Direkt zum Inhalt
StartseitePythonA/B Testing in Python

A/B Testing in Python

Learn the practical uses of A/B testing in Python to run and analyze experiments. Master p-values, sanity checks, and analysis to guide business decisions.

Kurs Kostenlos Starten
4 Stunden16 Videos51 Übungen6.074 LernendeTrophyLeistungsnachweis

Kostenloses Konto erstellen

GoogleLinkedInFacebook

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
Group

Trainierst du 2 oder mehr?

Versuchen DataCamp for Business

Beliebt bei Lernenden in Tausenden Unternehmen


Kursbeschreibung

In this course, you will dive into the world of A/B testing, gain a deep understanding of the practical use cases, and learn to design, run, and analyze these A/B tests in Python.

Discover How A/B Tests Work



Did you know that you are almost guaranteed to participate in an A/B test every time you browse the internet? From search engines and e-commerce sites to social networks and marketing campaigns — all businesses hire the best data analysts, scientists, and engineers to leverage the power of AB testing. Testing different variants can help optimize the customer experience, maximize profits, inform the next best design, and much more.

Learn About A/B Testing in Python



You’ll start by learning how to define the right metrics before learning how to estimate the appropriate sample size and duration to yield conclusive results. Throughout this course, you’ll use a range of Python packages to help with A/B testing, including statsmodels, scipy, and pingouin.

By the end of the course, you will be able to run the necessary checks that guarantee accurate results, master the art of p-values, and analyze the results of A/B tests with ease and confidence to guide the most critical business decisions.
Für Unternehmen

GroupTrainierst du 2 oder mehr?

Erhalten Sie für Ihr Team Zugriff auf die vollständige DataCamp-Bibliothek mit zentralisierten Berichten, Zuweisungen, Projekten und mehr
Testen Sie DataCamp for BusinessFür eine maßgeschneiderte Lösung buchen Sie eine Demo.

In den folgenden Tracks

Angewandte Statistik in Python

Gehe zu Track
  1. 1

    Overview of A/B Testing

    Kostenlos

    In this chapter, you’ll learn the foundations of A/B testing. You’ll explore clear steps and use cases, learn the reasons and value of designing and running A/B tests, and discover the most commonly used metrics design and estimation frameworks.

    Kapitel Jetzt Abspielen
    What is A/B testing?
    50 xp
    When an A/B test is not best
    50 xp
    A/B testing steps
    100 xp
    Randomization effects
    100 xp
    Why run experiments?
    50 xp
    Correlation visualization
    100 xp
    Correlation or causation?
    50 xp
    Metrics design and estimation
    50 xp
    Means and proportions
    100 xp
    Ad impressions metrics
    100 xp
  2. 2

    Experiment Design and Planning

    In Chapter 2, you’ll cover the experiment design process. Starting with learning how to formulate strong A/B testing hypotheses, you’ll also cover statistical concepts such as power, error rates, and minimum detectable effects. You’ll finish the chapter by learning to estimate the appropriate sample size needed to yield conclusive results and tackle scenarios with multiple comparisons.

    Kapitel Jetzt Abspielen
  3. 3

    Data Processing, Sanity Checks, and Results Analysis

    Here, you’ll discover a concrete workflow for cleaning, preprocessing, and exploring AB testing data, as well as learn the necessary sanity checks we need to follow to ensure valid results. You’ll explore a detailed explanation and example of analyzing difference in proportions A/B tests.

    Kapitel Jetzt Abspielen
  4. 4

    Practical Considerations and Making Decisions

    In the final chapter, you’ll develop frameworks for analyzing differences in means and leveraging non-parametric tests when several assumptions aren't met. You’ll also learn how to apply the Delta method when analyzing ratio metrics and discover the best practices and some advanced topics to continue the A/B testing mastery journey.

    Kapitel Jetzt Abspielen
Für Unternehmen

GroupTrainierst du 2 oder mehr?

Erhalten Sie für Ihr Team Zugriff auf die vollständige DataCamp-Bibliothek mit zentralisierten Berichten, Zuweisungen, Projekten und mehr

In den folgenden Tracks

Angewandte Statistik in Python

Gehe zu Track

Datensätze

checkoutadmissions

Mitwirkende

Collaborator's avatar
Jasmin Ludolf
Collaborator's avatar
George Boorman
Collaborator's avatar
Maham Khan
Moe Lotfy, PhD HeadshotMoe Lotfy, PhD

Principal Data Science Manager

Mehr Anzeigen

Was sagen andere Lernende?

Melden Sie sich an 14 Millionen Lernende und starten Sie A/B Testing in Python Heute!

Kostenloses Konto erstellen

GoogleLinkedInFacebook

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.