or
Diese Übung ist Teil des Kurses
Dieses Kapitel gibt zunächst einen kurzen Überblick über die Inhalte des Kurses und führt dann in Key Performance Indicators (KPIs) ein. Du lernst, mit kritischem Denken und passenden Python-Tools sinnvolle KPIs zu identifizieren und zu definieren. Alle Techniken werden praxisnah und allgemein anwendbar vorgestellt. Diese Themen bilden letztlich die zentrale Grundlage für die anschließende A/B-Testing- Diskussion.
In diesem Kapitel lernst du, KPIs im Zeitverlauf zu visualisieren, zu bearbeiten und zu erkunden. Anhand verschiedener Beispiele arbeitest du mit datetime-Objekten, um Kennzahlen pro Zeiteinheit zu berechnen. Anschließend schauen wir uns Techniken an, um unterschiedliche Datensegmente zu visualisieren und verschiedene Glättungsfunktionen anzuwenden, um verborgene Trends sichtbar zu machen. Abschließend gehen wir ein vollständiges Beispiel durch, in dem wir mithilfe explorativer Datenanalyse von Kundendaten Probleme gezielt aufspüren. Die vorgestellten Funktionen werden durchgehend auf eine allgemein übertragbare Weise erklärt.
In diesem Kapitel tauchst du vollständig ins A/B-Testing ein. Du lernst die Mathematik und das nötige Fachwissen, um einen A/B-Test zu konzipieren und erfolgreich zu planen – von der Wahl der experimentellen Einheit bis zur Bestimmung der erforderlichen Stichprobengröße. Dazu bekommst du eine Einführung in die Funktionen und den Code, mit denen sich die verschiedenen Größen für einen solchen statistischen Test berechnen lassen.
Nach der Durchführung eines A/B-Tests musst du die Daten analysieren und die Ergebnisse überzeugend kommunizieren. Dieses Kapitel verknüpft zunächst die Theorie zu statistischer Signifikanz und Konfidenzintervallen mit den Werkzeugen, um sie selbst aus den Daten zu berechnen. Anschließend besprechen wir, wie du diese Ergebnisse wirksam visualisierst und vermittelst. Dieses Kapitel ist der Höhepunkt des im gesamten Kurs aufgebauten Wissens.
Aktuelle Übung