数据分析36计(11)：如何用贝叶斯概率准确提供业务方营销转化率

最新推荐文章于 2024-11-06 11:12:27 发布

糖甜甜甜74

最新推荐文章于 2024-11-06 11:12:27 发布

阅读量407

点赞数

文章标签：大数据人工智能数据分析机器学习 python

本文链接：https://blog.csdn.net/Pylady/article/details/107754825

版权

本文介绍了如何使用贝叶斯概率来准确评估业务方的营销转化率。seeder公司尝试在德克萨斯州推广电动踏板车，通过小册子营销，转化率为9/23。传统的频率学派方法可能不适用，而贝叶斯方法能够更好地处理小样本不确定性。文章详细阐述了数据、生成模型和先验概率在量化转化率不确定性中的作用。

摘要由CSDN通过智能技术生成

seeder是一家在加利福尼亚州销售电动踏板车的公司，他们正试图通过在德克萨斯州开拓新市场，seeder的营销团队利用印刷媒体，并设计了一本小册子以吸引新客户，他们将小册子分发给23个人，最终完成9笔订单。

seeder管理层想知道是，印刷媒体在推销新的电动滑板车方面有多好？如果公司继续制作大量小册子，能预计有多少的转化率？首先，一般的商业分析师会想到用频率学派中的频率代表概率的方法，转化率等于订单数除以分发的总数为9/23=39%。

但是这里的小样本不适用于上面的计算，通过贝叶斯方法计算概率能更好的得出准确描述业务状态的结果。

为了能量化业务中转化率的不确定性，我们需要解决三件事：

数据

本案例中的数据将来自我们进行的初步研究。我们知道，在向这本小册子展示的23家德克萨斯人中，有9家被转化为客户。

生成模型

生成模型传递某些参数，例如转化率，以便该模型基于该参数模拟业务数据。例如，我们可以假设转化率为40％，然后向随机选择的50个德克萨斯州人展示手册。根据我们假定的转化率，生成模型将估算出将要进行的20笔销售。现在基于假设的生成模型，已知业务数据，反向求解生成模型&#