заметка на полях
Гайд универсальный, но baseline и примеры под свой продукт подставляешь сам — готовых цифр внутри нет.
Пошаговое руководство, как провести эксперимент от гипотезы до решения: сформулировать проверяемую гипотезу, выбрать метрики, рассчитать выборку и длительность, проанализировать результат.
Внутри статистическая база (p-value, ошибки, MDE) и готовые методы с кодом на Python под разные типы метрик. Гайд проводит аналитика по всем девяти шагам и не даёт пропустить то, из-за чего тест окажется невалидным.
Продуктовым аналитикам, продактам, дата-сайентистам, командам, которые выстраивают культуру экспериментов
В Garage Eight успела поработать маркетинговым, дата- и продуктовым аналитиком.
экспертиза:Из интересного: сберегла клиенту крупную сумму, показав заранее, к чему приведёт отключение iOS-приложения.
комментарий:Гайд универсальный, но baseline и примеры под свой продукт подставляешь сам — готовых цифр внутри нет.
Для кода нужно минимальное окружение: numpy, scipy, statsmodels, pandas. CausalImpact ставится отдельно.
Методология одна из возможных — fixed-horizon. Под последовательное тестирование или байесовский подход часть шагов придётся адаптировать. Отрасль при этом значения не имеет: логика шагов переносится на любой продукт.
Бери в паре с агентом для самопроверки дизайна: гайд задаёт стандарт, агент проверяет по нему конкретный эксперимент.
Пошаговое руководство, как провести эксперимент от гипотезы до решения: сформулировать проверяемую гипотезу, выбрать метрики, рассчитать выборку и длительность, проанализировать результат.
Внутри статистическая база (p-value, ошибки, MDE) и готовые методы с кодом на Python под разные типы метрик. Гайд проводит аналитика по всем девяти шагам и не даёт пропустить то, из-за чего тест окажется невалидным.
В Garage Eight успела поработать маркетинговым, дата- и продуктовым аналитиком.
экспертиза:Из интересного: сберегла клиенту крупную сумму, показав заранее, к чему приведёт отключение iOS-приложения.
комментарий:Продуктовым аналитикам, продактам, дата-сайентистам, командам, которые выстраивают культуру экспериментов
Гайд универсальный, но baseline и примеры под свой продукт подставляешь сам — готовых цифр внутри нет.
Для кода нужно минимальное окружение: numpy, scipy, statsmodels, pandas. CausalImpact ставится отдельно.
Методология одна из возможных — fixed-horizon. Под последовательное тестирование или байесовский подход часть шагов придётся адаптировать. Отрасль при этом значения не имеет: логика шагов переносится на любой продукт.
Бери в паре с агентом для самопроверки дизайна: гайд задаёт стандарт, агент проверяет по нему конкретный эксперимент.