Aprenda Simulação de Dados de Teste A/B | Análise Prática, Interpretação e Relatório

Deslize para mostrar o menu

Simular dados de teste A/B é uma habilidade valiosa para quem está aprendendo sobre experimentação e análise. Ao gerar conjuntos de dados sintéticos, é possível praticar técnicas estatísticas, testar fluxos de análise e experimentar diferentes cenários sem a necessidade de acessar dados reais de usuários. Dados sintéticos são especialmente úteis para o aprendizado, pois permitem controlar parâmetros-chave, como tamanhos dos grupos e taxas de conversão, além de possibilitar a repetição de experimentos sob condições conhecidas. Isso facilita a compreensão do impacto de diversos fatores nos resultados e o desenvolvimento de habilidades analíticas em um ambiente livre de riscos.


              1234567891011121314151617181920212223242526272829303132333435363738394041
            
import numpy as np
import pandas as pd

# Set random seed for reproducibility
np.random.seed(42)

# Define number of users per group
n_users = 1000

# Define conversion rates for group A and B
conversion_rate_A = 0.10  # 10%
conversion_rate_B = 0.13  # 13%

# Generate user IDs
user_ids = np.arange(1, 2 * n_users + 1)

# Randomly assign users to groups
groups = np.array(['A'] * n_users + ['B'] * n_users)
np.random.shuffle(groups)

# Assign conversions based on group-specific rates
conversions = []
for group in groups:
    if group == 'A':
        conversions.append(np.random.binomial(1, conversion_rate_A))
    else:
        conversions.append(np.random.binomial(1, conversion_rate_B))

# Create DataFrame
data = pd.DataFrame({
    'user_id': user_ids,
    'group': groups,
    'converted': conversions
})

# Show the first few rows
print(data.head())

# To adjust for different scenarios:
# - Change n_users for sample size
# - Modify conversion_rate_A or conversion_rate_B for different effect sizes

Após gerar os dados simulados do teste A/B, é importante validar se o conjunto de dados corresponde ao cenário desejado. Primeiro, verifique se o número de usuários em cada grupo está equilibrado ou conforme o esperado para o seu desenho experimental. Em seguida, calcule as taxas de conversão observadas para cada grupo para garantir que estejam próximas das taxas especificadas. Também é recomendável revisar o conjunto de dados em busca de entradas ausentes ou duplicadas e verificar se todos os usuários possuem uma atribuição de grupo e um resultado válidos. Essa etapa de validação garante que os dados sintéticos sejam realistas e confiáveis para a prática de análise.

Tudo estava claro?

Obrigado pelo seu feedback!

Seção 4. Capítulo 1

Pergunte à IA

Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo

Seção 4. Capítulo 1