Hola:
Espero que este artículo que escribí hace unos días sobre A / B Testing o Design of Experiment (DOE) ayude a:
En el entorno actual y en constante evolución, una organización necesita ser ágil y estar impulsada por los datos para mantener una ventaja sobre la competencia. Además, las organizaciones deben ser las más efectivas y productivas para obtener el máximo valor del capital y los recursos limitados disponibles a su disposición.
- ¿Existe una demanda de escritores técnicos que se especialicen en ciencia de datos?
- ¿Cuál es la diferencia entre data mining y data warehouse?
- A medida que la tecnología está cambiando tan rápido, ¿una maestría en ciencia de datos será de algún valor en los próximos años?
- ¿Cuál es la diferencia entre Python y las herramientas de minería de datos como Knime y Rapid Miner?
- Tengo experiencia con React and Angular, y desarrollo de JavaScript de pila completa, ¿debería incluirlos cuando busco entre ciencia de datos?
¿Cómo pueden hacerlo de manera sostenible?
Bueno, la prueba A / B o el Diseño de Experimento es una de esas herramientas que ha ayudado a las organizaciones en diferentes áreas verticales y funcionales a adquirir nuevos clientes, aumentar las ventas de los clientes existentes, maximizar el ROI en la campaña de marketing, diseñar nuevos productos y servicios, optimizar las operaciones entre otras cosas.
Plantilla DOE por ASQ
Entonces, ¿qué son las pruebas A / B o el DOE?
En términos simples, las pruebas A / B no son más que la realización de pruebas eficientes diseñadas estadísticamente para recopilar datos. A partir del análisis de estos datos, una organización puede extraer información valiosa y procesable que puede implementar para mejorar su negocio.
Wiki explica DOE como: en el uso general, el diseño de experimentos (DOE) o diseño experimental es el diseño de cualquier ejercicio de recopilación de información donde haya variaciones, ya sea bajo el control total del experimentador o no.
Aquí hay una vista pictórica del DOE
¿Para qué se utiliza el DOE?
- Enlace de causas y efectos: muchos factores y su interacción pueden evaluarse al mismo tiempo. Más eficiente que cambiar un factor a la vez (enfoque OFAT) y mantener el enfoque de otras constantes.
- Reducir la varianza
- Confirmar hipótesis
- Identificar factores clave
- Comprender la interacción entre los factores.
- ¿Qué pasa si el análisis y la simulación
- Diseña productos y ofertas
- Mejoramiento
Estudios de casos del mundo real de DOEs
Cosas a considerar en DOE
- Definición clara del problema u objetivo
- Restricciones: tiempo, costo, etc.
- Factores independientes, dependientes
- Niveles de factores
- Tipo de diseño
- Modelo a montar
- Plan de IMPLEMENTACION
Pasos involucrados en el DOE
Conceptos tecnicos clave
- El DOE establece la relación de causa y efecto entre factores independientes y dependientes.
- Las variables dependientes o las variables de respuesta son el resultado que el DOE intenta impactar
- Las variables independientes o factores son las variables cuyo impacto el DOE intenta estimar
- Los niveles son las configuraciones en las que se ejecutan factores o variables independientes durante el experimento
- Los tratamientos son combinaciones únicas de factores y niveles. Cada ejecución de un experimento es un tratamiento.
- Los tratamientos repetidos se llaman réplicas
Tipos de DOE
Deficiencias de FFD
- El efecto de los factores principales se confunde / alias con los términos de interacción. Por ejemplo, el efecto de los factores principales se confunde con las interacciones de 2 factores. Esto se llama Resolución 3 FFD. Algunos términos de interacción de 2 factores tienen un alias con otras interacciones de 2 factores.
- La resolución 4 FFD tiene efectos principales confundidos con interacciones de 3 factores o interacciones de 2 factores con otras interacciones de 2 factores.
- La resolución 5 o superior no tiene ninguna confusión entre los efectos principales y las interacciones de 2 factores. Algunos efectos principales tienen alias con interacciones de 4 factores y las interacciones de 2 factores tienen alias con interacciones de 3 factores.
En general, el diseño factorial de fracción de resolución más alta debe elegirse ya que tiene menos confusión
Otros diseños
- Matrices ortogonales de Taguchi: diseño muy eficiente para identificar el impacto del efecto principal con solo unos pocos experimentos. Por ejemplo, el diseño L4 se puede utilizar para identificar el impacto de 3 efectos principales utilizando solo 4 ejecuciones.
- Diseño personalizado: una buena opción cuando el número de experimentos es limitado. Utiliza los criterios de D-Optimality para proporcionar la máxima información del experimento.
- Métodos de superficie de respuesta: se utilizan principalmente para optimizar la configuración de factores para obtener la respuesta deseada. Generalmente hecho hacia el final de la experimentación
- Cribado: se utiliza generalmente al comienzo del experimento para identificar económicamente los principales factores clave y las interacciones de orden inferior.
Ahora la pregunta del millón de dólares: ¿cómo hacer pruebas A / B o DOE?
- Para expertos en tecnología, podemos ofrecerle herramientas estadísticas como SAS, R, Python, Minitab, DOE ++, Matlab, etc.
Vista de tareas de CRAN: diseño de experimentos (DoE) y análisis de datos experimentales
Índice del paquete de Python
- Para nuestros amigos no técnicos, hay soluciones disponibles disponibles como Google Analytics Experiments, VWO, Adobe Target, etc. por un precio razonable por única vez o por suscripción.
Espero que hayas disfrutado leyendo este artículo.
¡Aclamaciones!
Ratnakar Pandey
Descargo de responsabilidad: Las opiniones expresadas aquí son únicamente las del escritor en su capacidad privada.
