Sintetizar informações estatísticas e visuais é uma habilidade crucial para interpretar resultados de testes A/B e elaborar recomendações acionáveis. Ao analisar uma grade de resultados de testes A/B, é importante combinar o entendimento de **valores de p**, **intervalos de confiança** e representações visuais como **gráficos de barras** ou **barras de erro**. Comece examinando o `p-value`: um valor abaixo do limite pré-determinado (comumente `0.05`) sugere significância estatística, mas isso, por si só, não é suficiente. Em seguida, avalie o **intervalo de confiança** para o efeito estimado – se ele não cruza zero, isso reforça a existência de uma diferença estatisticamente significativa, e a amplitude indica o possível tamanho do efeito. **Visualizações** ajudam a identificar rapidamente padrões, valores discrepantes ou sobreposições entre grupos, reforçando ou questionando o que os números indicam. Ao integrar esses elementos, é possível interpretar com confiança se a diferença observada é relevante e qual ação prática deve ser tomada – como implementar uma nova funcionalidade, realizar novos testes ou manter o cenário atual.


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

Domine a arte e a ciência dos testes A/B utilizando Python. Este curso aborda os fundamentos estatísticos, o design de experimentos e a implementação prática de testes A/B, com forte ênfase em prática e cenários do mundo real. Aprenda a analisar resultados, evitar erros comuns e comunicar descobertas de forma eficaz.

Explore os conceitos essenciais de testes A/B — desde a terminologia fundamental e o método científico até fluxos de trabalho práticos utilizados em tecnologia e marketing. Esta seção oferece uma base abrangente, incluindo o contexto histórico, a justificativa para experimentação e o vocabulário essencial necessário para uma comunicação eficaz em ambientes orientados por dados.

Domine as habilidades necessárias para projetar testes A/B robustos: desde a formulação de hipóteses e randomização até o cálculo do tamanho da amostra e a seleção de métricas. Esta seção aborda em detalhes a criação de hipóteses, randomização, determinação do tamanho da amostra e seleção de métricas, com exemplos práticos e exercícios aplicados.

Mergulhe nos conceitos estatísticos que fundamentam o A/B testing, incluindo significância, valores de p, tipos de erro e intervalos de confiança. Esta seção oferece explicações detalhadas, exemplos práticos de código e exercícios práticos para consolidar seu entendimento.

Mergulhe nos fundamentos da análise prática de testes A/B — simule dados, interprete resultados, crie visualizações envolventes e comunique descobertas para as partes interessadas. Aprenda a comunicar resultados de forma eficaz, criar visualizações impactantes e evitar armadilhas comuns na interpretação.

Desafio: Interpretando Resultados de Testes A/B

Solução