Détection des effets de nouveauté
Les effets de nouveauté surviennent plus souvent que ne l'imaginent bien des scientifiques et ingénieurs des données. Lancer un test A/B sur une nouvelle fonctionnalité attrayante et tirer une conclusion après avoir constaté une forte hausse des indicateurs d'utilisation durant les premiers jours est une erreur fréquente chez les analystes débutants.
Le jeu de données novelty, déjà chargé pour vous, contient l'écart de temps moyen passé sur la page par utilisateur (ToP) entre deux variantes. Examinez les résultats dans le temps et vérifiez s'il y a des signes d'effets de nouveauté. Incluriez‑vous tous les résultats du début à la fin du test?
Cette activité fait partie du cours
A/B Testing en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Plot ToP_lift over the test dates
____.____('____', '____')
plt.title('Lift in Time-on-Page Over Test Duration')
plt.ylabel('Minutes')
plt.ylim([0, 20])
plt.show()