Aprendizaje Automático Doble en Test A/B
El aprendizaje automático doble ajusta muchas covariables sin sesgar. Puntaje ortogonal, ajuste cruzado y la simulación donde la cobertura cae a 4,7%.
Guías completas y honestas sobre CRO, test A/B y experimentación: estadística, tamaño de muestra, diseño del test y qué hacer con el resultado. (página 3 de 23)
El aprendizaje automático doble ajusta muchas covariables sin sesgar. Puntaje ortogonal, ajuste cruzado y la simulación donde la cobertura cae a 4,7%.
CUPAC usa la predicción de un modelo como covariable y recorta la varianza del test A/B. La cuenta de theta, 51,70% de reducción y el error que sesga todo.
El test A/B para SEO aleatoriza páginas, no usuarios. Qué permite Google, el error estadístico que invalida casi todo informe y la cuenta correcta.
El interleaving intercala dos rankings en una lista y lee la preferencia en el clic. El método, el test de signo, las ganancias publicadas y los límites.
El valor de la información pone precio a lo que compra un test A/B. La cuenta del techo, el valor por tamaño de muestra, cuándo la respuesta es no testear.
La velocidad de página mueve la conversión, pero casi todo número que circula es folclore. Lo demostrable, el test de lentitud y la cuenta real de tráfico.
El encogimiento bayesiano empírico lleva cada segmento a la media del test. La cuenta en ocho segmentos, el factor de encogimiento y cuándo hay cima real.
El factor de Bayes mide cuánto movieron los datos la creencia entre dos hipótesis. La cuenta, la paradoja de Lindley en números y el límite del método.
El modelado de uplift estima el efecto por usuario y lo convierte en a quién tratar. Meta-aprendices, curva de ganancia y la validación que no existe.