Анализ статистики по рекламным кампаниям — создаем в DataFrame новую метрику (python)

Для маленьких клиентов (а также для клиентов, у которых сложная для анализа многоканальность) я слежу за чистым CPC (клики, CTR, цена клика, отказы).

Задача: понять какая рк работает эффективней и, исходя из этого, отредактировать ставки.

Для этого я в аналитике использую стоимость полезного клика (CUC — Cost per Useful Click). Данный показатель учитывает стоимость клика, и показатель отказов.

Формула: Cost/Clicks*((100-BounseRate)/100)
Объясню простым языком:
Мы получили 200 кликов за 2000₽, процент отказов 20%. Значит действительно полезных кликов мы купили 80шт,
2000₽/80 = 25₽

Также данная метрика помогает анализировать статистику в небольших выборках, где по конверсиям нельзя принять решение.

На входе у нас уже должен быть готовый DataFrame со статистикой из рекламной системы.

Вводим новый столбец в статистику.

Python совершает математические действия не так, как в математике, поэтому, сделаем каждое действие в отдельной строке:

#f['CUC'] = f['Cost']/f['Clicks']*((100-f['BounceRate'])/100)
f['CUC'] = 100-f['BounceRate']
f['CUC'] = f['CUC']/100
f['CUC'] = f['Clicks']*f['CUC']
f['CUC'] = f['Cost']/f['CUC']

Получаем следующее:



Глядя на данный показатель, мы можем за несколько секунд увидеть слабые места.