Cette page illustre le workflow d'analyse étape par étape d'une étude Meridian GeoX à l'aide d'extraits de code. Vous trouverez des explications détaillées sur chaque processus dans les articles accessibles via des liens présents dans ce guide.
Charger la conception existante
La phase d'analyse commence par la restauration des paramètres de test spécifiques définis lors de la phase de conception. Le chargement d'une conception à partir d'un fichier JSON garantit que l'analyse utilise exactement les mêmes attributions géographiques (pour les groupes de traitement et de contrôle) que celles qui ont été optimisées pour l'étude.
# Load the existing design
loaded_design = geox.Design.load_from_json(saved_design_json)
Configurer l'analyse
Configurez vos ensembles de données et vos paramètres de configuration avant de lancer l'analyse.
Préparer les données
Préparez les données de conversion et de dépenses au même format que les données de prétest, mais assurez-vous que les données d'analyse couvrent à la fois les périodes de prétest et de test.
Définir geox.AnalysisConfig
Pour exécuter l'analyse, vous devez définir un objet geox.AnalysisConfig. Cette configuration spécifie la conception utilisée pour le test, y compris la répartition des zones géographiques, les règles d'attribution géographique, ainsi que la méthodologie, comme la modélisation contrefactuelle ou la régression temporelle. La plage de dates d'analyse définie dans cette configuration, à savoir les dates de début et de fin du test, doit couvrir toute la période de test afin de prendre en compte l'effet complet de la campagne. Si nécessaire, vous pouvez étendre analysis_end_date pour inclure une période de stabilisation.
# 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"),
)
Exécuter l'analyse
Enfin, la fonction geox.analyze() traite vos données combinées et votre configuration. Elle effectue une modélisation contrefactuelle pour établir une référence synthétique des performances attendues, qui renvoie les conversions prévues dans un scénario hypothétique sans interventions marketing. En comparant cette référence contrefactuelle aux performances réellement observées dans les groupes de traitement, cette fonction utilise une méthode d'inférence robuste pour valider la pertinence statistique de l'impact incrémental, en fournissant le ROI ou le lift générés par votre campagne.
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
En plus des rapports numériques, Meridian GeoX renvoie des visualisations de séries temporelles de ces métriques d'incrémentalité. Pour en savoir plus, consultez Résultats de l'analyse.