Анализ данных на тему «Кликнет ли пользователь на рекламу»
ОПИСАНИЕ ПРОЕКТА
● АКТУАЛЬНОСТЬ: В мире, где реклама всплывает быстрее, чем мысли о прокрастинации, вопрос «кликнет ли пользователь?» становится по-настоящему актуальным. Интернет-пользователи уже научились закрывать баннеры с рекламой быстрее, чем они успевают загрузиться, но реклама всё равно не сдаётся. Рекламодатели продолжают изобретать новые способы привлечения внимания — от «одного простого трюка» до «шокирующих фактов, которые скрывают учёные». Понять, что именно заставляет человека кликнуть (или не кликнуть), — не так уж и легко, но крайне важная для эффективного продвижения. Ведь если пользователь кликнул, значит, где-то в мире маркетолог радостно хлопнул в ладоши.
При поиске нужного мне датасета использовала сайт kaggle.com, где и нашла прекрасную базу данных по рекламе: advertising.csv
Типы диаграмм использованные в проекте:
● Гистограмма ● Точечная диаграмма ● Столбчатая диаграмма 1.0 ● Столбчатая диаграмма 2.0 ● Матрица корреляции
Причину выбора диаграмм такого типа обосновала в Блокноте
ОФОРМЛЕНИЕ
ОБРАБОТКА ДАННЫХ
Первым этапом импортировала необходимые мне библиотеки: Python, Seaborn и Matplotlib. После чего считала скачанный csv-файл датасета.
Немного поиграла с данными и применила Target Encoding к столбцу «Country» — пусть почувствует свою важность. Этот метод заменяет каждую страну на среднее значение по колонке «Clicked on Ad» — то есть, насколько часто там кликают по рекламе. Получается, что вместо «USA» или «India» у нас будут, например, 0.42 или 0.87 — и никакой геополитики. В общем, превратила страны в числа)
ВИЗУАЛИЗАЦИЯ ДАННЫХ
● Гистограмма: Время на сайте
● Точечная диаграмма: Интернет-активность и клики
● Столбчатая диаграмма 1.0: Пол и клики
● Столбчатая диаграмма 2.0: Время суток и клики
● Матрица корреляции
Список источников: ● Kaggle.com — главный помощник по нахождению датасета для моего проекта! ● ChatGpt — второй главный помощник моего проекта! К нему я обращалась с просьбами о помощи в работе с ключевыми библиотеками Python для Анализа Данных: Python, Seaborn и Matplotlib. ● Также невероятно помог портал https://scikit-learn.org/stable/index.html для нахождения оптимальных способов манипуляций над данными. ● Фотография на обложку для проекта была сгенерирована при помощи нейросети leonardo.ai ● Оформление диаграмм — Adobe Photoshop
