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.

Hypothesis formulation and distributions

Strong hypothesis formulation

Plotting distributions

Central limit theorem for means

Experimental design: setting up testing parameters

Interpreting p-values

Error rates in the wild

Experimental design: power analysis

Plotting power curves

Sample size for means

Sample size for proportions

Multiple comparisons tests

Is a multiple comparisons correction needed?

Corrected p-values

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.

Ortalama farkını analiz etme A/B testleri

Ortalama farkı için T-testi

Çiftli t-testleri

Parametrik olmayan istatistiksel testler

Seçenekler

Parametrik

Parametrik olmayan

Parametrik mi, parametrik olmayan mı?

Mann-Whitney U testi

Bağımsızlık için ki-kare testi

Oran metrikleri ve delta yöntemi

Delta yöntemi

Delta gerekmez

Delta mı değil mi?

A/B Testlerinde en iyi uygulamalar ve ileri konulara giriş

En iyi uygulamalar

Haftanın günleri etkisi

Kapanış: Python ile A/B testi

Practical Considerations and Making Decisions

checkout

admissions

Bu kursta, A/B testlerini tasarlamayı, yürütmeyi ve Python ile analiz etmeyi öğreneceksin. Sonuçları netleştirecek doğru metrikleri tanımlayarak başlayacak, ardından uygun örneklem büyüklüğünü ve test süresini tahmin etmeyi öğreneceksin. Kurs boyunca, A/B testlerinde yardımcı olması için statsmodels, scipy ve pingouin dahil çeşitli Python paketlerini kullanacaksın. Kursun sonunda, doğru sonuçları garanti eden kontrolleri çalıştırabilecek, p-değerlerini ustalıkla yorumlayabilecek ve en kritik iş kararlarını yönlendirmek için A/B testlerinin sonuçlarını rahat ve güvenle analiz edebileceksin.

Bu kursta, A/B testlerinin dünyasına dalacak, pratik kullanım örnekleri hakkında derinlemesine bilgi edinecek ve Python'da bu A/B testlerini tasarlama, yürütme ve analiz etmeyi öğreneceksiniz.
<br><br>
<h2>A/B Testlerinin Nasıl Çalıştığını Keşfedin</h2>
<br><br>
İnternette her gezindiğinizde neredeyse kesin olarak bir A/B testine katıldığınızı biliyor muydunuz? Arama motorlarından e-ticaret sitelerine, sosyal ağlardan pazarlama kampanyalarına kadar tüm işletmeler, AB testlerinin gücünden yararlanmak için en iyi veri analistlerini, bilim insanlarını ve mühendisleri işe alır. Farklı varyantları test etmek, müşteri deneyimini optimize etmeye, karı maksimize etmeye, bir sonraki en iyi tasarımın belirlenmesine ve çok daha fazlasına yardımcı olabilir.
<br><br>
<h2>Python'da A/B Testi Hakkında Bilgi Edinin</h2>
<br><br>
Sonuçlara ulaşmak için uygun örneklem büyüklüğünü ve süreyi tahmin etmeyi öğrenmeden önce, doğru ölçütleri nasıl belirleyeceğinizi öğrenerek başlayacaksınız. Bu kurs boyunca, A/B testlerine yardımcı olmak için statsmodels, scipy ve pingouin dahil olmak üzere çeşitli Python paketlerini kullanacaksınız.
<br><br>
Kursun sonunda, doğru sonuçları garanti eden gerekli kontrolleri yapabilecek, p-değerlerinin sanatını öğrenecek ve A/B testlerinin sonuçlarını kolaylıkla ve güvenle analiz ederek en kritik iş kararlarını yönlendirebileceksiniz.

Hypothesis Testing in Python

Python'da A/B testinin pratik kullanımını öğrenin. İş kararları için p-değerleri ve analizleri yönetin.

Python ile A/B Testi

Uygulamalı İstatistik Python'da

Principal Data Science Manager

Ortalama farkı A/B testlerinin analizi

Ortalama farkı için çerçeve

Pingouin t-testi

Pingouin ikili karşılaştırmalar

Haydi pratik yapalım!

Practical Considerations and Making Decisions - Ortalama farkını analiz etme A/B testleri

Ortalama farkını analiz etme A/B testleri

Create Your Free Account