Effets de la randomisation

L'assignation aléatoire joue un rôle essentiel dans les tests A/B. Imaginez que vous êtes scientifique des données et que vous configurez une expérience pour évaluer l'effet de différentes conceptions de pages de paiement sur des mesures d'affaires.

Vous allez échantillonner un pourcentage d'utilisatrices et d'utilisateurs afin de simuler l'inscription aléatoire du trafic à l'expérience et vérifier la distribution de certains attributs chez les personnes assignées au hasard dans chaque groupe. Cela vous permet de confirmer la capacité de généraliser à l'ensemble du trafic et d'isoler l'incidence de la seule variable qui change entre les groupes : la conception de la page de paiement.

Le DataFrame checkout est déjà chargé. Supposez que chaque ligne du DataFrame correspond à une personne distincte visitant la checkout_page correspondante, avec ses actions et d'autres attributs.

Cette activité fait partie du cours

A/B Testing en Python

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Determine the normalized distribution of browser counts
checkout['browser'].____(normalize = ____)

Modifier et exécuter le code

Cette activité fait partie du cours

A/B Testing en Python

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous verrez les bases de l'A/B Testing. Vous parcourrez des étapes claires et des cas d'utilisation, comprendrez pourquoi et en quoi il est utile de concevoir et d'exécuter des tests A/B, et découvrirez les cadres de conception d'indicateurs et d'estimation les plus courants.

Exercise 1: Qu'est-ce qu'un test A/B ?Exercise 2: Quand un test A/B n'est pas le meilleur choix Exercise 3: Étapes d'un test A/B Exercise 4: Effets de la randomisation

Exercice en cours

Exercise 5: Pourquoi mener des expériences ?Exercise 6: Visualisation de corrélations Exercise 7: Corrélation ou causalité ?Exercise 8: Conception et estimation des indicateurs Exercise 9: Moyennes et proportions Exercise 10: Mesures des impressions publicitaires

Dans le chapitre 2, vous aborderez le processus de conception d'expériences. Après avoir appris à formuler de solides hypothèses pour l'A/B Testing, vous verrez aussi des notions statistiques comme la puissance, les taux d'erreur et l'effet minimal détectable. Vous terminerez en apprenant à estimer la taille d'échantillon appropriée pour obtenir des résultats concluants et à gérer les scénarios avec comparaisons multiples.

Exercise 1: Formulation d'hypothèses et distributions Exercise 2: Formulation d'hypothèses solides Exercise 3: Tracer des distributions Exercise 4: Théorème central limite pour les moyennes Exercise 5: Conception expérimentale : configuration des paramètres d'essai Exercise 6: Interpréter les valeurs p Exercise 7: Taux d'erreur sur le terrain Exercise 8: Conception expérimentale : analyse de la puissance Exercise 9: Tracer des courbes de puissance Exercise 10: Taille d'échantillon pour des moyennes Exercise 11: Taille d'échantillon pour des proportions Exercise 12: Tests de comparaisons multiples Exercise 13: Faut-il appliquer une correction pour comparaisons multiples?Exercise 14: Valeurs p corrigées

Ici, vous découvrirez un déroulement concret pour nettoyer, prétraiter et explorer des données d'A/B Testing, ainsi que les vérifications de cohérence nécessaires pour assurer la validité des résultats. Vous étudierez une explication détaillée et un exemple d'analyse de tests A/B portant sur une différence de proportions.

Exercise 1: Nettoyage des données et analyse exploratoire Exercise 2: EDA sur les proportions Exercise 3: Nettoyage des données d'un test A/B Exercise 4: Vérifications d'intégrité : validité interne Exercise 5: SRM Exercise 6: Équilibre des distributions Exercise 7: Vérifications de cohérence : validité externe Exercise 8: Détection des effets de nouveauté Exercise 9: Le paradoxe de Simpson à l'œuvre Exercise 10: Analyser les tests A/B de différence de proportions Exercise 11: Test A/B de différence de proportions Exercise 12: Interprétation des intervalles de confiance Exercise 13: Intervalles de confiance pour des proportions

Dans le dernier chapitre, vous développerez des cadres pour analyser les différences de moyennes et recourir à des tests non paramétriques lorsque plusieurs hypothèses ne sont pas respectées. Vous apprendrez aussi à appliquer la méthode Delta pour analyser des indicateurs de type ratio et découvrirez les pratiques exemplaires ainsi que quelques sujets avancés pour poursuivre votre maîtrise de l'A/B Testing.

Exercise 1: Analyser les tests A/B sur la différence de moyennes Exercise 2: Test t pour la différence de moyennes Exercise 3: Tests t par paires Exercise 4: Tests statistiques non paramétriques Exercise 5: Paramétrique ou non paramétrique?Exercise 6: Test U de Mann-Whitney Exercise 7: Test du khi carré d'indépendance Exercise 8: Mesures de ratio et méthode delta Exercise 9: Delta ou pas?Exercise 10: Méthode delta Exercise 11: Introduction aux pratiques exemplaires en A/B testing et aux sujets avancés Exercise 12: Bonnes pratiques Exercise 13: Effet du jour de la semaine Exercise 14: Conclusion : A/B testing en Python