Nivel 5 · ¿Más gasto en anuncios trae más visitas?

Un número para “moverse juntos”

El coeficiente de correlación r mide cuán de cerca dos números siguen una relación en línea recta. Va de -1 a +1:

• el signo es la dirección: + significa que suben juntos, - significa que uno sube mientras el otro baja;
• el tamaño es la fuerza: como guía aproximada, por encima de 0,7 es fuerte, de 0,3 a 0,7 moderada, por debajo de 0,3 débil;
• 0 significa que no hay relación en línea recta (aún podría haber una curva).

En pandas es una llamada sobre dos Series de la misma longitud, alineadas fila a fila:

daily["paid_spend"].corr(daily["paid_sessions"])     # about 0.65

Ese es el valor por defecto de pandas, la r de Pearson. method="spearman" da una versión basada en rangos que es menos sensible a unos pocos días extremos.

Primero alinea los datos

La correlación compara la fila 1 con la fila 1, la fila 2 con la fila 2. Así que ambos números deben describir lo mismo, aquí el mismo día. El gasto tiene una fila por día y canal; las sesiones tienen una fila por visita. Cuenta las visitas por día y luego únelas a los días de gasto:

per_day = visits.groupby("day").size().rename("paid_sessions").reset_index()
spend_days = paid[["spend_date", "amount"]].rename(columns={"spend_date": "day", "amount": "paid_spend"})
daily = spend_days.merge(per_day, on="day", how="left").fillna({"paid_sessions": 0})

El merge left conserva todos los días de gasto, y fillna da 0 a los días sin visitas de pago. Esos días con cero son observaciones reales; descartarlos ocultaría el extremo bajo de la relación.

Verlo: scatterplot y regplot

sns.scatterplot(data=daily, x="paid_spend", y="paid_sessions") dibuja un punto por día. sns.regplot dibuja los mismos puntos más una recta ajustada y una banda sombreada alrededor que muestra cuán incierta es la recta. Es la recta de np.polyfit del capítulo 11 en una sola llamada:

ax = sns.regplot(data=daily, x="paid_spend", y="paid_sessions",
                 scatter_kws={"alpha": 0.35}, line_kws={"color": "#c0392b"})

Con r alrededor de +0,65, los días con más gasto tienden a tener más visitas de pago, pero los puntos están lejos de una recta: muchos días de gasto alto tuvieron pocas visitas. Infórmalo como “el gasto de pago y las visitas de pago están claramente asociados”, con la cifra. Ambos suben también en noviembre y diciembre, así que parte de este vínculo es la propia temporada, de lo que se ocupan los siguientes niveles.

Errores comunes

• Correlacionar columnas que no están alineadas en la misma unidad (una fila por día en ambos lados).
• Llamar a r = 0,65 “el 65 % de las visitas se explican por el gasto”. r no es un porcentaje.
• Leer solo el tamaño y olvidar el signo, o al revés.
• Escribir “el gasto causa visitas”. La correlación muestra que se mueven juntos, no por qué.