顧客の来店頻度をベースとしたキャンペーン効果分析

import statsmodels.api as sm
import statsmodels.formula.api as smf

# ポアソン回帰モデルの構築
formula = 'visits ~ campaign + age + gender'
poisson_model = smf.glm(formula=formula, data=data, family=sm.families.Poisson()).fit()

# 結果の表示
print(poisson_model.summary())

# キャンペーンの効果（β1）の抽出と解釈
beta_1 = poisson_model.params['campaign']
p_value = poisson_model.pvalues['campaign']

print(f"キャンペーンの効果 (β1): {beta_1}")
if p_value < 0.05:
    print(f"キャンペーンは統計的に有意な効果があります (p値={p_value})。")
else:
    print(f"キャンペーンの効果は統計的に有意ではありません (p値={p_value})。")

# クライアントに提供する示唆
if beta_1 > 0:
    insight = "キャンペーンは顧客の来店回数を増加させる効果があると示されています。"
elif beta_1 < 0:
    insight = "キャンペーンは顧客の来店回数を減少させる効果があると示されています。"
else:
    insight = "キャンペーンによる明確な効果は見られません。"

print(f"クライアントへの示唆: {insight}")

with pm.Model() as model:
    # 切片と傾斜の事前分布
    intercept = pm.Normal('intercept', mu=0, sigma=10)
    beta_campaign = pm.Normal('beta_campaign', mu=0, sigma=10)
    beta_age = pm.Normal('beta_age', mu=0, sigma=10)
    beta_gender = pm.Normal('beta_gender', mu=0, sigma=10)
    
    # λの計算
    lambda_ = pm.math.exp(intercept + beta_campaign * df['campaign'] + beta_age * df['age'] + beta_gender * df['gender'])
    
    # 観測データの尤度関数
    observations = pm.Poisson('observations', mu=lambda_, observed=df['visits'])
    
    # MCMCサンプリング
    trace = pm.sample(draws=2000, tune=200, chains=4, return_inferencedata=True)

az.plot_trace(trace, figsize=(13,15))
az.summary(trace)
pm.model_to_graphviz(model)