Nieuwigheidseffecten opsporen
Nieuwigheidseffecten komen vaker voor dan de meeste Data Scientists en Engineers verwachten. Een A/B-test draaien voor één nieuwe coole feature en de knoop doorhakken na een grote stijging in gebruiksstatistieken in de eerste dagen is een veelgemaakte fout bij beginnende analisten.
De novelty-gegevensset die voor je is geladen, bevat data over het verschil in gemiddelde tijd op pagina per gebruiker (ToP) tussen twee varianten. Bekijk de resultaten door de tijd heen en controleer of er signalen van nieuwigheidseffecten zijn. Zou je alle resultaten van het begin tot het einde van de test meenemen?
Deze oefening maakt deel uit van de cursus
A/B-testen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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()