**Контекст:** Задание с собеса в growth-команду маркетплейса. Был проведён A/B-тест промо-email: контроль не получал, тест получал. Email стоит 2₽ на отправку. Нужно определить, каким сегментам юзеров выгодно слать email, каким — нет (даже при положительном общем lift).
**Данные:**
[см. код в задании]
**Задание:**
1. Для каждого сегмента посчитать uplift: разница в конверсии (и выручке) между treatment и control.
2. Определить, на каких сегментах email **экономически оправдан**: маржа от дополнительных покупок > стоимости отправки.
3. Сделать таблицу-рекомендацию: `segment, control_cr, treatment_cr, uplift_cr, incremental_revenue_per_user, email_cost, net_value_per_user, recommendation`.
Структура для ориентира — реальные значения из эталонного решения.
result = pd.DataFrame({
'segment': pivot.index,
'control_users': pivot[('users', 0)].values,
'treatment_users': pivot[('users', 1)].values,
'control_cr': pivot[('cr', 0)].values,
'treatment_cr': pivot[('cr', 1)].values,
'control_rev_per_user': pivot[('revenue_per_user', 0)].values,
'treatment_rev_per_user': pivot[('revenue_per_user', 1)].values,
})pandas uplift ab-test causal-inference marketing
Это задание для уровня Senior. Senior-уровень — глубокое понимание темы, опыт решения нестандартных задач, обсуждение trade-off на собеседовании.
Подобные задания в категории «Python» регулярно дают на собеседованиях аналитика данных в Яндекс, Сбер, Ozon, Авито, Тинькофф, Wildberries, T-Bank, X5, ВТБ и других крупных IT-компаниях. Тематика: pandas, uplift, ab-test, causal-inference, marketing.
На реальном собеседовании на подобную задачу отводится 30-60 минут с обсуждением подходов, оптимизаций и trade-off. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.
На zasqlpython.ru есть 530+ Python задачи с проверкой через Pyodide, конспекты Python и pandas, AI мок-собеседование с разбором ваших ответов.
← Все задания