Aussagekräftige KPIs definieren

Ermittle, welche der folgenden Kennzahlen keine sinnvolle KPI für einen kleinen Foodtruck ist, der sein Geschäft optimieren möchte.

Diese Übung ist Teil des Kurses

<Kurs>Customer Analytics und A/B-Testing mit Python</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>Customer Analytics und A/B-Testing mit Python</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.7+

Kurs kostenlos starten

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.

Exercise 1: Kurseinführung und Überblick Exercise 2: Die zentralen Bestandteile eines A/B-Tests verstehen Exercise 3: Aussagekräftige KPIs definieren

Aktuelle Übung

Exercise 4: KPIs identifizieren und verstehen Exercise 5: Daten laden und untersuchen Exercise 6: Mergen mit unterschiedlichen Feld-Sets Exercise 7: Explorative Analyse von KPIs Exercise 8: Aggregationen üben Exercise 9: Gruppieren & Aggregieren Exercise 10: KPIs berechnen – ein praktisches Beispiel Exercise 11: KPIs berechnen Exercise 12: Durchschnittlicher Kaufpreis nach Kohorte

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.

Exercise 1: Arbeiten mit Zeitreihendaten in pandas Exercise 2: Datumsangaben parsen Exercise 3: Zeitreihendiagramme mit Matplotlib erstellen Exercise 4: Zeitreihendaten plotten Exercise 5: Daten pivotieren Exercise 6: Untersuchung der verschiedenen Kohorten Exercise 7: Trends verstehen und visualisieren Exercise 8: Saisonalität und gleitende Durchschnitte Exercise 9: Exponentieller gleitender Durchschnitt & über/unter Glättung Exercise 10: Events und Releases Exercise 11: Ausgaben der Nutzer visualisieren Exercise 12: Umsatz genauer betrachten

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.

Exercise 1: Einführung in A/B-Tests Exercise 2: Gute Einsatzmöglichkeiten für A/B-Tests Exercise 3: Allgemeine Eigenschaften eines A/B-Tests Exercise 4: Generalisierbarkeit von A/B-Tests Exercise 5: Erstes Design für den A/B-Test Exercise 6: Experimentelle Einheiten: Umsatz pro User-Tag Exercise 7: Vorbereitung auf die Durchführung eines A/B-Tests Exercise 8: Sensitivitäten der Conversion-Rate Exercise 9: Sensitivität Exercise 10: Standardfehler Exercise 11: Stichprobengröße berechnen Exercise 12: Die Power-Berechnung erkunden Exercise 13: Berechnung der Stichprobengröße

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.

Exercise 1: Die A/B-Testergebnisse analysieren Exercise 2: Unsere Testergebnisse bestätigen Exercise 3: Kritisch über p-Werte nachdenken Exercise 4: Statistische Signifikanz verstehen Exercise 5: Intuition hinter statistischer Signifikanz Exercise 6: Auf statistische Signifikanz prüfen Exercise 7: Konfidenzintervalle verstehen Exercise 8: Konfidenzintervalle berechnen Exercise 9: Deine Testergebnisse interpretieren Exercise 10: Die Verteilung plotten Exercise 11: Die Differenzverteilung plotten Exercise 12: Finale