Analytics client et A/B Testing en Python

Ce chapitre propose une brève introduction au contenu du cours, puis aborde les indicateurs clés de performance (KPI). Vous apprendrez à identifier et définir des KPI pertinents en combinant réflexion critique et outils Python. Les techniques présentées sont très pratiques et généralisables. Elles constituent la base sur laquelle s’appuie la suite du cours consacrée à l’A/B Testing.

Ce chapitre vous apprend à visualiser, manipuler et explorer des KPI qui évoluent dans le temps. Au fil de différents exemples, vous verrez comment travailler avec des objets datetime pour calculer des métriques par unité de temps. Nous passerons ensuite aux techniques pour tracer différents segments de données et appliquer des fonctions de lissage afin de révéler des tendances cachées. Enfin, nous parcourrons un exemple complet montrant comment identifier des problèmes grâce à une analyse exploratoire de données clients. Tout au long du chapitre, diverses fonctions sont introduites et expliquées de façon largement généralisable.

Dans ce chapitre, vous plongez pleinement dans l’A/B Testing. Vous apprendrez les bases mathématiques et méthodologiques nécessaires pour concevoir et planifier avec succès un test A/B, de la définition de l’unité expérimentale au calcul de la taille d’échantillon requise. Vous découvrirez également les fonctions et le code permettant de calculer les différentes quantités associées à ce type de test statistique.

Après avoir exécuté un test A/B, il faut analyser les données puis communiquer efficacement les résultats. Ce chapitre alterne théorie de la significativité statistique et des intervalles de confiance avec les outils pour les calculer vous‑même à partir des données. Nous verrons ensuite comment visualiser et présenter ces résultats de manière convaincante. Ce chapitre est l’aboutissement de tous les acquis du cours.