ผลของการสุ่ม

การกำหนดกลุ่มแบบสุ่มมีบทบาทสำคัญมากใน A/B testing ลองจินตนาการว่าคุณเป็น Data Scientist ที่กำลังออกแบบการทดลองเพื่อทดสอบผลของการออกแบบหน้าชำระเงินที่แตกต่างกันต่อตัวชี้วัดทางธุรกิจ

เราจะสำรวจการสุ่มตัวอย่างผู้ใช้ในเปอร์เซ็นต์หนึ่ง เพื่อจำลองการเพิ่มผู้ใช้เข้าสู่การทดลองแบบสุ่ม และตรวจสอบการกระจายของคุณลักษณะบางอย่างในแต่ละกลุ่มที่ถูกกำหนดขึ้นแบบสุ่ม ซึ่งช่วยให้เราตรวจสอบได้ว่าผลลัพธ์สามารถนำไปใช้ได้กับกลุ่มผู้ใช้โดยทั่วไป และแยกผลกระทบของตัวแปรเดียวที่เราเปลี่ยนแปลงระหว่างกลุ่ม ซึ่งก็คือการออกแบบหน้าชำระเงิน

โหลด DataFrame ชื่อ checkout ไว้ให้แล้ว โดยแต่ละแถวใน DataFrame แทนผู้ใช้รายเดียวที่เข้าชม checkout_page นั้น ๆ พร้อมกับการกระทำและคุณลักษณะเพิ่มเติมของผู้ใช้คนนั้น