Aprende Visualización de los Resultados de Pruebas A/B | Análisis Práctico, Interpretación e Informes

Desliza para mostrar el menú

Al presentar los resultados de una prueba A/B, las visualizaciones deben hacer que los hallazgos clave sean inmediatamente claros y evitar interpretaciones erróneas. Los enfoques más efectivos incluyen:

Gráficas de barras: permiten comparar rápidamente las tasas de conversión u otras métricas entre grupos;
Gráficas de barras con barras de error: agregar intervalos de confianza a las barras ayuda a los espectadores a comprender la incertidumbre en las estimaciones;
Gráficas de distribución: mostrar la distribución completa de las métricas (como tasas de conversión o ingresos por usuario) para cada grupo puede revelar diferencias en la variabilidad o valores atípicos;
Gráficas de líneas: útiles para seguir cambios a lo largo del tiempo o en varios periodos de prueba.

Una buena visualización utiliza ejes claramente etiquetados, esquemas de colores consistentes y resalta las diferencias más importantes. Por ejemplo, una gráfica de barras que muestre las tasas de conversión para los grupos A y B, con barras de error para los intervalos de confianza del 95%, permite a la audiencia ver tanto la estimación central como la incertidumbre.

En contraste, una visualización deficiente podría usar escalas engañosas en el eje y (como truncar el eje para exagerar diferencias), no etiquetar ejes o grupos, o usar colores distractores y leyendas saturadas. Estos errores pueden confundir a la audiencia o incluso inducirla a error sobre el resultado de la prueba.


              123456789101112131415161718192021222324252627282930
            
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

# Example conversion rates and confidence intervals
groups = ['A', 'B']
conversion_rates = [0.12, 0.15]
conf_intervals = [(0.10, 0.14), (0.13, 0.17)]  # 95% confidence intervals

# Calculate error bars (distance from mean to CI bounds)
errors = [
    [conversion_rates[0] - conf_intervals[0][0], conf_intervals[0][1] - conversion_rates[0]],
    [conversion_rates[1] - conf_intervals[1][0], conf_intervals[1][1] - conversion_rates[1]]
]
errors = np.array(errors).T  # shape (2, 2) for matplotlib

fig, ax = plt.subplots(figsize=(6, 4))
bars = ax.bar(groups, conversion_rates, yerr=errors, capsize=10, color=['#4C72B0', '#55A868'])

ax.set_ylabel('Conversion Rate')
ax.set_title('A/B Test Conversion Rates with 95% Confidence Intervals')
ax.set_ylim(0, 0.2)
ax.yaxis.set_major_formatter(plt.FuncFormatter(lambda y, _: '{:.0%}'.format(y)))

# Add value labels on top of bars
for bar, rate in zip(bars, conversion_rates):
    ax.text(bar.get_x() + bar.get_width() / 2, rate + 0.005, f"{rate:.2%}", ha='center', va='bottom', fontsize=11)

plt.tight_layout()
plt.show()

Al elegir una visualización, considera tu audiencia y la historia que deseas comunicar:

Para ejecutivos o partes interesadas no técnicas: utiliza gráficas de barras claras con intervalos de confianza, mínimo desorden y etiquetas directas para resaltar la conclusión principal;
Para analistas o científicos de datos: complementa las gráficas de barras con gráficas de distribución (como violin plots o box plots) para mostrar el rango completo de resultados y la variabilidad;
Para presentaciones o informes: evita elementos engañosos como ejes truncados, etiquetas de grupo ambiguas o efectos 3D innecesarios. Siempre proporciona contexto y explica qué representan las barras de error o las distribuciones.

Ajustar el estilo de visualización a tu audiencia garantiza que los resultados sean comprendidos y confiables.

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 4. Capítulo 3

Pregunte a AI

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

Sección 4. Capítulo 3