Ejemplo

Tarea

Su empresa quiere aumentar la conversión de ventas en el sitio web probando diferentes opciones de diseño de página.

Paso 1

¿Qué métrica es mejor elegir?

Si el objetivo de la prueba A/B es aumentar la conversión de ventas en el sitio, entonces la métrica que debe elegirse es la tasa de conversión. La tasa de conversión refleja la relación entre el número de usuarios que han realizado una acción determinada (por ejemplo, una compra) y el número total de visitantes del sitio.

Frecuencia media de compra por clic:

Por lo tanto, si estamos probando diferentes opciones de diseño de página y ofertas con el objetivo de aumentar las conversiones de ventas, debemos elegir la tasa de conversión como métrica principal para evaluar los resultados de las pruebas.

Paso 2

Para la métrica de la tasa de conversión, es mejor elegir muestras que reflejen el flujo real de los usuarios. Por ejemplo, si la métrica es la conversión de compra, entonces la muestra debe contener visitantes del sitio que tengan el potencial de realizar una compra. Es importante que las muestras estén representadas por un número suficientemente grande de usuarios para garantizar la validez estadística de los resultados de la prueba. Además, conviene tener en cuenta que las muestras deben ser de igual tamaño y naturaleza para evitar la distorsión de los resultados de la prueba.

Paso 3

El diseño del botón de compra de productos se modificará para el grupo experimental. Para el grupo de control, el diseño permanecerá inalterado.

Paso 4

Probamos ambos botones y registramos los resultados en dos tablas con formato csv. Vamos a verlas:


              12345678
            
# Import pandas library
import pandas as pd

# Read .csv file
control_group = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/c3b98ad3-420d-403f-908d-6ab8facc3e28/Section+1/datasets/control_group_1.csv')

# Print head of dataframe
print(control_group.head())


              12345678
            
# Import pandas library
import pandas as pd 

# Read .csv file
test_group = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/c3b98ad3-420d-403f-908d-6ab8facc3e28/Section+1/datasets/test_group.csv')

# Print head of dataframe
print(test_group.head())

Ahora tenemos que añadir nuestra métrica.


              12345678910111213
            
#Import pandas library
import pandas as pd 

#Read .csv file
control_group = control_group = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/c3b98ad3-420d-403f-908d-6ab8facc3e28/Section+1/datasets/control_group_1.csv')
test_group = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/c3b98ad3-420d-403f-908d-6ab8facc3e28/Section+1/datasets/test_group.csv')

#Define metric
control_group['Conversion'] = (control_group['Purchase']/control_group['Page view']).round(2)
test_group['Conversion'] = (test_group['Purchase']/test_group['Page view']).round(2)

#Print head of dataframe
print(test_group.head())

Paso 5

¿Qué hay de las pruebas A/B?

Hasta ahora no, por desgracia no podemos estar seguros de que los resultados del experimento sean representativos. ¿Cómo asegurarse de ello?

Tenemos que realizar pruebas A/A.

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 1. Capítulo 3