# 必要なライブラリを読み込む
import pandas as pd      # データを表形式で扱う
import numpy as np       # 数値計算
from scipy import stats  # 統計検定

# ビジネス指標（前提条件）
AOV = 8000               # 平均注文金額（Average Order Value）
gross_margin_rate = 0.6  # 粗利率 60%
LTV = 20000              # 顧客生涯価値（Lifetime Value）

# チャネル別の実績データ
# pd.DataFrame(): 表形式のデータを作成する関数
channels = pd.DataFrame({
    'チャネル': ['Google広告', 'SNS広告', 'インフルエンサー', 'メール', 'アフィリエイト'],
    '広告費': [20000000, 15000000, 8000000, 4000000, 3000000],  # 円
    'クリック数': [100000, 80000, 50000, 30000, 25000],
    'CV数': [1000, 900, 600, 500, 400],      # コンバージョン数（購入数）
    '新規顧客数': [850, 800, 550, 200, 380]  # 新規顧客の数
})

# CPC（Cost Per Click: クリック単価）
# 1クリックあたりいくらかかったか
channels['CPC'] = channels['広告費'] / channels['クリック数']

# CVR（Conversion Rate: コンバージョン率）
# クリックした人のうち何%が購入したか
channels['CVR'] = channels['CV数'] / channels['クリック数'] * 100

# CPA（Cost Per Acquisition: 獲得単価）
# 1件のコンバージョンにいくらかかったか
channels['CPA'] = channels['広告費'] / channels['CV数']

# CAC（Customer Acquisition Cost: 顧客獲得単価）
# 1人の新規顧客を獲得するのにいくらかかったか
channels['CAC'] = channels['広告費'] / channels['新規顧客数']

# 売上 = CV数 × 平均注文金額
channels['売上'] = channels['CV数'] * AOV

# 粗利 = 売上 × 粗利率
channels['粗利'] = channels['売上'] * gross_margin_rate

# ROI（Return on Investment: 投資収益率）
# (粗利 - 広告費) / 広告費 × 100
# → 100%以上なら黒字、100%未満なら赤字
channels['ROI'] = (channels['粗利'] - channels['広告費']) / channels['広告費'] * 100

# ROAS（Return on Ad Spend: 広告費用対効果）
# 売上 / 広告費 × 100
# → 広告費の何倍の売上が得られたか
channels['ROAS'] = channels['売上'] / channels['広告費'] * 100

# LTV（顧客生涯価値）ベースの計算
# 新規顧客は将来もリピート購入するため、長期的な価値で評価

# LTVベースの売上 = 新規顧客数 × LTV
channels['LTV売上'] = channels['新規顧客数'] * LTV

# LTVベースの粗利 = LTV売上 × 粗利率
channels['LTV粗利'] = channels['LTV売上'] * gross_margin_rate

# LTVベースのROI
# → 長期的な視点での投資効率
channels['LTV_ROI'] = (channels['LTV粗利'] - channels['広告費']) / channels['広告費'] * 100

# 結果を表示
# iterrows(): DataFrameの各行を順番に処理する
for i, row in channels.iterrows():
    print(f"【{row['チャネル']}】")
    print(f"  広告費: ¥{row['広告費']/1000000:.0f}M")
    print(f"  CPC: ¥{row['CPC']:.0f}  CVR: {row['CVR']:.2f}%")
    print(f"  CPA: ¥{row['CPA']:,.0f}  CAC: ¥{row['CAC']:,.0f}")
    print(f"  ROI: {row['ROI']:.0f}%  ROAS: {row['ROAS']:.0f}%")
    print(f"  LTV_ROI: {row['LTV_ROI']:.0f}%")
    print()

# 顧客の接触パターン（上位7パターン）
# 実務では、Google Analyticsなどから取得

attribution_data = pd.DataFrame({
    'パターン': [
        'Google → 購入',           # Googleだけで購入
        'SNS → 購入',              # SNSだけで購入
        'Google → SNS → 購入',     # Google経由でSNSで購入
        'SNS → Google → 購入',     # SNS経由でGoogleで購入
        'Influencer → Google → 購入',  # インフルエンサー経由
        'Email → 購入',            # メールだけで購入
        'Google → Email → 購入'    # Google経由でメールで購入
    ],
    '顧客数': [200, 180, 150, 120, 100, 150, 50],
    'ラストクリック': ['Google', 'SNS', 'SNS', 'Google', 'Google', 'Email', 'Email']
})

print("【顧客の接触パターン】")
print(attribution_data.to_string(index=False))

# ラストクリックモデル
# groupby(): 指定した列でグループ化
# sum(): 各グループの合計を計算

lastclick = attribution_data.groupby('ラストクリック')['顧客数'].sum()

print("【ラストクリックモデル】")
print("最後に接触したチャネルに100%の貢献")
print()
print(lastclick)

# 結果:
# Google: 470人（200+120+100+50）
# SNS: 330人（180+150）
# Email: 200人（150+50）

# リニアモデル（均等配分）
# 接触したすべてのチャネルに均等に貢献を配分

# 例: 「Google → SNS → 購入」のパターン（150人）
#     Google: 75人（50%）、SNS: 75人（50%）

linear_attribution = {
    'Google': 200 + 150/2 + 120/2 + 100/2 + 50/2,  # 410人
    'SNS': 180 + 150/2 + 120/2,                     # 315人
    'Influencer': 100/2,                            # 50人
    'Email': 150 + 50/2                             # 175人
}

print("【リニアモデル（均等配分）】")
for channel, contribution in linear_attribution.items():
    print(f"  {channel}: {contribution:.0f}人")

# タイムディケイモデル（時間減衰）
# 購入に近い接触ほど高い貢献度を与える
# 例: 最後のチャネル70%、最初のチャネル30%

timedecay_attribution = {
    'Google': 200 + 150*0.3 + 120*0.7 + 100*0.3 + 50*0.3,  # 344人
    'SNS': 180 + 150*0.7 + 120*0.3,                         # 321人
    'Influencer': 100*0.4,                                  # 40人（認知のみ）
    'Email': 150 + 50*0.7                                   # 185人
}

print("【タイムディケイモデル】")
for channel, contribution in timedecay_attribution.items():
    print(f"  {channel}: {contribution:.0f}人")

# A/Bテストのデータ
# Creative A（現行）とCreative B（新案）を比較

# Creative A（現行デザイン）
creative_a_clicks = 800        # クリック数
creative_a_conversions = 90    # コンバージョン数

# Creative B（新デザイン）
creative_b_clicks = 950        # クリック数
creative_b_conversions = 105   # コンバージョン数

# コンバージョン率（CVR）を計算
cvr_a = creative_a_conversions / creative_a_clicks  # 11.25%
cvr_b = creative_b_conversions / creative_b_clicks  # 11.05%

print("【A/Bテスト: SNS広告クリエイティブ比較】")
print(f"Creative A: CVR = {cvr_a*100:.2f}%")
print(f"Creative B: CVR = {cvr_b*100:.2f}%")

# 2標本比率検定（Z検定）
# 「AとBに本当に差があるか」を統計的に検証

# プールしたコンバージョン率（2グループの合算）
total_conversions = creative_a_conversions + creative_b_conversions
total_clicks = creative_a_clicks + creative_b_clicks
pooled_cvr = total_conversions / total_clicks

# 標準誤差（SE）を計算
# SE = √(p(1-p)(1/n1 + 1/n2))
# np.sqrt(): 平方根を計算
se = np.sqrt(pooled_cvr * (1 - pooled_cvr) * 
             (1/creative_a_clicks + 1/creative_b_clicks))

# Z値を計算
# Z = (CVR_B - CVR_A) / SE
z_score = (cvr_b - cvr_a) / se

# p値を計算（両側検定）
# stats.norm.cdf(): 正規分布の累積分布関数
p_value = 2 * (1 - stats.norm.cdf(abs(z_score)))

# 結果を表示
print("【統計的検定の結果】")
print(f"CVR差: {(cvr_b - cvr_a)*100:.2f}pp")
print(f"相対改善: {(cvr_b/cvr_a - 1)*100:.1f}%")
print(f"Z値: {z_score:.3f}")
print(f"p値: {p_value:.4f}")

# p値による判断
if p_value < 0.05:
    print("✓ 統計的に有意（p < 0.05）")
    print("  → BはAより明確に優れている")
else:
    print("✗ 統計的に有意ではない（p >= 0.05）")
    print("  → 差はランダムな可能性がある")

# 最適化後の予算配分
optimized_budget = pd.DataFrame({
    'チャネル': ['Google広告', 'SNS広告', 'インフルエンサー', 'メール', 'アフィリエイト'],
    '現予算': [20000000, 15000000, 8000000, 4000000, 3000000],
    '最適予算': [15000000, 18000000, 7000000, 8000000, 2000000]
})

# 変化額を計算
optimized_budget['変化額'] = optimized_budget['最適予算'] - optimized_budget['現予算']
optimized_budget['変化率'] = (optimized_budget['変化額'] / optimized_budget['現予算'] * 100)

# 総予算は変わらないことを確認
print(f"現予算合計: ¥{optimized_budget['現予算'].sum()/1000000:.0f}M")
print(f"最適予算合計: ¥{optimized_budget['最適予算'].sum()/1000000:.0f}M")

# ===================================================
# マーケティングROI分析 - 完全版コード
# ===================================================

import pandas as pd
import numpy as np
from scipy import stats

# ===== 設定 =====
AOV = 8000               # 平均注文金額
gross_margin_rate = 0.6  # 粗利率
LTV = 20000              # 顧客生涯価値

# ===== データ準備 =====
channels = pd.DataFrame({
    'チャネル': ['Google広告', 'SNS広告', 'インフルエンサー', 'メール', 'アフィリエイト'],
    '広告費': [20000000, 15000000, 8000000, 4000000, 3000000],
    'クリック数': [100000, 80000, 50000, 30000, 25000],
    'CV数': [1000, 900, 600, 500, 400],
    '新規顧客数': [850, 800, 550, 200, 380]
})

# ===== 効率指標 =====
channels['CPC'] = channels['広告費'] / channels['クリック数']
channels['CVR'] = channels['CV数'] / channels['クリック数'] * 100
channels['CPA'] = channels['広告費'] / channels['CV数']
channels['CAC'] = channels['広告費'] / channels['新規顧客数']

# ===== 収益指標 =====
channels['売上'] = channels['CV数'] * AOV
channels['粗利'] = channels['売上'] * gross_margin_rate
channels['ROI'] = (channels['粗利'] - channels['広告費']) / channels['広告費'] * 100
channels['ROAS'] = channels['売上'] / channels['広告費'] * 100

# ===== LTVベース =====
channels['LTV売上'] = channels['新規顧客数'] * LTV
channels['LTV粗利'] = channels['LTV売上'] * gross_margin_rate
channels['LTV_ROI'] = (channels['LTV粗利'] - channels['広告費']) / channels['広告費'] * 100

# ===== A/Bテスト =====
cvr_a = 90 / 800   # Creative A
cvr_b = 105 / 950  # Creative B

pooled_cvr = (90 + 105) / (800 + 950)
se = np.sqrt(pooled_cvr * (1 - pooled_cvr) * (1/800 + 1/950))
z_score = (cvr_b - cvr_a) / se
p_value = 2 * (1 - stats.norm.cdf(abs(z_score)))

print(f"A/Bテスト p値: {p_value:.4f}")
print(f"統計的に有意: {'Yes' if p_value < 0.05 else 'No'}")