Чтобы понять, повысит ли продажи продукта запуск новой рекламной кампании, можно провести А/Б-тестирование. Это дорогое удовольствие и затевать его без четкого понимания цели и теоретической базы – плохая идея. Поэтому я уделяю большое внимание обучающим статьям о фреймворках по проведению А/Б-тестов. На прошлой неделе мне попалась статья на Medium, в которой автор понятно описал теорию А/Б-теста (VPN). Он затрагивает каждый этап, начиная с формулировки гипотезы, выбора подходящего стат.критерия, интерпретации результатов и заканчивая введением в байесовсковую статистику.

Автор следующей статьи (VPN) осветил острую проблему внедрения data-driven подхода на этапе цифровой трансформации бизнеса. Компания вливает деньги в оптимизацию процессов и сбор данных для принятия более объективных решений. Но часто все, что она получает – это красивый фронтенд с графиками и забагованный бэк, не способный обрабатывать все возрастающий объем данных. Чтобы побороть хаос, нужно убрать акцент с внедрения технологий и задуматься о формировании дата-культуры и стратегии работы с данными. Статья полезна для руководителей команд данных и аналитики.

Продуктовые аналитики из Сравни поделились опытом оптимизации и унификации А/Б-тестирования внутри компании. Они создали исчерпывающий фреймворк с шаблоном для оформления гипотез, планирования экспериментов и анализа результатов. Это правильный пример того, как оформлять документацию по А/Б-тестам. Шаблон представляет собой и вывод результатов, и документацию, и чеклист для валидации наших действий. Авторы также рассказали про собственный инструмент для выгрузки и оценки полученных результатов. После внедрения фреймворка время анализа А/Б-тестов сильно сократилась. Так что берем статью на карандаш.

#дайджест