滴滴城市运营分析、A/B测试

目录

一、项目背景

数据说明

二、A/B测试效果分析

1、导入数据

 2计算ROI

 3、requests检验

（1）requests方差检验

（2）requests均值检验

（3）gmv检验

三、城市运营

1.数据导入

 2.数据探索

（1）每个时间点的总单量

（2）每天的单量

（3）各时间段订单完成率

（4）单月每日订单完成率

 （5）顾客等待时间

（6）司机在忙率

（7）订单时长

---

一、项目背景

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。

数据集为两个Excel文件，其中test为某次A/B测试相关数据，city为某城市运营数据。

数据说明

test.xlsx

date：日期
group：组别（控制组/实验组）
requests：订单请求数
gmv：成交总额
coupon per trip：每单优惠券金额
trips：订单数
canceled requests：取消请求数

city.xlsx

date：日期
hour：时点
requests：请求数
trips：订单数
supply hours：可服务时长
average minutes of trips：平均订单时长（分钟）
pETA：顾客预计等待时长
aETA：顾客实际等待时长
utiliz：司机在忙率

test.xlsx数据可以用来判断实验条件对此次A/B测试的结果影响是否显著；city.xlsx数据可以用来探索该城市运营中出现的问题，根据关键结论辅助决策。

二、A/B测试效果分析

1、导入数据

import pandas as pd
test = pd.read_excel(r'C:\Users\asus\Desktop\学习\数据分析实战项目\滴滴运营和ABtest\test.xlsx')
print(test.head())

 2计算ROI

计算优惠券投入相对gmv的ROI

test['ROI'] = test['gmv']/(test['coupon per trip']*test['trips'])
print(test.head())

 3、requests检验

数据共58条，对照组与实验组各29条，样本量<30。

（1）requests方差检验

记两组requests方差分别为c1、c2

零假设H0：c1=c2；备选假设H1：c1≠c2

显著性水平取0.05

利用levene检验requests是否齐方差

requests_A = test[test.group=='control'].requests
requests_B = test[test.group=='experiment'].requests
import scipy.stats as st
print(st.levene(requests_A,requests_B))

p值大于0.05，不拒绝原假设，因此认定两组requests齐方差。

（2）requests均值检验

该数据为同一样本实验前后的不同水平，故选择配对样本t检验。

记两组requests均