In this chapter, you’ll learn the foundations of A/B testing. You’ll explore clear steps and use cases, learn the reasons and value of designing and running A/B tests, and discover the most commonly used metrics design and estimation frameworks. 

What is A/B testing?

When an A/B test is not best

A/B testing steps

Randomization effects

Why run experiments?

Correlation visualization

Correlation or causation?

Metrics design and estimation

Means and proportions

Ad impressions metrics

Overview of A/B Testing

In Chapter 2, you’ll cover the experiment design process. Starting with learning how to formulate strong A/B testing hypotheses, you’ll also cover statistical concepts such as power, error rates, and minimum detectable effects. You’ll finish the chapter by learning to estimate the appropriate sample size needed to yield conclusive results and tackle scenarios with multiple comparisons.

Hypothesevorming en verdelingen

Sterke hypotheseformulering

Distributies plotten

Centrale limietstelling voor gemiddelden

Experimenteel ontwerp: testparameters instellen

Opties

Juiste interpretatie

Onjuiste interpretatie

P-waarden interpreteren

Foutpercentages in de praktijk

Experimenteel ontwerp: poweranalyse

Powercurves plotten

Steekproefgrootte voor gemiddelden

Steekproefgrootte voor proporties

Toetsen voor multiple comparisons

Correctie voor multiple comparisons nodig

Geen correctie nodig

Is een correctie voor multiple comparisons nodig?

Gecorrigeerde p-waardes

Experiment Design and Planning

Here, you’ll discover a concrete workflow for cleaning, preprocessing, and exploring AB testing data, as well as learn the necessary sanity checks we need to follow to ensure valid results. You’ll explore a detailed explanation and example of analyzing difference in proportions A/B tests.

Data cleaning and exploratory analysis

Proportions EDA

A/B  test data cleaning

Sanity checks: Internal validity

Distributions balance

Sanity checks: external validity

Novelty effects detection

Simpson's paradox in action

Analyzing difference in proportions A/B tests

Difference in proportions A/B test

Interpretation of confidence intervals

Confidence intervals for proportions

Data Processing, Sanity Checks, and Results Analysis

In the final chapter, you’ll develop frameworks for analyzing differences in means and leveraging non-parametric tests when several assumptions aren't met. You’ll also learn how to apply the Delta method when analyzing ratio metrics and discover the best practices and some advanced topics to continue the A/B testing mastery journey.

Analyzing difference in means A/B tests

T-test for difference in means

Pairwise t-tests

Non-parametric statistical tests

Parametric or non-parametric?

Mann-Whitney U test

Chi-square test for independence

Ratio metrics and the delta method

Delta or not?

Delta method

A/B Testing best practices and advanced topics intro

Best practices

Day-of-the-week effect

Wrap-up: A/B testing in python

Practical Considerations and Making Decisions

checkout

admissions

In deze cursus duik je in A/B-testen door te leren hoe je deze testen ontwerpt, uitvoert en analyseert in Python. Je begint met het definiëren van de juiste statistieken en schat vervolgens de benodigde steekproefgrootte en duur om tot overtuigende resultaten te komen. Door de hele cursus gebruik je diverse Python-pakketten voor A/B-testen, waaronder statsmodels, scipy en pingouin. Aan het eind kun je controles uitvoeren die nauwkeurige resultaten waarborgen, beheers je p-values en analyseer je de uitkomsten van A/B-testen met gemak en vertrouwen om cruciale zakelijke beslissingen te onderbouwen.

In deze cursus duik je in de wereld van A/B-testen, krijg je een goed begrip van de praktische toepassingen en leer je hoe je deze A/B-testen in Python kunt ontwerpen, uitvoeren en analyseren.
<br><br>
<h2>Ontdek hoe A/B-tests werken</h2>
<br><br>
Wist je dat je bijna zeker meedoet aan een A/B-test elke keer dat je op internet surft? Van zoekmachines en e-commerce sites tot sociale netwerken en marketingcampagnes — alle bedrijven huren de beste data-analisten, wetenschappers en ingenieurs in om de kracht van AB-testen te benutten. Door verschillende varianten te testen, kun je de klantervaring verbeteren, je winst verhogen, het volgende beste ontwerp maken en nog veel meer.
<br><br>
<h2>Meer weten over A/B-testen in Python</h2>
<br><br>
Je begint met te leren hoe je de juiste statistieken kunt bepalen, voordat je leert hoe je de juiste steekproefgrootte en duur kunt schatten om betrouwbare resultaten te krijgen. Tijdens deze cursus gebruik je verschillende Python-pakketten om te helpen bij A/B-testen, zoals statsmodels, scipy en pingouin.
<br><br>
Aan het einde van de cursus kun je de nodige controles uitvoeren om nauwkeurige resultaten te garanderen, ben je helemaal thuis in p-waarden en kun je de resultaten van A/B-tests makkelijk en vol vertrouwen analyseren om de belangrijkste zakelijke beslissingen te nemen.

Hypothesis Testing in Python

Leer praktische toepassingen van A/B-testen in Python. Beheers p-waarden, controles en analyses.

Hypothesevorming en verdelingen

Create Your Free Account