रैंडमाइज़ेशन के प्रभाव

A/B टेस्टिंग में रैंडम असाइनमेंट की बहुत अहम भूमिका होती है। मान लीजिए आप एक Data Scientist हैं और अलग-अलग चेकआउट पेज डिज़ाइन के बिज़नेस मेट्रिक्स पर प्रभाव जाँचने के लिए एक प्रयोग सेटअप कर रहे हैं.

आप ट्रैफ़िक के रैंडम एनरोलमेंट का सिमुलेशन करने के लिए उपयोगकर्ताओं के एक प्रतिशत का सैंपल लेंगे और हर समूह में रैंडमली असाइन किए गए उपयोगकर्ताओं के कुछ गुणों के वितरण की जाँच करेंगे। इससे आप यह परख पाएँगे कि क्या नतीजे सामान्य ट्रैफ़िक पॉपुलेशन पर लागू हो सकते हैं, और जिन समूहों में हम एक ही वैरिएबल बदल रहे हैं—चेकआउट पेज डिज़ाइन—उसके प्रभाव को अलग-थलग कर पाएँगे.

checkout DataFrame आपके लिए लोड है। मान लें कि DataFrame की हर पंक्ति एक यूनिक उपयोगकर्ता का प्रतिनिधित्व करती है जो संबंधित checkout_page पर आया और उसके साथ उसकी क्रियाएँ और अतिरिक्त गुण दर्ज हैं.