Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Dans ce cours, vous explorerez le domaine des tests A/B, acquerrez une compréhension approfondie des cas d'utilisation pratiques et apprendrez à concevoir, exécuter et analyser ces tests A/B en Python.
Saviez-vous que vous êtes pratiquement assuré de participer à un test A/B chaque fois que vous naviguez sur Internet ? Des moteurs de recherche aux sites de commerce électronique, en passant par les réseaux sociaux et les campagnes marketing, toutes les entreprises recrutent les meilleurs analystes de données, scientifiques et ingénieurs afin de tirer parti de la puissance des tests A/B. Tester différentes variantes peut contribuer à optimiser l'expérience client, maximiser les bénéfices, orienter la conception du prochain produit et bien plus encore.
Vous commencerez par apprendre à définir les bons indicateurs avant d'apprendre à estimer la taille et la durée appropriées de l'échantillon afin d'obtenir des résultats concluants. Tout au long de ce cours, vous utiliserez divers paquets Python pour faciliter les tests A/B, notamment statsmodels, scipy et pingouin.
À la fin de ce cours, vous serez en mesure d'effectuer les vérifications nécessaires pour garantir des résultats précis, de maîtriser l'art des valeurs p et d'analyser les résultats des tests A/B avec aisance et confiance afin d'orienter les décisions commerciales les plus importantes.
Découvrez le fonctionnement des tests A/B
Saviez-vous que vous êtes pratiquement assuré de participer à un test A/B chaque fois que vous naviguez sur Internet ? Des moteurs de recherche aux sites de commerce électronique, en passant par les réseaux sociaux et les campagnes marketing, toutes les entreprises recrutent les meilleurs analystes de données, scientifiques et ingénieurs afin de tirer parti de la puissance des tests A/B. Tester différentes variantes peut contribuer à optimiser l'expérience client, maximiser les bénéfices, orienter la conception du prochain produit et bien plus encore.
Découvrez les tests A/B en Python
Vous commencerez par apprendre à définir les bons indicateurs avant d'apprendre à estimer la taille et la durée appropriées de l'échantillon afin d'obtenir des résultats concluants. Tout au long de ce cours, vous utiliserez divers paquets Python pour faciliter les tests A/B, notamment statsmodels, scipy et pingouin.
À la fin de ce cours, vous serez en mesure d'effectuer les vérifications nécessaires pour garantir des résultats précis, de maîtriser l'art des valeurs p et d'analyser les résultats des tests A/B avec aisance et confiance afin d'orienter les décisions commerciales les plus importantes.
Prérequis
Programme de formation
Plan du cours
1
Vue d’ensemble de l’A/B testing
Dans ce chapitre, vous découvrirez les bases de l’A/B testing. Vous parcourrez des étapes claires et des cas d’usage, comprendrez l’intérêt de concevoir et d’exécuter des tests A/B, et explorerez les cadres les plus utilisés pour la conception des métriques et l’estimation.
- Qu’est-ce qu’un test A/B ?50 XP
- Quand l’A/B test n’est pas le mieux adapté50 XP
- Étapes d’un test A/B100 XP
- Effets de la randomisation100 XP
- Pourquoi mener des expériences ?50 XP
- Visualisation des corrélations100 XP
- Corrélation ou causalité ?50 XP
- Conception et estimation des métriques50 XP
- Moyennes et proportions100 XP
- Métriques des impressions publicitaires100 XP
2
Conception d’expérience et planification
Dans le chapitre 2, vous aborderez le processus de conception d’expériences. À partir de la formulation d’hypothèses solides pour l’A/B testing, vous verrez aussi des notions statistiques comme la puissance, les taux d’erreur et l’effet minimal détectable. Vous terminerez en apprenant à estimer la taille d’échantillon nécessaire pour obtenir des résultats concluants et à traiter les scénarios avec comparaisons multiples.
3
Traitement des données, contrôles de validité et analyse des résultats
Ici, vous découvrirez un flux de travail concret pour nettoyer, prétraiter et explorer des données d’A/B testing, ainsi que les contrôles de validité indispensables à suivre pour garantir des résultats valides. Vous étudierez une explication détaillée et un exemple d’analyse de tests A/B sur une différence de proportions.
4
Considérations pratiques et prise de décision
Dans le dernier chapitre, vous développerez des cadres d’analyse des différences de moyennes et apprendrez à utiliser des tests non paramétriques lorsque certaines hypothèses ne sont pas satisfaites. Vous verrez également comment appliquer la méthode Delta pour analyser des métriques de ratio et découvrirez les bonnes pratiques ainsi que quelques sujets avancés pour poursuivre votre maîtrise de l’A/B testing.
A/B Testing en Python
Cours
terminé
