Modelagem de Uplift: do efeito médio à política
Modelagem de uplift estima o efeito por usuário e transforma isso em quem tratar. Meta-aprendizes, curva de ganho e a validação que não existe.
Guias completos e honestos sobre CRO, teste A/B e experimentação. As matérias mais completas da internet, sem enrolação. (página 5 de 24)
Modelagem de uplift estima o efeito por usuário e transforma isso em quem tratar. Meta-aprendizes, curva de ganho e a validação que não existe.
Análise de mediação separa o efeito direto do indireto. A conta, a armadilha de segmentar depois do sorteio e a premissa que ninguém testa.
A linha que não chegou muda o resultado. Como classificar dados faltantes, por que casos completos exageram o efeito e o que a imputação conserta.
Quando o recurso não pode ser desligado, sorteia-se o convite. O que o desenho de encorajamento mede, quanto ele custa em amostra e onde ele quebra.
Toda leitura observacional depende do que você não mediu. A análise de sensibilidade vira número: quanto o confundidor não medido teria que ser forte.
O escore de propensão colapsa dezenas de covariáveis num número só para parear tratado e controle. O que ele conserta, o que não conserta e onde piora.
Série temporal interrompida: a regressão segmentada separa degrau, tendência e sazonalidade do que já estava crescendo antes do lançamento.
Quando só um mercado recebeu a mudança, o controle sintético monta um controle pesando vários mercados. Como calcular, como validar e onde ele falha.
Sem sortear usuário, diferenças em diferenças compara a variação do tratado com a do controle. Como fazer a conta e por que o erro-padrão engana.