020-04-30"),
)
Analyse ausführen
Schließlich verarbeitet die Funktion geox.analyze() Ihre kombinierten Daten und die Konfiguration. Es wird eine kontrafaktische Modellierung durchgeführt, um eine synthetische Baseline der erwarteten Leistung zu erstellen. Dabei werden die prognostizierten Conversions in einem „Was-wäre-wenn-Szenario“ ohne Marketingmaßnahmen zurückgegeben. Durch den Vergleich dieser kontrafaktischen Baseline mit der tatsächlich beobachteten Leistung in den Testgruppen wird mit dieser Funktion eine robuste Inferenz durchgeführt, um die statistische Signifikanz der inkrementellen Auswirkungen zu validieren. So erhalten Sie den ROI oder die Steigerung, die durch Ihre Kampagne erzielt wurde.
print("\nAnalyzing experiment results...")
analysis_result = geox.analyze(
analysis_data, analysis_config
)
# Returns not only point estimates, but also confidence intervals for various
# incrementality metrics.
analysis_result.results
Zusätzlich zu den numerischen Berichten liefert Meridian GeoX auch Zeitreihenvisualisierungen für diese Messwerte zur Steigerung der Conversions. Weitere Informationen finden Sie unter Analyse-Ausgaben.