首页 > 编程学习 > 详细讲解ABTest假设检验【实验设计结论分析】数据分析

大家好,我是老吴,大家也可以叫我吴同学,再小一点的朋友也可以叫我吴师兄。欢迎大家跟我一起走进数据分析的世界,一起学习!

感兴趣的朋友可以关注我或者我的数据分析专栏,里面有许多优质的文章跟大家分享哦。


目录

  • 一、实验设计
    • 1确定业务目标
    • 2 选择检验指标
      • 2.1 选择一类指标
      • 2.2 选择统计量
    • 3 确定原假设与备择假设
    • 4 两类统计错误的防范
    • 5 样本量计算
    • 6 检验策略选择、设计分组策略
    • 7 当企业没有AB测试的条件的时候,如何解决问题?
  • 二、实验结论分析
    • 1 决策统计检验
    • 2 决策业务问题
  • 结束语

我在另一篇博客中提到了什么是ABTest,并引用了一个项目,感兴趣的朋友可以再去看看。

本篇博客会从企业真实业务的角度来再次介绍假设检验,建议大家收藏后慢慢阅读。

一、实验设计

1确定业务目标

  1. 明确我们要提升的业务指标,如日营业额提升2%或2.5%。如果明确这个部分,实验会显得比较精简,目标明确;
  2. 明确我们要改进的产品/策略。

2 选择检验指标

2.1 选择一类指标

一类指标:不能容忍变差的指标;
二类指标:目标提升的指标。
如何确定一类指标?
在这里插入图片描述
如图,比方说我们现在想要在原本的页面增加一个搜索框,那对应的可能会导致用户的体验感收到影响,原本页面可以提供8个子链接可能就变成了6个子链接(即影响板块对应业务),可以展示的广告也会收到影响。这也就是图中的三大影响(即人货场:分析平台类的产品,我们要将消费者、平台方、供给方分开讨论),最终选择哪些是我们无法忍受变差的指标,将其定义为一类指标。当然,你可以考虑给对应的指标设定阈值。

场景举例:

在这里插入图片描述

2.2 选择统计量

在这里插入图片描述

3 确定原假设与备择假设

在这里插入图片描述
这里的x1是上策略后的水平,x0是原水平。

x1较x0有没有明确变化程度指的是定目标的时候,除了定指标定方向外,还有没有定优化程度。这里其实我在上篇博客讲到的就是说如果明确是要提升或者明确下降的话(有>或<),就是有,反之就是没有。而提升(<)就是左尾,提升(>)是右尾。也就是判断位于左拒绝域还是右拒绝域。

4 两类统计错误的防范

在这里插入图片描述
1、 α+β不一定等于1。
2、在样本容量确定的情况下,α与β不能同时增加或减少。
3、统计检验效力(1-β)当H0为假时,得出拒绝H0的正确结论的概率,被称做检验的效力

  • I类错误防范 :
    • 小概率α设置小些( 避免小概率的触发)
    • 增加样本量(使异常数据的影响降低)
  • II类错误防范:
    • 调大α(增加小概率的触发) 但是接受I类错误的代价远比II类错误的代价要大,所以不予使用;
    • II类错误概率只能在实验结束后才能计算发生二类错误的概率,这是一个事后值。所以在事前设计我们一般不考虑这个问题。默认二类错误的概率为20%。

5 样本量计算

统计学上根据统计量抽样分布和边际误差确定样本量。

样本量计算工具:https://www.evanmiller.org/ab-testing/sample-size.html

业务层面是以一类错误临界值二类错误临界值计算。
在这里插入图片描述
其中,区间估计算式 E 2 E^2 E2为:
在这里插入图片描述
z α / 2 z_{\alpha/2} zα/2可用EXCEL中的NORM.INV算出。

不过真实业务一般是下面的情况:
在这里插入图片描述
这里的 k k k指的是a组样本量与b组样本量之比, μ A − μ B \mu_A-\mu_B μAμB是提高/降低的目标。

当没有做抽样,不知道实验组总体方差时,可以用现有总体的方差代替。

6 检验策略选择、设计分组策略

在这里插入图片描述
实验自变量个数指的是我们采用策略的个数,比方说我们策略1是改变字体大小,策略2是改变字体颜色,那么此时实验自变量个数就是2。而自变量水平数指的是策略中的几种方案,比方改变颜色这个策略中我选择改成红蓝绿三种颜色,那么策略2的自变量水平数就是3+1个原水平,也就是4。

通常情况下我们都算采用独立样本,那么什么时候会选择配对样本呢?

  1. 实验对象十分特殊,都有某种特点;
  2. 实验对象的状态持续时间比较长;
  3. 实验对象数量较少。

举个例子,我想出了一个治疗罕见疾病的方法,想做ABTest,可病人实在太少了,那这个时候就可以考虑配对样本。(例子随便举的)

7 当企业没有AB测试的条件的时候,如何解决问题?

可以大致分为3中情况:

  1. 没有系统。
    没有灰度发布的系统,即没有向不同群体提供不同服务的系统。
    解决方法:人工划分群体或者线下测试。
  2. 用户量不够
    解决方法:如果统计量是比例数据的话,可以提高测试周期,如统计滴滴每日出事故的比例,可以提取一周的订单数据;如果产品本身针对的就是小众用户的话,那就有点难搞了,只能考虑用简单的对照法试着解决问题。
  3. 时间成本高
    解决方法:如果是时间跨度过长的话,考虑缩小时间跨度,比方说用周活跃率代替月活跃率;如果是转化周期过长的话,这时候就难搞一点,比方说用户留存率往往就需要较长时间,很难用缩短时间的方法来替代。

二、实验结论分析

1 决策统计检验

做实验决策可以通过统计量 及 统计量的P值来实现。

同时也可以通过样本量分布和显著性水平来确定拒绝域和接受域,从而拒绝或者接受结果。这里可以参考我另一篇博客。

2 决策业务问题

在这里插入图片描述

结束语

按我目前的理解来看,以上提到的七大流程并非全由数据分析师来执行,如测试立项中的测试目的可能由专门的产品人员负责,项目周期可能由项目经理来负责。

数据分析师主要就是跟数据打交道,但是一个只懂数据的数据分析师不是好的数据分析师,同样的要掌握好业务知识,懂得与产品人员沟通。

对以上内容有不认同的朋友,一切以你为准,本人新手一枚,内容仅供参考。


推荐关注的专栏

👨‍👩‍👦‍👦 机器学习:分享机器学习实战项目和常用模型讲解
👨‍👩‍👦‍👦 数据分析:分享数据分析实战项目和常用技能整理


关注我,了解更多相关知识!


CSDN@报告,今天也有好好学习

Copyright © 2010-2022 ngui.cc 版权所有 |关于我们| 联系方式| 豫B2-20100000