Effet du jour de la semaine
Même si les tests A/B nous permettent de maîtriser des variables externes comme la météo et les jours fériés, certains traitements peuvent avoir des effets plus forts ou plus faibles que d'autres, qu'il faut prendre en compte pour bien refléter le comportement des utilisateurs pendant les périodes fluctuantes. Selon l'indicateur suivi, vous pourriez devoir exécuter vos tests A/B par incréments hebdomadaires complets. Certains indicateurs présentent une saisonnalité et sont touchés par les jours fériés, les fins de semaine, etc., tandis que d'autres varient moins. Comme scientifique des données, c'est à vous de conseiller l'équipe sur la possibilité d'arrêter le test une fois la taille d'échantillon requise atteinte, ou de le prolonger de quelques jours pour couvrir des effets saisonniers comme l'effet du jour de la semaine.
Examinez l'ensemble de données novelty chargé pour vous afin de sélectionner les indicateurs qui doivent être évalués sur des incréments hebdomadaires. pandas et matplotlib sont aussi chargés pour vous.
Cette activité fait partie du cours
A/B Testing en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create a line plot
novelty.____('____', '____')
plt.title('Purchase Rate Over Test Duration')
plt.ylabel('Purchase Rate [%]')
plt.ylim([0, 0.04])
plt.show()