[karpov.courses] Симулятор A/B тестов. Базовая версия (Валерий Бабушкин, Николай Назаров)

Базовая версия
ДЛЯ КОГО ЭТОТ КУРС:
1. Продакт-менеджер - Работаете над развитием продукта и хотите научиться принимать решения на основе data-driven подхода.
2. Аналитик - Занимаетесь анализом бизнес-метрик и хотите на практике разобраться во всех тонкостях A/B-тестирования.
Подойдёт всем, кто хочет разобраться в A/B-тестировании без погружения в программирование и математическую статистику.
Чему Вы научитесь:
1. Разрабатывать оптимальный дизайн онлайн и офлайн экспериментов
2. Применять современные методы повышения чувствительности A/B-тестов
3. Проверять гипотезы со сложными метриками, для которых стандартные тесты не работают
4. Проводить множество экспериментов параллельно
Какие задачи будем решать:
1. Дизайн эксперимента
Разработчики провели рефакторинг кода и подготовили обновление бэкенда сайта. Ожидается, что новая версия будет более надёжной и масштабируемой. Подготовь дизайн эксперимента для проверки скорости ответа бэкенда на запросы клиентов.
2. Анализ метрики отношений
Менеджеры хотят заменить транспорт курьеров, чтобы ускорить доставку. В качестве метрики будем использовать среднее время доставки, для которой обычные тесты не работают. Выбери подходящий метод и проанализируй полученные результаты.
3. Чувствительные тесты
Есть несколько гипотез, которые вряд ли сильно повлияют на наши метрики, но даже небольшие улучшения для нас важны. Попробуй с помощью разных методов повысить чувствительность тестов, чтобы они могли замечать маленькие эффекты.
4. Множественное тестирование
У нас накопилось очень много гипотез, но проверять их отдельно слишком долго. Придумай, как запустить несколько экспериментов одновременно, иначе мы до них никогда не доберёмся.
ПРОГРАММА КУРСА ://
Представьте, что вы устроились аналитиком в пиццерию, которая активно переходит в онлайн и проводит эксперименты для повышения качества сервиса. Вам предстоит определить, какая версия сайта работает лучше, что изменилось после рефакторинга бэкенда и удалось ли отделу логистики ускорить доставку.
Модуль 1 - Основы статистики

• Изучим основы статистики, которых будет достаточно для прохождения курса.

Модуль 2 - Знакомство с платформой A/B-тестирования

• В первый рабочий день в новой компании познакомимся с данными и платформой А/B-тестирования.
• Выдвинем гипотезы, оценим результаты первого эксперимента.

Модуль 3 - Проверка гипотез

• Узнаем, как появилась идея проверять гипотезы.
• Создадим собственный критерий принятия решений.
• Рассмотрим популярные критерии для типичных метрик и поговорим об их ограничениях.

Модуль 4 - Дизайн эксперимента

• Научимся подбирать оптимальные параметры для запуска эксперимента: продолжительность, размер выборки и минимальный эффект, который возможно обнаружить.
• Узнаем, зачем нужно проводить синтетические A/A- и A/B-эксперименты на исторических данных.

Модуль 5 - Доверительные интервалы

• Познакомимся с методом бутстрэп.
• Научимся строить доверительные интервалы для произвольных метрик и узнаем, как принимать решения на основе доверительных интервалов.

Модуль 6 - Повышение чувствительности тестов

• Рассмотрим актуальные способы повышения чувствительности A/B-тестов и применим их на практике.
• Научимся сокращать размер выборки, необходимый для проведения эксперимента.

Модуль 7 - Выбор метрик

• Выбрать метрику для эксперимента не всегда просто.
• Разберёмся, какие бывают метрики, научимся выбирать наиболее подходящие для эксперимента и узнаем, как отслеживать «здоровье» A/B-теста.

Модуль 8 - Cuped и стратификация

• Научимся применять Cuped и стратификацию — продвинутые методы повышения чувствительности A/B-тестов, основанные на использовании дополнительной информации.

Модуль 9 - Множественное тестирование

• Когда гипотез слишком много, нам может не хватить наблюдений, чтобы проверить их все одновременно.
• Познакомимся с техниками множественного тестирования и одновременным проведением большого числа экспериментов.

Модуль 10 - Анализ метрик отношения

• При проверке гипотез о равенстве метрик отношения (например, CTR) обычные тесты применять некорректно, так как наблюдения не являются независимыми.
• Изучим подходы для проверки таких гипотез и закрепим новые знания на практике.