Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
En este curso, te sumergirás en el mundo de las pruebas A/B, obtendrás un profundo conocimiento de los casos de uso prácticos y aprenderás a diseñar, ejecutar y analizar estas pruebas A/B en Python.
¿Sabías que es casi seguro que participas en una prueba A/B cada vez que navegas por Internet? Desde motores de búsqueda y sitios de comercio electrónico hasta redes sociales y campañas de marketing, todas las empresas contratan a los mejores analistas de datos, científicos e ingenieros para aprovechar el poder de las pruebas AB. Probar diferentes variantes puede ayudar a optimizar la experiencia del cliente, maximizar los beneficios, informar sobre el siguiente mejor diseño y mucho más.
Comenzarás aprendiendo a definir las métricas adecuadas antes de aprender a estimar el tamaño y la duración adecuados de la muestra para obtener resultados concluyentes. A lo largo de este curso, utilizarás una serie de paquetes de Python que te ayudarán con las pruebas A/B, entre los que se incluyen statsmodels, scipy y pingouin.
Al finalizar el curso, podrás realizar las comprobaciones necesarias que garantizan resultados precisos, dominar el arte de los valores p y analizar los resultados de las pruebas A/B con facilidad y confianza para orientar las decisiones empresariales más importantes.
Descubre cómo funcionan las pruebas A/B
¿Sabías que es casi seguro que participas en una prueba A/B cada vez que navegas por Internet? Desde motores de búsqueda y sitios de comercio electrónico hasta redes sociales y campañas de marketing, todas las empresas contratan a los mejores analistas de datos, científicos e ingenieros para aprovechar el poder de las pruebas AB. Probar diferentes variantes puede ayudar a optimizar la experiencia del cliente, maximizar los beneficios, informar sobre el siguiente mejor diseño y mucho más.
Aprende sobre las pruebas A/B en Python
Comenzarás aprendiendo a definir las métricas adecuadas antes de aprender a estimar el tamaño y la duración adecuados de la muestra para obtener resultados concluyentes. A lo largo de este curso, utilizarás una serie de paquetes de Python que te ayudarán con las pruebas A/B, entre los que se incluyen statsmodels, scipy y pingouin.
Al finalizar el curso, podrás realizar las comprobaciones necesarias que garantizan resultados precisos, dominar el arte de los valores p y analizar los resultados de las pruebas A/B con facilidad y confianza para orientar las decisiones empresariales más importantes.
Requisitos previos
Programa de formación
Contenido del curso
1
Visión general del A/B Testing
En este capítulo, aprenderás los fundamentos del A/B testing. Verás pasos claros y casos de uso, entenderás las razones y el valor de diseñar y ejecutar tests A/B, y descubrirás los marcos más usados para diseñar métricas y estimarlas.
- ¿Qué es el A/B testing?50 XP
- Cuándo un test A/B no es la mejor opción50 XP
- Pasos de un test A/B100 XP
- Efectos de la aleatorización100 XP
- ¿Por qué ejecutar experimentos?50 XP
- Visualización de correlaciones100 XP
- ¿Correlación o causalidad?50 XP
- Diseño y estimación de métricas50 XP
- Medias y proporciones100 XP
- Métricas de impresiones de anuncios100 XP
2
Diseño del experimento y planificación
En el Capítulo 2, abordarás el proceso de diseño experimental. Empezarás formulando hipótesis sólidas para A/B testing y también cubrirás conceptos estadísticos como potencia, tasas de error y efecto mínimo detectable. Terminarás el capítulo aprendiendo a estimar el tamaño de muestra adecuado para obtener resultados concluyentes y a afrontar escenarios con comparaciones múltiples.
3
Procesamiento de datos, comprobaciones de validez y análisis de resultados
Aquí descubrirás un flujo de trabajo concreto para limpiar, preprocesar y explorar datos de A/B testing, además de aprender las comprobaciones de validez necesarias que debemos seguir para asegurar resultados válidos. Explorarás una explicación detallada y un ejemplo de análisis de tests A/B de diferencia de proporciones.
4
Aspectos prácticos y toma de decisiones
En el capítulo final, desarrollarás marcos para analizar diferencias de medias y usar pruebas no paramétricas cuando no se cumplen varias suposiciones. También aprenderás a aplicar el método Delta al analizar métricas de razón y conocerás las mejores prácticas y algunos temas avanzados para seguir profundizando en A/B testing.
A/B Testing en Python
Curso
completado
