Effekte der Randomisierung

Zufällige Zuweisung spielt eine entscheidende Rolle im A/B-Testing. Stell dir vor, du bist Data Scientist und richtest ein Experiment ein, um zu testen, wie sich unterschiedliche Checkout-Seiten-Designs auf Business-Kennzahlen auswirken.

Du wirst einen Prozentsatz der Nutzer sampeln, um die zufällige Aufnahme von Traffic in das Experiment zu simulieren, und die Verteilungen bestimmter Attribute in den zufällig zugewiesenen Gruppen prüfen. So kannst du sicherstellen, dass sich die Ergebnisse auf die gesamte Traffic-Population verallgemeinern lassen, und den Einfluss der einen Variable isolieren, die wir zwischen den Gruppen verändern: das Design der Checkout-Seite.

Das DataFrame checkout ist für dich geladen. Gehe davon aus, dass jede Zeile im DataFrame einem eindeutigen Nutzer entspricht, der die jeweilige checkout_page besucht, zusammen mit seinen Aktionen und weiteren Attributen.