Sintetizzare le informazioni statistiche e visive è una competenza fondamentale per interpretare i risultati di un test A/B e formulare raccomandazioni operative. Durante l'analisi di una griglia di risultati di test A/B, è importante combinare la comprensione di **p-value**, **intervalli di confidenza** e rappresentazioni visive come **grafici a barre** o **barre di errore**. Inizia esaminando il `p-value`: un valore inferiore alla soglia prestabilita (solitamente `0.05`) indica una significatività statistica, ma questo dato da solo non è sufficiente. Successivamente, valuta l'**intervallo di confidenza** dell'effetto stimato: se non include lo zero, ciò conferma la presenza di una differenza statisticamente significativa e l'ampiezza dell'intervallo fornisce indicazioni sulla possibile entità dell'effetto. Le **visualizzazioni** aiutano a individuare rapidamente pattern, valori anomali o sovrapposizioni tra i gruppi, rafforzando o mettendo in discussione quanto suggerito dai dati numerici. Integrando questi elementi, è possibile interpretare con sicurezza se la differenza osservata sia significativa e quale azione pratica intraprendere, come implementare una nuova funzionalità, eseguire ulteriori test o mantenere lo stato attuale.


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import pandas as pd
import importlib

class TestTask(unittest.TestCase):
    def setUp(self):
        self.user_code = importlib.import_module("user_code")

    def test_recommendation_column_added(self):
        results_data = {
            "test_scenario": ["A", "B"],
            "p_value": [0.01, 0.2],
            "confidence_interval": [(0.05, 0.10), (-0.01, 0.03)],
            "mean_difference": [0.08, 0.01]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        has_column = "recommendation" in df_out.columns
        correct_length = len(df_out["recommendation"]) == len(df_out)
        _dynamic_test(self,
            has_column and correct_length,
            "Adds 'recommendation' column with one entry per scenario.",
            f"Recommendation column missing or wrong length. Columns: {df_out.columns}, length: {len(df_out['recommendation']) if has_column else 'N/A'}"
        )

    def test_recommend_rollout(self):
        results_data = {
            "test_scenario": ["C"],
            "p_value": [0.01],
            "confidence_interval": [(0.01, 0.05)],
            "mean_difference": [0.03]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        rec = df_out["recommendation"][0]
        _dynamic_test(self,
            "rollout" in rec.lower() and "improvement" in rec.lower(),
            "Recommends rollout when p < 0.05 and CI above zero.",
            f"Expected rollout recommendation, got: {rec}"
        )

    def test_recommend_do_not_rollout(self):
        results_data = {
            "test_scenario": ["D"],
            "p_value": [0.01],
            "confidence_interval": [(-0.08, -0.01)],
            "mean_difference": [-0.05]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        rec = df_out["recommendation"][0]
        _dynamic_test(self,
            "do not rollout" in rec.lower() or ("not rollout" in rec.lower()),
            "Recommends not rolling out when p < 0.05 and CI below zero.",
            f"Expected do not rollout recommendation, got: {rec}"
        )

    def test_recommend_investigate_further(self):
        results_data = {
            "test_scenario": ["E"],
            "p_value": [0.01],
            "confidence_interval": [(-0.02, 0.03)],
            "mean_difference": [0.00]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        rec = df_out["recommendation"][0]
        _dynamic_test(self,
            "investigate" in rec.lower(),
            "Recommends to investigate further when p < 0.05 and CI crosses zero.",
            f"Expected investigate further recommendation, got: {rec}"
        )

    def test_recommend_maintain(self):
        results_data = {
            "test_scenario": ["F"],
            "p_value": [0.2],
            "confidence_interval": [(-0.01, 0.03)],
            "mean_difference": [0.01]
        }
        df = pd.DataFrame(results_data)
        df_out = self.user_code.interpret_ab_results(df)
        rec = df_out["recommendation"][0]
        _dynamic_test(self,
            "maintain" in rec.lower() or "no statistically significant difference" in rec.lower(),
            "Recommends maintaining current version when p >= 0.05.",
            f"Expected maintain recommendation, got: {rec}"
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

Padroneggiare l'arte e la scienza dell'A/B testing utilizzando Python. Questo corso copre le basi statistiche, la progettazione degli esperimenti e l'implementazione pratica dei test A/B, con una forte enfasi sulla pratica e su scenari reali. Imparare ad analizzare i risultati, evitare errori comuni e comunicare efficacemente le conclusioni.

Esplora gli elementi essenziali dell'A/B testing — dalla terminologia di base e il metodo scientifico ai flussi di lavoro pratici utilizzati nella tecnologia e nel marketing. Questa sezione fornisce una base completa, includendo il contesto storico, la motivazione alla base della sperimentazione e il vocabolario essenziale necessario per una comunicazione efficace in ambienti guidati dai dati.

Padroneggia le competenze necessarie per progettare test A/B robusti: dalla formulazione delle ipotesi e randomizzazione al calcolo della dimensione del campione e selezione delle metriche. Questa sezione copre in dettaglio la creazione delle ipotesi, la randomizzazione, la determinazione della dimensione del campione e la selezione delle metriche, con esempi pratici ed esercitazioni applicate.

Approfondisci i concetti statistici che sono alla base dell'A/B testing, inclusi significatività, p-value, tipi di errore e intervalli di confidenza. Questa sezione offre spiegazioni dettagliate, esempi pratici di codice ed esercizi interattivi per consolidare la tua comprensione.

Approfondimento dei fondamenti dell'analisi pratica dei test A/B: simulazione dei dati, interpretazione dei risultati, creazione di visualizzazioni efficaci e comunicazione dei risultati agli stakeholder. Apprendimento di tecniche per comunicare efficacemente i risultati, realizzare visualizzazioni coinvolgenti ed evitare errori comuni nell'interpretazione.

Challenge: Interpretazione dei Risultati dei Test A/B

Soluzione