Aprende Simulación de datos de pruebas A/B | Análisis Práctico, Interpretación e Informes

Desliza para mostrar el menú

Simular datos de pruebas A/B es una habilidad valiosa para quienes aprenden sobre experimentación y análisis. Al generar conjuntos de datos sintéticos, es posible practicar técnicas estadísticas, probar flujos de trabajo de análisis y experimentar con diferentes escenarios sin necesidad de acceder a datos reales de usuarios. Los datos sintéticos son especialmente útiles para el aprendizaje porque permiten controlar parámetros clave, como el tamaño de los grupos y las tasas de conversión, y repetir experimentos bajo condiciones conocidas. Esto facilita la comprensión del impacto de diversos factores en los resultados y el desarrollo de habilidades analíticas en un entorno sin riesgos.


              1234567891011121314151617181920212223242526272829303132333435363738394041
            
import numpy as np
import pandas as pd

# Set random seed for reproducibility
np.random.seed(42)

# Define number of users per group
n_users = 1000

# Define conversion rates for group A and B
conversion_rate_A = 0.10  # 10%
conversion_rate_B = 0.13  # 13%

# Generate user IDs
user_ids = np.arange(1, 2 * n_users + 1)

# Randomly assign users to groups
groups = np.array(['A'] * n_users + ['B'] * n_users)
np.random.shuffle(groups)

# Assign conversions based on group-specific rates
conversions = []
for group in groups:
    if group == 'A':
        conversions.append(np.random.binomial(1, conversion_rate_A))
    else:
        conversions.append(np.random.binomial(1, conversion_rate_B))

# Create DataFrame
data = pd.DataFrame({
    'user_id': user_ids,
    'group': groups,
    'converted': conversions
})

# Show the first few rows
print(data.head())

# To adjust for different scenarios:
# - Change n_users for sample size
# - Modify conversion_rate_A or conversion_rate_B for different effect sizes

Después de generar los datos simulados de la prueba A/B, es importante validar que el conjunto de datos coincida con el escenario previsto. Primero, comprobar que el número de usuarios en cada grupo esté equilibrado o sea el esperado según el diseño. Luego, calcular las tasas de conversión observadas para cada grupo y asegurarse de que estén cerca de las tasas especificadas. También se debe revisar el conjunto de datos para detectar entradas faltantes o duplicadas, y verificar que cada usuario tenga una asignación de grupo y un resultado válidos. Este paso de validación garantiza que los datos sintéticos sean realistas y fiables para practicar el análisis.

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 4. Capítulo 1

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

Sección 4. Capítulo 1