Mantık kontrolleri: dış geçerlik

Python ile A/B Testi

Moe Lotfy, PhD

Principal Data Science Manager

Simpson paradoksu

Simpson Paradoksu: Nüfus segmentlere ayrıldığında değişkenler arasındaki eğilimlerin ortaya çıktığı, kaybolduğu veya tersine döndüğü olgu.

print(simp_imbalanced.groupby('Variant').mean())

Variant     Conversion
A              0.80
B              0.64

print(simp_imbalanced.groupby(['Variant','Device']).mean())

Variant Device   Conversion
A       Phone        0.875
        Tablet       0.500
B       Phone        0.900
        Tablet       0.575

simp_imbalanced.groupby(['Variant','Device'])\
                            ['Device'].count()

Variant  Device
A        Phone     40
         Tablet    10
B        Phone     10
         Tablet    40

Simpson paradoksu örnek tablosu

simp_balanced.groupby(['Variant','Device'])\
                        ['Device'].count()

Variant  Device
A        Phone     40
         Tablet    10
B        Phone     40
         Tablet    10

print(simp_balanced.groupby('Variant').mean())

Variant     Conversion
A              0.70
B              0.52

print(simp_balanced.groupby(['Variant','Device']).mean())

Variant Device     Conversion
A       Phone        0.750
        Tablet       0.500
B       Phone        0.575
        Tablet       0.300

Yenilik etkisi
- Kullanıcıların yeni özelliğe merakından doğan, kısa süreli metrik artışı.
Değişim isteksizliği
- Yenilik etkisinin tersidir.
- Kullanıcılar, eskiye alışkanlıktan yeni özelliği denemekten kaçınır.

# Plot Lift in CTR vs test days
novelty.plot('date', 'CTR_lift')
plt.ylim([0, 0.09])
plt.title('Lift in CTR vs Test Duration')
plt.show()

Deney günlerine göre CTR çizgisiyle yenilik etkisinin görsel gösterimi

Test süresini uzatma
- Etki dengelendikten sonraki verileri dahil ediniz.
Yeni ve geri dönen kullanıcı kohortlarını inceleyiniz
- Yeni kullanıcılar genelde yenilik etkisini daha az yaşar.
- Eski kullanıcılar önceki deneyimleriyle karşılaştırır.

Python ile A/B Testi