AB Testing基础与Python实战（二）支付宝营销策略效果分析

1. 数据来源

本文所用数据集来自阿里云天池：

阿里云天池 - Audience Expansion Datasethttps://tianchi.aliyun.com/dataset/50893

该数据集包含三张表，分别记录了支付宝两组营销策略的活动情况：

effect_tb.csv: 广告点击情况数据集

emb_tb_2.csv: 用户特征数据集

seed_cand_tb.csv: 用户类型数据集

本篇文章中主要使用广告点击情况数据集effect_tb.csv。原始数据有四列，用到的是第二列到第四列的数据，涉及字段如下：

user_id：支付宝用户ID

label：用户当天是否点击活动广告（0：未点击，1：点击）

dmp_id：营销策略编号（源数据文档未作说明，这里根据数据情况设定为1：对照组，2：营销策略一，3：营销策略二）

2.数据处理

首先导入所需要的数据与Python 库

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

%matplotlib inline

# 导入数据

data = pd.read_csv(r"audience_expansion\effect_tb.csv",header = None)

data.columns = ["dt","user_id","label","dmp_id"]

# 日志天数属性用不上，删除该列

data = data.drop(columns = "dt")

data.head(3)

查看数据行数与独立用户数检查是否存在重复行：

#数据行数

data.shape

# 去重后行数

data.nunique()

数据行数2645958与独立用户数2410683不统一，检查一下重复行并删除：

#筛选出重复的user_id

data[data.duplicated(keep = False)].sort_values(by = ["user_id"])

# 删除重复的行

data = data.drop_duplicates()

# 再次检查是否有重复的行

data[data.duplicated(keep = False)]

结果为空，已删除所有的重复的user_id

接着看看有没有空白值。

#检查是否有空值

data.info(null_counts = True)

通过结果得到数据集无空值，无需进行处理。

拉一个透视表，生成label和dmp_id两列对应的值的计数情况，看看有没有异常值

data.pivot_table(index = "dmp_id", columns = "label", values = "user_id",

                aggfunc = "count", margins = True)

从结果看也没有异常值，无需处理

3.样本量检验

在进行A/B测试前，需检查样本容量是否满足试验所需最小值。当然在实际的AB test中在确定实验方案时就定好了所需要的样本量，这里由于我们拿到的是已有的数据，所以简单做个验证

这里借助之前说到的样本量计算工具：

https://www.evanmiller.org/ab-testing/sample-size.html

首先需要设定点击率基准线以及最小提升比例，我们将对照组的点击率设为基准线，在工具中计算可以得到最小样本量

查看每个每个营销活动的样本数

#按照dmp_id分类计数

data["dmp_id"].value_counts()

两组营销活动的样本量分别为41.11万和31.62万，满足最小样本量需求。

3.假设检验

先计算几组试验的点击率情况

# 计算每组的点击率情况

print("对  照  组： " ,data[data["dmp_id"] == 1]["label"].mean())

print("营销策略一： " ,data[data["dmp_id"] == 2]["label"].mean())

print("营销策略二： " ,data[data["dmp_id"] == 3]["label"].mean())

#输出结果为：

#对  照  组：  0.012551012429794775

#营销策略一：  0.015314747742072015

#营销策略二：  0.026191869198779274

可以看到策略一和策略二相较对照组在点击率上都有不同程度提升。

其中策略一提升0.2个百分点，策略二提升1.3个百分点，只有策略二满足了前面我们对点击率提升最小值的要求。

接下来需要进行假设检验，看策略二点击率的提升是否显著。

a. 原假设和备择假设

记对照组点击率为\(p_1\)，策略二点击率为\(p_2\)，则：

原假设 H0： \(p_1 ≥ p_2\)

备择假设 H1： \(p_1< p_2\)

b. 分布类型、检验类型和显著性水平

数据结果只有点击和不点击，样本服从二点分布，独立双样本，样本大小n＞30，总体均值和标准差未知，所以采用Z检验。显著性水平α取0.05。

c. Z检验的统计量

1.单样本的比例Z检验

用于检验样本比例与总体比例是否有显著差异。其公式为:

\[Z = \dfrac{\hat{p} - p}{\sqrt{\dfrac{p(1-p)}{n}}}
\]

其中:

\(\hat{p}\) 是样本比例

\(p\) 是假设的总体比例

\(n\) 是样本量

2.独立双样本的比例Z检验

用于检验两个独立样本的比例是否有显著差异。其公式为:

\[Z = \frac{(\hat{p}_1 - \hat{p}_2) - (p_1 - p_2)}{\sqrt{\dfrac{\hat{p}_1(1-\hat{p}_1)}{n_1} + \dfrac{\hat{p}_2(1-\hat{p}_2)}{n_2}}}
\]

其中：

\(\hat{p}_1 , \hat{p}_2\)分别是两个样本的比例

\(p_1,p_2\)分别是两个总体的比例

\(n_1,n_2\)分别是两个样本的样本量

当原假设为\(H_0: p_1 = p_2\)也就是总体比例相同时，我们可以使用公式：

\[Z = \frac{\hat{p}_1 - \hat{p}_2}{\sqrt{\hat{p}(1-\hat{p})(\frac{1}{n_1} + \frac{1}{n_2})}}
\]

其中\(\hat{p} = \frac{x_1 + x_2}{n_1 + n_2}\)是总体的比例

https://www.stats.gov.cn/zs/tjll/csgj/202311/t20231127_1944929.html

首先根据公式手动计算一下检验统计量z：

# 样本数

n_old = len(data[data.dmp_id == 1])  # 对照组

n_new = len(data[data.dmp_id == 3])  # 策略二

# 点击数

c_old = len(data[data.dmp_id ==1][data.label == 1])

c_new = len(data[data.dmp_id ==3][data.label == 1])

# 计算点击率

r_old = c_old / n_old

r_new = c_new / n_new

# 总体点击率

r = (c_old + c_new) / (n_old + n_new)

print("总体点击率：", r)

# 计算检验统计量z

z = (r_old - r_new) / np.sqrt(r * (1 - r)*(1/n_old + 1/n_new))

print("检验统计量z：", z)

计算得出检验统计量z为 -59.44168632985996

# 查α=0.05对应的z分位数

from scipy.stats import norm

z_alpha = norm.ppf(0.05)

z_alpha

当α=0.05是z检验统计量为-1.64，检验统计量z = -59.44，该检验为左侧单尾检验，拒绝域为{z＜z_alpha}。

所以我们可以得出结论：原假设不成立，策略二点击率的提升在统计上是显著的

当然也可以直接根据已有的Python公式计算：

import statsmodels.stats.proportion as sp

z_score, p = sp.proportions_ztest([c_old, c_new],[n_old, n_new], alternative = "smaller")

print("检验统计量z：",z_score,"，p值：", p)

检验统计量z： -59.44168632985996 ，p值： 0.0

p值约等于0，p ＜ α，与方法一结论相同，拒绝原假设。

参考文章：

https://zhuanlan.zhihu.com/p/68019926

https://www.heywhale.com/mw/project/5efee4a563975d002c98adba/content