A/B-тесты: метрики, статистика и правила остановки

Команда видит рост метрики в эксперименте, но перед решением нужно понять размер эффекта, допустимые ошибки и условия остановки. Одного взгляда на p-value для этого недостаточно.

В числовых задачах вы рассчитаете продуктовую метрику, переведёте относительный эффект в процентные пункты, разберёте MDE, CUPED, интервалы и дополнительные конверсии. Вопросы с выбором ответа посвящены постановке теста, ежедневному просмотру результатов и проверке дисперсий.

Используйте числа из условия и указанную точность. Для вопросов о процедуре выбирайте поведение, соответствующее заранее выбранному правилу эксперимента.

Задачи с проверкой

  1. Липкость продукта: рассчитать DAU / MAU в процентах
  2. MDE: перевести относительный рост в процентные пункты
  3. CUPED: снижение дисперсии по корреляции
  4. Guardrail в A/B-тесте: предельный p95 TTI
  5. A/B-тест: вычислить t-статистику по сводным данным
  6. Bootstrap: рассчитать ширину доверительного интервала
  7. Uplift: сколько дополнительных конверсий на тысячу пользователей
  8. A/A-тесты: ожидаемое число ложных срабатываний
  9. Поправка Бонферрони: порог для восьми гипотез
  10. Можно ли менять двусторонний A/B-тест после просмотра данных
  11. Peeking: ежедневный p-value и остановка A/B-теста
  12. Тест Левена: какую гипотезу он проверяет

Продолжите работу над проектом

Откройте программу платного курса «A/B-тесты и анализ данных на Python». Выберите раздел под свою задачу и продолжите практику в системной программе.

Если сначала нужен разбор эксперимента, начните с проверки распределения пользователей через SRM, затем посмотрите bootstrap среднего чека по пользователям.

A/B-тесты: метрики, статистика и правила остановки