Analisis A/B Testing: Efektivitas Iklan Pemasaran 📊

Repository ini berisi notebook analisis A/B Testing untuk menentukan apakah kampanye iklan pemasaran berhasil meningkatkan Conversion Rate (tingkat pembelian produk) secara signifikan dibandingkan dengan baseline (PSA).

📋 Ringkasan Eksperimen

Perusahaan pemasaran ingin mengetahui seberapa besar kesuksesan kampanye yang dapat dikaitkan langsung dengan iklan.

• Tujuan: Menentukan efektivitas iklan dalam mendorong konversi.
• Metrik Utama: Conversion Rate (Persentase pengguna yang membeli produk).
• Varian:
  • Control (A): Pengguna yang melihat Public Service Announcement (PSA).
  • Treatment (B): Pengguna yang melihat Iklan (Ad).

📂 Dataset

Data yang digunakan berasal dari Kaggle Marketing A/B Testing Dataset.

• Total Sampel: 588,101 baris.
• Fitur Utama:
  • test group: Kelompok eksperimen ('ad' atau 'psa').
  • converted: Status pembelian (True/False).
  • total ads: Jumlah iklan yang dilihat.
  • most ads day/hour: Waktu pengguna paling banyak melihat iklan.

🛠️ Teknologi & Libraries

Analisis dilakukan menggunakan Python dengan library berikut:

• pandas: Manipulasi dan pembersihan data.
• numpy: Operasi numerik.
• matplotlib & seaborn: Visualisasi data (Pie chart, Bar chart).
• scipy.stats & statsmodels: Uji hipotesis statistik (T-test).

⚙️ Metodologi

1. Data Preprocessing:
   • Renaming kolom (menghapus spasi).
   • Label Encoding pada kolom converted (True=1, False=0).
   • Pengecekan missing values dan duplikasi.
2. Exploratory Data Analysis (EDA):
   • Menganalisis distribusi grup (Iklan vs PSA).
   • Menganalisis waktu efektif (Hari dan Jam) penayangan iklan.
3. Uji Hipotesis:
   • $H_0$: Conversion Rate Iklan $\le$ Conversion Rate PSA.
   • $H_1$: Conversion Rate Iklan $>$ Conversion Rate PSA.
   • Menggunakan T-test dan Confidence Interval dengan tingkat signifikansi ($\alpha$) 0.05.

📊 Hasil Temuan

• Perbandingan Konversi:
  • Kelompok Iklan (Ad): 2.55%
  • Kelompok PSA: 1.78%
  • Lift: Iklan meningkatkan konversi secara absolut sebesar ~0.77%.
• Signifikansi Statistik:
  • P-value: $1.70 \times 10^{-13}$ (Sangat kecil, < 0.05).
  • Keputusan: Tolak $H_0$. Perbedaan konversi sangat signifikan secara statistik.
• Wawasan Tambahan:
  • Iklan paling banyak dilihat pada hari Jumat dan Senin.
  • Jam paling aktif melihat iklan adalah pukul 10:00 - 15:00.

💡 Rekomendasi Bisnis

Berdasarkan hasil uji statistik, kampanye iklan terbukti efektif. Direkomendasikan untuk:

1. Melanjutkan alokasi anggaran untuk iklan komersial karena terbukti meningkatkan penjualan dibanding PSA.
2. Mengoptimalkan penayangan iklan pada hari Jumat dan Senin di jam kerja (10:00 - 15:00) untuk memaksimalkan exposure.

🚀 Cara Menjalankan

1. Pastikan Python terinstal.
2. Install dependencies: pip install pandas matplotlib seaborn scipy statsmodels.
3. Jalankan file A_B_Testing.ipynb.