Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
In diesem Kurs tauchst du in die Welt der A/B-Tests ein, bekommst ein tiefes Verständnis für die praktischen Anwendungsfälle und lernst, wie du diese A/B-Tests in Python entwirfst, durchführst und analysierst.
Wusstest du, dass du fast garantiert jedes Mal, wenn du im Internet surfst, an einem A/B-Test teilnimmst? Von Suchmaschinen und E-Commerce-Seiten bis hin zu sozialen Netzwerken und Marketingkampagnen – alle Unternehmen holen sich die besten Datenanalysten, Wissenschaftler und Ingenieure, um die Vorteile von AB-Tests zu nutzen. Das Testen verschiedener Varianten kann dabei helfen, das Kundenerlebnis zu verbessern, Gewinne zu maximieren, das nächstbeste Design zu finden und vieles mehr.
Du lernst zuerst, wie du die richtigen Kennzahlen festlegst, bevor du lernst, wie du die passende Stichprobengröße und Dauer schätzt, um aussagekräftige Ergebnisse zu bekommen. In diesem Kurs wirst du verschiedene Python-Pakete für A/B-Tests nutzen, darunter statsmodels, scipy und pingouin.
Am Ende des Kurses kannst du die notwendigen Checks machen, um genaue Ergebnisse zu bekommen, p-Werte richtig anwenden und die Ergebnisse von A/B-Tests locker und sicher analysieren, um die wichtigsten Geschäftsentscheidungen zu treffen.
Finde heraus, wie A/B-Tests funktionieren
Wusstest du, dass du fast garantiert jedes Mal, wenn du im Internet surfst, an einem A/B-Test teilnimmst? Von Suchmaschinen und E-Commerce-Seiten bis hin zu sozialen Netzwerken und Marketingkampagnen – alle Unternehmen holen sich die besten Datenanalysten, Wissenschaftler und Ingenieure, um die Vorteile von AB-Tests zu nutzen. Das Testen verschiedener Varianten kann dabei helfen, das Kundenerlebnis zu verbessern, Gewinne zu maximieren, das nächstbeste Design zu finden und vieles mehr.
Lerne mehr über A/B-Tests in Python
Du lernst zuerst, wie du die richtigen Kennzahlen festlegst, bevor du lernst, wie du die passende Stichprobengröße und Dauer schätzt, um aussagekräftige Ergebnisse zu bekommen. In diesem Kurs wirst du verschiedene Python-Pakete für A/B-Tests nutzen, darunter statsmodels, scipy und pingouin.
Am Ende des Kurses kannst du die notwendigen Checks machen, um genaue Ergebnisse zu bekommen, p-Werte richtig anwenden und die Ergebnisse von A/B-Tests locker und sicher analysieren, um die wichtigsten Geschäftsentscheidungen zu treffen.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Überblick über A/B-Tests
In diesem Kapitel lernst du die Grundlagen von A/B-Tests. Du gehst klare Schritte und Anwendungsfälle durch, erfährst, warum es sinnvoll ist, A/B-Tests zu konzipieren und durchzuführen, und lernst die gängigsten Frameworks zur Metrikgestaltung und -schätzung kennen.
- Was ist A/B-Testing?50 XP
- Wann ein A/B-Test nicht die beste Wahl ist50 XP
- Schritte des A/B-Tests100 XP
- Effekte der Randomisierung100 XP
- Warum Experimente durchführen?50 XP
- Visualisierung von Korrelationen100 XP
- Korrelation oder Kausalität?50 XP
- Metrik-Design und Schätzung50 XP
- Mittelwerte und Anteile100 XP
- Metriken zu Ad-Impressions100 XP
2
Versuchsdesign und Planung
In Kapitel 2 behandelst du den Prozess des Versuchsdesigns. Du lernst zunächst, starke A/B-Test-Hypothesen zu formulieren, und deckst statistische Konzepte wie Teststärke, Fehlerraten und minimal nachweisbare Effekte ab. Zum Abschluss schätzt du die passende Stichprobengröße, um eindeutige Ergebnisse zu erzielen, und gehst auf Szenarien mit Mehrfachvergleichen ein.
3
Datenverarbeitung, Plausibilitätsprüfungen und Ergebnisanalyse
Hier lernst du einen konkreten Workflow zum Bereinigen, Vorverarbeiten und Erkunden von A/B-Testdaten kennen und welche Plausibilitätsprüfungen wir brauchen, um gültige Ergebnisse sicherzustellen. Außerdem erhältst du eine ausführliche Erklärung und ein Beispiel zur Analyse von A/B-Tests für Differenzen in Anteilen.
4
Praktische Aspekte und Entscheidungen treffen
Im letzten Kapitel entwickelst du Vorgehensweisen zur Analyse von Mittelwertunterschieden und setzt nichtparametrische Tests ein, wenn mehrere Annahmen nicht erfüllt sind. Du lernst zudem, die Delta-Methode bei Verhältnismetriken anzuwenden, und entdeckst Best Practices sowie einige fortgeschrittene Themen, um deine A/B-Test-Expertise weiter auszubauen.
A/B-Tests in Python
Kurs
abgeschlossen
