Algemene eigenschappen van een A/B-test

Bepaal hieronder welke eigenschap niet waar is voor A/B-testen.

Deze oefening maakt deel uit van de cursus

Customer Analytics and A/B Testing in Python

Bekijk cursus

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Begin oefening

Deze oefening maakt deel uit van de cursus

Customer Analytics and A/B Testing in Python

SkillTag.level.intermediateSkillTag.label

4.7+

103 reviews

Begin gratis met 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.

Exercise 1: Cursusintroductie en overzicht Exercise 2: De belangrijkste onderdelen van een A/B-test begrijpen Exercise 3: Betekenisvolle KPI’s definiëren Exercise 4: KPI's identificeren en begrijpen Exercise 5: Onze data laden en verkennen Exercise 6: Mergen op verschillende sets velden Exercise 7: Verkennende analyse van KPI's Exercise 8: Oefenen met aggregaties Exercise 9: Groeperen & aggregeren Exercise 10: KPI’s berekenen - een praktisch voorbeeld Exercise 11: KPI's berekenen Exercise 12: Gemiddelde aankoopprijs per cohort

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.

Exercise 1: Werken met tijdreeksgegevens in pandas Exercise 2: Datums parsen Exercise 3: Tijdreeksdiagrammen maken met Matplotlib Exercise 4: Tijdreeksgegevens plotten Exercise 5: Onze data pivoteren Exercise 6: De verschillende cohorten onderzoeken Exercise 7: Trends begrijpen en visualiseren Exercise 8: Seizoenspatronen en voortschrijdende gemiddelden Exercise 9: Exponentieel voortschrijdend gemiddelde & over/onder-smoothing Exercise 10: Events en releases Exercise 11: Uitgaven van gebruikers visualiseren Exercise 12: Nauwkeuriger kijken naar omzet

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.

Exercise 1: Introductie tot A/B-testen Exercise 2: Goede toepassingen van A/B-testen Exercise 3: Algemene eigenschappen van een A/B-test

Huidige oefening

Exercise 4: Generaliseerbaarheid van A/B-tests Exercise 5: Eerste opzet van A/B-test Exercise 6: Experimentele eenheden: Opbrengst per gebruiker-dag Exercise 7: Je voorbereiden op het uitvoeren van een A/B-test Exercise 8: Gevoeligheden van het conversiepercentage Exercise 9: Gevoeligheid Exercise 10: Standaardfout Exercise 11: Steekproefgrootte berekenen Exercise 12: De power-berekening verkennen Exercise 13: De steekproefomvang berekenen

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.

Exercise 1: De A/B-testresultaten analyseren Exercise 2: Onze testresultaten bevestigen Exercise 3: Kritisch nadenken over p-waarden Exercise 4: Statistische significantie begrijpen Exercise 5: Intuïtie achter statistische significantie Exercise 6: Controleren op statistische significantie Exercise 7: Inzicht in betrouwbaarheidsintervallen Exercise 8: Betrouwbaarheidsintervallen berekenen Exercise 9: Je testresultaten interpreteren Exercise 10: De verdeling plotten Exercise 11: De verschilverdeling plotten Exercise 12: Finale