or
Deze oefening maakt deel uit van de cursus
Dit hoofdstuk geeft een korte introductie van de inhoud die in de cursus aan bod komt en gaat daarna over op een bespreking van Key Performance Indicators of KPI's. Je leert hoe je betekenisvolle KPI's identificeert en definieert door kritisch na te denken en Python-tools in te zetten. Deze technieken worden zeer praktisch en breed toepasbaar gepresenteerd. Uiteindelijk vormen deze onderwerpen de kern voor de daaropvolgende bespreking van A/B testing.
In dit hoofdstuk leer je KPI's te visualiseren, bewerken en verkennen terwijl ze in de tijd veranderen. Aan de hand van diverse voorbeelden leer je werken met datetime-objecten om kengetallen per tijdseenheid te berekenen. Daarna gaan we in op technieken om verschillende datasegmenten te plotten en verschillende smoothing-functies toe te passen om verborgen trends zichtbaar te maken. Tot slot lopen we een volledig voorbeeld door van hoe je problemen opspoort via verkennende data-analyse van klantgegevens. Door dit hoofdstuk heen worden verschillende functies geïntroduceerd en op een zeer algemeen toepasbare manier uitgelegd.
In dit hoofdstuk duik je volledig in A/B testing. Je leert de wiskunde en kennis die nodig zijn om een A/B-test te ontwerpen en goed voor te bereiden, van het bepalen van de experimentele eenheid tot het vaststellen van de benodigde steekproefgrootte. Daarnaast maak je kennis met de functies en code die nodig zijn om de verschillende grootheden te berekenen die horen bij dit type statistische test.
Na het uitvoeren van een A/B-test moet je de gegevens analyseren en de resultaten effectief communiceren. Dit hoofdstuk begint met een verweving van de theorie achter statistische significantie en betrouwbaarheidsintervallen met de tools die je nodig hebt om ze zelf uit de data te berekenen. Vervolgens bespreken we hoe je deze resultaten effectief visualiseert en communiceert. Dit hoofdstuk is de bekroning van alle kennis die je in de hele cursus opbouwt.
Huidige oefening