Ga naar hoofdinhoud

Cursus

A/B-testen in Python

GemiddeldVaardigheidsniveau

Bijgewerkt 11-2025

Start Cursus Kosteloos

PythonProbability & Statistics4 u16 videos51 Opdrachten4,000 XP11,922Prestatieverklaring

Maak je gratis account aan

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Geliefd bij leerlingen van duizenden bedrijven

Wil je 2 of meer mensen trainen?

Probeer DataCamp for Business

Cursusbeschrijving

In deze cursus duik je in de wereld van A/B-testen, krijg je een goed begrip van de praktische toepassingen en leer je hoe je deze A/B-testen in Python kunt ontwerpen, uitvoeren en analyseren.

Ontdek hoe A/B-tests werken

Wist je dat je bijna zeker meedoet aan een A/B-test elke keer dat je op internet surft? Van zoekmachines en e-commerce sites tot sociale netwerken en marketingcampagnes — alle bedrijven huren de beste data-analisten, wetenschappers en ingenieurs in om de kracht van AB-testen te benutten. Door verschillende varianten te testen, kun je de klantervaring verbeteren, je winst verhogen, het volgende beste ontwerp maken en nog veel meer.

Meer weten over A/B-testen in Python

Je begint met te leren hoe je de juiste statistieken kunt bepalen, voordat je leert hoe je de juiste steekproefgrootte en duur kunt schatten om betrouwbare resultaten te krijgen. Tijdens deze cursus gebruik je verschillende Python-pakketten om te helpen bij A/B-testen, zoals statsmodels, scipy en pingouin.

Aan het einde van de cursus kun je de nodige controles uitvoeren om nauwkeurige resultaten te garanderen, ben je helemaal thuis in p-waarden en kun je de resultaten van A/B-tests makkelijk en vol vertrouwen analyseren om de belangrijkste zakelijke beslissingen te nemen.

Vereisten

Hypothesis Testing in Python

1

Overview of A/B Testing

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.

What is A/B testing?

When an A/B test is not best

A/B testing steps

Randomization effects

Why run experiments?

Correlation visualization

Correlation or causation?

Metrics design and estimation

Means and proportions

Ad impressions metrics

Hoofdstuk Beginnen

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.

Hypothesis formulation and distributions

Strong hypothesis formulation

Plotting distributions

Central limit theorem for means

Experimental design: setting up testing parameters

Interpreting p-values

Error rates in the wild

Experimental design: power analysis

Plotting power curves

Sample size for means

Sample size for proportions

Multiple comparisons tests

Is a multiple comparisons correction needed?

Corrected p-values

Hoofdstuk Beginnen

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.

Data cleaning and exploratory analysis

Proportions EDA

A/B test data cleaning

Sanity checks: Internal validity

SRM

Distributions balance

Sanity checks: external validity

Novelty effects detection

Simpson's paradox in action

Analyzing difference in proportions A/B tests

Difference in proportions A/B test

Interpretation of confidence intervals

Confidence intervals for proportions

Hoofdstuk Beginnen

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.

Analyzing difference in means A/B tests

T-test for difference in means

Pairwise t-tests

Non-parametric statistical tests

Parametric or non-parametric?

Mann-Whitney U test

Chi-square test for independence

Ratio metrics and the delta method

Delta or not?

Delta method

A/B Testing best practices and advanced topics intro

Best practices

Day-of-the-week effect

Wrap-up: A/B testing in python

Hoofdstuk Beginnen

A/B-testen in Python

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf Je Nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met A/B-testen in Python!

Maak je gratis account aan

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.