Leer Visualiseren van A/B-testresultaten | Praktische Analyse, Interpretatie en Rapportage

Veeg om het menu te tonen

Bij het presenteren van A/B-testresultaten moeten visualisaties de belangrijkste bevindingen direct duidelijk maken en misinterpretatie voorkomen. De meest effectieve benaderingen zijn onder andere:

Staafdiagrammen: snelle vergelijking van conversieratio's of andere statistieken tussen groepen;
Staafdiagrammen met foutbalken: het toevoegen van betrouwbaarheidsintervallen aan de staven helpt de kijker de onzekerheid in de schattingen te begrijpen;
Distributieplots: het tonen van de volledige verdeling van statistieken (zoals conversieratio's of omzet per gebruiker) voor elke groep kan verschillen in variabiliteit of uitschieters onthullen;
Lijndiagrammen: nuttig bij het volgen van veranderingen in de tijd of over meerdere testperiodes.

Een goede visualisatie gebruikt duidelijk gelabelde assen, consistente kleurenschema's en benadrukt de belangrijkste verschillen. Bijvoorbeeld: een staafdiagram dat conversieratio's voor groep A en B toont, met foutbalken voor 95% betrouwbaarheidsintervallen, laat het publiek zowel de centrale schatting als de onzekerheid zien.

Een slechte visualisatie daarentegen kan misleidende y-as schalen gebruiken (zoals het afkappen van de as om verschillen te overdrijven), assen of groepen niet labelen, of afleidende kleuren en rommelige legenda's gebruiken. Deze fouten kunnen het publiek verwarren of zelfs misleiden over de uitkomst van de test.


              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()

Bij het kiezen van een visualisatie, houd rekening met je publiek en het verhaal dat je wilt vertellen:

Voor leidinggevenden of niet-technische belanghebbenden: gebruik duidelijke staafdiagrammen met betrouwbaarheidsintervallen, minimale afleiding en directe labels om de belangrijkste boodschap te benadrukken;
Voor analisten of data scientists: vul staafdiagrammen aan met distributieplots (zoals violin- of boxplots) om het volledige bereik van uitkomsten en variabiliteit te tonen;
Voor presentaties of rapporten: vermijd misleidende elementen zoals afgekorte assen, onduidelijke groepslabels of onnodige 3D-effecten. Geef altijd context en leg uit wat de foutbalken of distributies betekenen.

Door de visualisatiestijl af te stemmen op het publiek worden de resultaten beter begrepen en vertrouwd.

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 4. Hoofdstuk 3

Vraag AI

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

Sectie 4. Hoofdstuk 3