准备分析数据

本页面通过代码段展示了 Meridian GeoX 研究的分步分析工作流程。您可以在本指南各处链接的文章中找到每个流程的详细说明。

加载现有设计

分析阶段首先会恢复设计阶段定义的特定实验参数。从 JSON 文件加载设计可确保分析所用的地理位置分配（实验组与对照组）与针对本研究优化后的分配完全相同。

# Load the existing design
loaded_design = geox.Design.load_from_json(saved_design_json)

配置分析

在开始分析之前，请先设置数据集和配置参数。

准备数据

以与测试前数据相同的格式准备转化和支出数据，但要确保分析数据同时包含测试前和测试期间的数据。

定义 geox.AnalysisConfig

如需执行分析，您必须定义 geox.AnalysisConfig。此配置指定了实验所用的设计，包括地理位置划分、地理位置分配规则和方法（例如反事实建模或基于时间的回归）。此配置中的分析日期范围（即实验的开始日期和结束日期）必须涵盖测试期的整个时长，才能捕获广告系列的完整效果。如果需要，您可以扩展 analysis_end_date 以包含冷却期。

# 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"),
)

运行分析

最后，geox.analyze() 函数会处理合并的数据和配置。它会执行反事实建模，以建立预期效果的合成基准，从而返回在没有营销干预的假设情景下的预计转化次数。此函数会将该反事实基准与实验组中实际观测到的效果进行比较，并使用稳健推理验证增量影响的统计显著性，从而提供广告系列产生的投资回报率或提升效果。

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

除了数值报告之外，Meridian GeoX 还会返回这些增量指标的时间序列可视化图表。如需了解详情，请参阅分析输出。