滴滴运营A/Btest&城市运营分析

背景

随着企业日常经营活动的进行，企业内部必然产生了各式各样的数据，如何利用这些数据得出有益的见解，并支持我们下一步的产品迭代以及领导决策就显得尤为重要。

A/B测试是互联网企业常用的一种基于数据的产品迭代方法，它的主要思想是在控制其他条件不变的前提下对不同（或同一、同质）样本设计不同实验水平（方案），并根据最终的数据变现来判断自变量对因变量的影响；A/B测试的理论基础主要源于数理统计中的假设检验部分，此部分统计学知识读者可自行探索。

数据说明

数据包括test.xlsx和city.xlsx两个数据集，test.xlsx为某次A/B test的数据集，利用该数据集判断实验条件对此次测试效果的影响是否显著。
city.xlsx为某城市的运营数据，利用该数据集探讨某高峰时间段的乘客需求得不到满足的原因，根据结论辅助决策

1.A/B test

1.1 计算投资回报率ROI

#计算优惠券投入相对gmv的ROI（投资回报率ROI = 收回价值/成本投入 *100%，这里的“收回价值”所表达的是收回了多少而非利润）
test['ROI']=test['gmv']/(test['coupon per trip']*test['trips'])
test.head()

1.2 requests检验

test.shape

requests方差齐次检验

1.记两组requests方差分别为c1,c2
2.零假设H0：c1 = c2，备择假设H1:c1 != c2
3.显著性水平取 0.05

requests_A = test[test.group =='control'].requests
requests_B = test[test.group =='experiment'].requests

import scipy.stats as st
st.normaltest(requests_A)
print('requests_A的正态性检验结果为：',st.normaltest(requests_A))
st.normaltest(requests_B)
print('requests_B的正态性检验结果为：',st.normaltest(requests_B))
# st.levene(requests_A,requests_B)

认为requests_A，requests_B近似服从正态分布

这里说一下什么是方差分析：
方差分析就是方差齐性的检验
什么是方差齐性，方差齐性是指不同组间的总体方差是一样的。
那为什么方差分析的前提是要组间的总体方差保持一致呢？先想想方差分析是做什么呢？
方差分析是用来比较多组之间的均值 是否存在显著差异的！！！！
也就是说，假如多组之间方差不一致，也就意味着值的波动是不一样的，如果此时均值之间存在显著差异，不一定能够说明这种显著差异是不同组之间带来的，而有可能是方差较大带来的；
如果多组之间的方差保持一致，也就意味着组与组之间的值的波动程度差不多，这时候在方差波动程度相同的情况下，如果不同组之间的均值存在显著差异，那么可以认为是不同组间处理带来的。

print(st.levene(requests_A,requests_B)) 
#levene适用于总体非正态的检验
print(st.bartlett(requests_A,requests_B))
#bartlett检验，通过求取不同组之间的卡方统计量，
#然后根据卡方统计量的值来判断组间方差是否相等。
#该方法极度依赖数据服从正态分布

这里用的levene检验，它适用于总体非正态的数据。

requests均值检验

1.该数据为同一样本实验前后的不同水平，因此选用配对样本t检验。
2.记两组requests均值分别为u1,u2
3.零假设H0：u1=u2；备选假设H1：u1≠u2
4.显著性水平取0.05

#配对样本t检验
st.tt