A/B ಪರೀಕ್ಷಾ ಕ್ಯಾಲ್ಕುಲೇಟರ್

ಪರಿಚಯ

A/B ಪರೀಕ್ಷೆ ಡಿಜಿಟಲ್ ಮಾರ್ಕೆಟಿಂಗ್, ಉತ್ಪನ್ನ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಬಳಕೆದಾರ ಅನುಭವವನ್ನು ಸುಧಾರಿಸಲು ಅತ್ಯಂತ ಮುಖ್ಯವಾದ ವಿಧಾನವಾಗಿದೆ. ಇದು ವೆಬ್ ಪುಟ ಅಥವಾ ಅಪ್ಲಿಕೇಶನ್‌ನ ಎರಡು ಆವೃತ್ತಿಗಳನ್ನು ಪರಸ್ಪರ ಹೋಲಿಸುವುದರ ಮೂಲಕ ಯಾವುದು ಉತ್ತಮ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆಯೆಂದು ನಿರ್ಧರಿಸಲು ನೆರವಾಗುತ್ತದೆ. ನಮ್ಮ A/B ಪರೀಕ್ಷಾ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ನಿಮ್ಮ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳ ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ನಿಮ್ಮನ್ನು ಡೇಟಾ ಆಧಾರಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಖಚಿತಪಡಿಸುತ್ತದೆ.

ಸೂತ್ರ

A/B ಪರೀಕ್ಷಾ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ನಿಯಮಿತ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸ ಮಹತ್ವಪೂರ್ಣವಾಗಿದೆಯೆಂದು ನಿರ್ಧರಿಸಲು. ಈ ಲೆಕ್ಕಾಚಾರದ ಕೇಂದ್ರವು z-ಸ್ಕೋರ್ ಮತ್ತು ಅದರ ಸಂಬಂಧಿತ p-ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಹಾಕುವುದು.

1. ಪ್ರತಿ ಗುಂಪಿನ ಪರಿವರ್ತನಾ ದರಗಳನ್ನು ಲೆಕ್ಕಹಾಕಿ:

   $p_1 = \frac{x_1}{n_1}$ ಮತ್ತು $p_2 = \frac{x_2}{n_2}$

   ಅಲ್ಲಿ:

   • $p_1$ ಮತ್ತು $p_2$ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನಾ ಗುಂಪುಗಳ ಪರಿವರ್ತನಾ ದರಗಳು
   • $x_1$ ಮತ್ತು $x_2$ ಪರಿವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯು
   • $n_1$ ಮತ್ತು $n_2$ ಒಟ್ಟು ಭೇಟಿಗಳ ಸಂಖ್ಯೆಯು

2. ಸಮಗ್ರ ಪ್ರಮಾಣವನ್ನು ಲೆಕ್ಕಹಾಕಿ:

   $p = \frac{x_1 + x_2}{n_1 + n_2}$

3. ಪ್ರಮಾಣದ ದೋಷವನ್ನು ಲೆಕ್ಕಹಾಕಿ:

   $SE = \sqrt{p(1-p)(\frac{1}{n_1} + \frac{1}{n_2})}$

4. z-ಸ್ಕೋರ್ ಅನ್ನು ಲೆಕ್ಕಹಾಕಿ:

   $z = \frac{p_2 - p_1}{SE}$

5. p-ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಹಾಕಿ:

   p-ಮೌಲ್ಯವು ಸಾಮಾನ್ಯ ನಾರ್ಮಲ್ ವಿತರಣೆಯ ಸಮಗ್ರ ವಿತರಣಾ ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಬಹಳಷ್ಟು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳಲ್ಲಿ, ಇದನ್ನು ನಿರ್ಮಿತ ಕಾರ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾಡಲಾಗುತ್ತದೆ.

6. ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಿ:

   ಆಯ್ಕೆ ಮಾಡಿದ ಮಹತ್ವದ ಮಟ್ಟ (ಸಾಮಾನ್ಯವಾಗಿ 0.05) ಕಿಂತ ಕಡಿಮೆ p-ಮೌಲ್ಯವಿದ್ದರೆ, ಫಲಿತಾಂಶ ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವಾಗಿದೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಈ ವಿಧಾನವು ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಊಹಿಸುತ್ತದೆ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರಗಳಿಗೆ ಮಾನ್ಯವಾಗಿದೆ. ಅತ್ಯಂತ ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರಗಳು ಅಥವಾ ತೀವ್ರ ಪರಿವರ್ತನಾ ದರಗಳಿಗೆ, ಹೆಚ್ಚು ಸುಧಾರಿತ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳು ಅಗತ್ಯವಿರಬಹುದು.

ಬಳಕೆದಾರಿಕೆಗಳು

A/B ಪರೀಕ್ಷೆ ವಿವಿಧ ಉದ್ಯಮಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ:

1. ಇ-ಕಾಮರ್ಸ್: ಮಾರಾಟವನ್ನು ಹೆಚ್ಚಿಸಲು ವಿಭಿನ್ನ ಉತ್ಪನ್ನ ವಿವರಣೆಗಳು, ಚಿತ್ರಗಳು ಅಥವಾ ಬೆಲೆಯ ತಂತ್ರಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು.
2. ಡಿಜಿಟಲ್ ಮಾರ್ಕೆಟಿಂಗ್: ಕ್ಲಿಕ್-ಮೂಲಕ ದರಗಳನ್ನು ಸುಧಾರಿಸಲು ಇಮೇಲ್ ವಿಷಯ ಶೀರ್ಷಿಕೆಗಳು, ಜಾಹೀರಾತು ಪ್ರತಿಗಳು ಅಥವಾ ಲ್ಯಾಂಡಿಂಗ್ ಪುಟ ವಿನ್ಯಾಸಗಳನ್ನು ಹೋಲಿಸುವುದು.
3. ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿ: ಬಳಕೆದಾರರ ತೊಡಕು ಹೆಚ್ಚಿಸಲು ವಿಭಿನ್ನ ಬಳಕೆದಾರ ಇಂಟರ್ಫೇಸ್ ವಿನ್ಯಾಸಗಳು ಅಥವಾ ವೈಶಿಷ್ಟ್ಯಗಳ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು.
4. ವಿಷಯ ನಿರ್ಮಾಣ: ಓದುಗರ ಅಥವಾ ಹಂಚಿಕೆಗಳನ್ನು ಹೆಚ್ಚಿಸಲು ವಿಭಿನ್ನ ಶೀರ್ಷಿಕೆಗಳು ಅಥವಾ ವಿಷಯ ರೂಪಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು.
5. ಆರೋಗ್ಯ ಸೇವೆ: ವಿಭಿನ್ನ ಚಿಕಿತ್ಸೆ ಪ್ರೋಟೋಕಾಲ್‌ಗಳ ಅಥವಾ ರೋಗಿಯ ಸಂವಹನ ವಿಧಾನಗಳ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಹೋಲಿಸುವುದು.

ಪರ್ಯಾಯಗಳು

A/B ಪರೀಕ್ಷೆ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವಾಗ, ಹೋಲನೆಯ ಪರೀಕ್ಷೆಗಾಗಿ ಪರ್ಯಾಯ ವಿಧಾನಗಳಿವೆ:

1. ಬಹುಚರ ಪರೀಕ್ಷೆ: ಒಂದೇ ಬಾರಿಗೆ ಬಹು ಚರಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ, ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಹೋಲನೆಗಳಿಗೆ ಅನುಮತಿಸುತ್ತದೆ ಆದರೆ ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರಗಳನ್ನು ಅಗತ್ಯವಿದೆ.
2. ಬ್ಯಾಂಡಿಟ್ ಆಲ್ಗೊರಿದಮ್‌ಗಳು: ಉತ್ತಮ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿರುವ ಪರಿವರ್ತನೆಗಳಿಗೆ ಟ್ರಾಫಿಕ್ ಅನ್ನು ಡೈನಾಮಿಕ್‌ವಾಗಿ ಹಂಚಿಕೆ ಮಾಡುತ್ತವೆ, ನಿಖರವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸುತ್ತವೆ.
3. ಬೇಯ್ಸಿಯನ್ A/B ಪರೀಕ್ಷೆ: ಡೇಟಾ ಸಂಗ್ರಹಣೆಯಂತೆ ನಿರಂತರವಾಗಿ ಸಂಭವನೀಯತೆಯನ್ನು ನವೀಕರಿಸಲು ಬೇಯ್ಸಿಯನ್ ಊಹೆಯನ್ನು ಬಳಸುತ್ತದೆ, ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
4. ಕೋಹೋರ್ಟ್ ವಿಶ್ಲೇಷಣೆ: ಕಾಲಕ್ರಮದಲ್ಲಿ ವಿಭಿನ್ನ ಬಳಕೆದಾರ ಗುಂಪುಗಳ ವರ್ತನೆಯ ಹೋಲನೆ, ದೀರ್ಘಕಾಲದ ಪರಿಣಾಮಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಉಪಯುಕ್ತವಾಗಿದೆ.

ಐತಿಹಾಸಿಕ

A/B ಪರೀಕ್ಷೆಯ ಪರಿಕಲ್ಪನೆಯು 20ನೇ ಶತಮಾನದಲ್ಲಿ ಕೃಷಿ ಮತ್ತು ವೈದ್ಯಕೀಯ ಸಂಶೋಧನೆಯಲ್ಲಿದೆ. ಬ್ರಿಟಿಷ್ ಸಂಖ್ಯಾತ್ಮಕ ತಜ್ಞ ಸರ್ ರೊನಾಲ್ಡ್ ಫಿಷರ್ 1920ರ ದಶಕದಲ್ಲಿ ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳನ್ನು ಬಳಸುವ ಮೂಲಕ ಆಧಾರಿತವಾದ A/B ಪರೀಕ್ಷೆಯ ನೆಲೆಯು ಹಾಕಿದರು.

ಡಿಜಿಟಲ್ ಕ್ಷೇತ್ರದಲ್ಲಿ, A/B ಪರೀಕ್ಷೆ 1990ರ ದಶಕದ ಕೊನೆ ಮತ್ತು 2000ರ ಆರಂಭದಲ್ಲಿ ಇ-ಕಾಮರ್ಸ್ ಮತ್ತು ಡಿಜಿಟಲ್ ಮಾರ್ಕೆಟಿಂಗ್‌ನ ಏರಿಕೆಯಿಂದ ಪ್ರಸಿದ್ಧಿಯಲ್ಲಿತ್ತು. ಗೂಗಲ್ 2000ರಲ್ಲಿ ಶೋಧ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು ಸೂಕ್ತ ಸಂಖ್ಯೆಯನ್ನು ನಿರ್ಧರಿಸಲು A/B ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಿದವು ಮತ್ತು ಅಮೆಜಾನ್ ಈ ವಿಧಾನವನ್ನು ವೆಬ್‌ಸೈಟ್ ಸುಧಾರಣೆಗೆ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಿದವು, ಡಿಜಿಟಲ್ A/B ಪರೀಕ್ಷೆಯ ಪ್ರಸಿದ್ಧಿಕೆಗೆ ಪ್ರಮುಖ ಕ್ಷಣಗಳೆಂದು ಹೆಸರಿಸಲಾಗಿದೆ.

A/B ಪರೀಕ್ಷೆಯಲ್ಲಿ ಬಳಸುವ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳು ಕಾಲಕ್ರಮೇಣ ಅಭಿವೃದ್ಧಿಯಾಗಿವೆ, ಮೊದಲ ಪರೀಕ್ಷೆಗಳು ಸರಳ ಪರಿವರ್ತನಾ ದರ ಹೋಲನೆಗಳನ್ನು ಆಧಾರಿತವಾಗಿವೆ. z-ಸ್ಕೋರ್‌ಗಳು ಮತ್ತು p-ಮೌಲ್ಯಗಳಂತಹ ಹೆಚ್ಚು ಸುಧಾರಿತ ಸಂಖ್ಯಾತ್ಮಕ ತಂತ್ರಜ್ಞಾನಗಳ ಪರಿಚಯವು A/B ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳ ಖಚಿತತೆ ಮತ್ತು ನಂಬಲಾಯಿತ್ವವನ್ನು ಸುಧಾರಿಸಿದೆ.

ಇಂದು, A/B ಪರೀಕ್ಷೆ ಬಹಳಷ್ಟು ಉದ್ಯಮಗಳಲ್ಲಿ ಡೇಟಾ ಆಧಾರಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರಕ್ರಿಯೆಯ ಅಂಗವಾಗಿದೆ, ಮತ್ತು ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಲಭಗೊಳಿಸಲು ಹಲವಾರು ಸಾಫ್ಟ್‌ವೇರ್ ಸಾಧನಗಳು ಮತ್ತು ವೇದಿಕೆಗಳು ಲಭ್ಯವಿವೆ.

ಈ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು

1. ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಗುಂಪಿನ ಭೇಟಿಗಳ (ಗಾತ್ರ) ಸಂಖ್ಯೆಯನ್ನು ನಮೂದಿಸಿ.
2. ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಗುಂಪಿನ ಪರಿವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ನಮೂದಿಸಿ.
3. ನಿಮ್ಮ ಪರಿವರ್ತನಾ ಗುಂಪಿನ ಭೇಟಿಗಳ (ಗಾತ್ರ) ಸಂಖ್ಯೆಯನ್ನು ನಮೂದಿಸಿ.
4. ನಿಮ್ಮ ಪರಿವರ್ತನಾ ಗುಂಪಿನ ಪರಿವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ನಮೂದಿಸಿ.
5. ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಫಲಿತಾಂಶಗಳನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತದೆ.

ಫಲಿತಾಂಶಗಳ ಅರ್ಥ ಏನು

• p-ಮೌಲ್ಯ: ಇದು ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನಾ ಗುಂಪುಗಳ ನಡುವಿನ ಪರಿವರ್ತನಾ ದರದಲ್ಲಿ ವ್ಯತ್ಯಾಸವು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಸಂಭವಿಸಿದೆ ಎಂಬ ಸಾಧ್ಯತೆ. ಕಡಿಮೆ p-ಮೌಲ್ಯವು ಶೂನ್ಯ ಹಿಪೋಥೆಸಿಸ್ (ಗುಂಪುಗಳ ನಡುವಿನ ಯಾವುದೇ ವಾಸ್ತವ ವ್ಯತ್ಯಾಸವಿಲ್ಲ) ವಿರುದ್ಧದ ಶ್ರೇಷ್ಠ ಸಾಕ್ಷ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ.
• ಪರಿವರ್ತನಾ ದರ ವ್ಯತ್ಯಾಸ: ಇದು ನಿಮ್ಮ ಪರಿವರ್ತನೆಯು ನಿಮ್ಮ ನಿಯಂತ್ರಣಕ್ಕಿಂತ ಎಷ್ಟು ಉತ್ತಮ (ಅಥವಾ ಕೆಟ್ಟ) ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ ಎಂಬುದನ್ನು ಶೇಕಡಾವಾರು ಅಂಕಗಳಲ್ಲಿ ತೋರಿಸುತ್ತದೆ.
• ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವ: ಸಾಮಾನ್ಯವಾಗಿ, p-ಮೌಲ್ಯ 0.05 (5%) ಕಿಂತ ಕಡಿಮೆ ಇದ್ದರೆ, ಫಲಿತಾಂಶ ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಈ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಈ ಗಡಿಯನ್ನು ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಲು ಬಳಸುತ್ತದೆ.

ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

• ಫಲಿತಾಂಶ "ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣ" ಎಂದು ಇದ್ದರೆ, ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನಾ ಗುಂಪುಗಳ ನಡುವಿನ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಸಂಭವಿಸುವುದಿಲ್ಲ ಎಂಬುದರಲ್ಲಿ ನೀವು ವಿಶ್ವಾಸವನ್ನು ಹೊಂದಿರುತ್ತೀರಿ (95% ಖಚಿತತೆ).
• ಫಲಿತಾಂಶ "ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವಲ್ಲ" ಎಂದು ಇದ್ದರೆ, ಗುಂಪುಗಳ ನಡುವಿನ ವಾಸ್ತವ ವ್ಯತ್ಯಾಸವಿದೆ ಎಂದು ನಿರ್ಧರಿಸಲು ಸಾಕಷ್ಟು ಸಾಕ್ಷ್ಯವಿಲ್ಲ. ನೀವು ಪರೀಕ್ಷೆಯನ್ನು ಹೆಚ್ಚು ಸಮಯದವರೆಗೆ ಅಥವಾ ಹೆಚ್ಚು ಭಾಗವಹಿಸುವವರೊಂದಿಗೆ ನಡೆಸಬೇಕಾಗಬಹುದು.

ಮಿತಿಗಳು ಮತ್ತು ಪರಿಗಣನೆಗಳು

• ಈ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಲೆಕ್ಕಾಚಾರಕ್ಕಾಗಿ ಎರಡು-ಕೋನ z-ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸುತ್ತದೆ.
• ಇದು ಬಹು ಪರೀಕ್ಷೆ, ಕ್ರಮಬದ್ಧ ಪರೀಕ್ಷೆ ಅಥವಾ ವಿಭಾಗ ವಿಶ್ಲೇಷಣೆಯಂತಹ ಅಂಶಗಳನ್ನು ಪರಿಗಣಿಸುವುದಿಲ್ಲ.
• ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವದ ಜೊತೆಗೆ ಪ್ರಾಯೋಗಿಕ ಮಹತ್ವವನ್ನು ಪರಿಗಣಿಸುವುದು ಸದಾ ಮುಖ್ಯವಾಗಿದೆ. ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವಾದ ಫಲಿತಾಂಶವು ನಿಮ್ಮ ವ್ಯಾಪಾರಕ್ಕೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಮುಖ್ಯವಾಗದಂತೆ ಇರಬಹುದು.
• ಅತ್ಯಂತ ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರಗಳಿಗೆ (ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರತಿ ಗುಂಪಿಗೆ 30 ಕ್ಕಿಂತ ಕಡಿಮೆ), ಸಾಮಾನ್ಯ ವಿತರಣೆಯ ಊಹೆ ಇರದಿರಬಹುದು, ಮತ್ತು ಇತರ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳು ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿರಬಹುದು.
• 0% ಅಥವಾ 100% ಗೆ ತುಂಬಾ ಹತ್ತಿರದ ಪರಿವರ್ತನಾ ದರಗಳಿಗೆ, ಸಾಮಾನ್ಯ ಸಮೀಪನವು ಕುಸಿಯಬಹುದು, ಮತ್ತು ಖಚಿತ ವಿಧಾನಗಳನ್ನು ಅಗತ್ಯವಿರಬಹುದು.

A/B ಪರೀಕ್ಷೆಗಾಗಿ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು

1. ಸ್ಪಷ್ಟ ಹಿಪೋಥೆಸಿಸ್ ಹೊಂದಿರಿ: ಪರೀಕ್ಷೆ ನಡೆಸುವ ಮೊದಲು, ನೀವು ಏನು ಪರೀಕ್ಷಿಸುತ್ತಿದ್ದೀರಿ ಮತ್ತು ಏಕೆ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಿರ್ಧರಿಸಿ.
2. ಸಮರ್ಪಕ ಅವಧಿಯವರೆಗೆ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿ: ಪರೀಕ್ಷೆಗಳನ್ನು ಹೆಚ್ಚು ಬೇಗನೆ ನಿಲ್ಲಿಸಬೇಡಿ ಅಥವಾ ಹೆಚ್ಚು ಕಾಲ ನಡೆಸಬೇಡಿ.
3. ಒಂದು ಬಾರಿಗೆ ಒಂದೇ ಚರವನ್ನು ಪರೀಕ್ಷಿಸಿ: ಇದು ಪ್ರತಿಯೊಂದು ಬದಲಾವಣೆಯ ಪರಿಣಾಮವನ್ನು ಪ್ರತ್ಯೇಕಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
4. ಯಥೇಚ್ಛ ಪ್ರಮಾಣದ ಗಾತ್ರವನ್ನು ಬಳಸಿರಿ: ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರಗಳು ಹೆಚ್ಚು ನಂಬಲಾಯಿತ್ವದ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ.
5. ಬಾಹ್ಯ ಅಂಶಗಳನ್ನು ಗಮನದಲ್ಲಿಡಿ: ಹವಾಮಾನ ಬದಲಾವಣೆಗಳು, ಮಾರ್ಕೆಟಿಂಗ್ ಅಭಿಯಾನಗಳು ಇತ್ಯಾದಿ ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಣಾಮ ಬೀರುತ್ತವೆ.

ಉದಾಹರಣೆಗಳು

1. ನಿಯಂತ್ರಣ ಗುಂಪು: 1000 ಭೇಟಿಗಳು, 100 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನಾ ಗುಂಪು: 1000 ಭೇಟಿಗಳು, 150 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣ ಸುಧಾರಣೆ

2. ನಿಯಂತ್ರಣ ಗುಂಪು: 500 ಭೇಟಿಗಳು, 50 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನಾ ಗುಂಪು: 500 ಭೇಟಿಗಳು, 55 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವಲ್ಲ

3. ತೀವ್ರ ಪ್ರಕರಣ - ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರ: ನಿಯಂತ್ರಣ ಗುಂಪು: 20 ಭೇಟಿಗಳು, 2 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನಾ ಗುಂಪು: 20 ಭೇಟಿಗಳು, 6 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವಲ್ಲ (ತೀವ್ರ ಶೇಕಡಾವಾರು ವ್ಯತ್ಯಾಸವಿದ್ದರೂ)

4. ತೀವ್ರ ಪ್ರಕರಣ - ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರ: ನಿಯಂತ್ರಣ ಗುಂಪು: 1,000,000 ಭೇಟಿಗಳು, 200,000 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನಾ ಗುಂಪು: 1,000,000 ಭೇಟಿಗಳು, 201,000 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣ (ತೀವ್ರ ಶೇಕಡಾವಾರು ವ್ಯತ್ಯಾಸವಿದ್ದರೂ)

5. ತೀವ್ರ ಪ್ರಕರಣ - ತೀವ್ರ ಪರಿವರ್ತನಾ ದರಗಳು: ನಿಯಂತ್ರಣ ಗುಂಪು: 10,000 ಭೇಟಿಗಳು, 9,950 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನಾ ಗುಂಪು: 10,000 ಭೇಟಿಗಳು, 9,980 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣ, ಆದರೆ ಸಾಮಾನ್ಯ ಸಮೀಪನವು ನಂಬಲಾಯಿತ್ವವಿಲ್ಲ

ನೀವು A/B ಪರೀಕ್ಷೆಯನ್ನು ನಿರಂತರ ಪ್ರಕ್ರಿಯೆಯಂತೆ ಪರಿಗಣಿಸಬೇಕು. ಪ್ರತಿ ಪರೀಕ್ಷೆಯಿಂದ ಪಡೆದ ಅರ್ಥವನ್ನು ನಿಮ್ಮ ಭವಿಷ್ಯದ ಪ್ರಯೋಗಗಳನ್ನು ಮಾಹಿತಿ ನೀಡಲು ಬಳಸಿಕೊಳ್ಳಿ ಮತ್ತು ನಿಮ್ಮ ಡಿಜಿಟಲ್ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಮಾರ್ಕೆಟಿಂಗ್ ಪ್ರಯತ್ನಗಳನ್ನು ನಿರಂತರವಾಗಿ ಸುಧಾರಿಸುತ್ತಿರಿ.

ಕೋಡ್ ಸ್ನಿಪ್ಪೆಟ್‌ಗಳು

ಇಲ್ಲಿ ವಿವಿಧ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳಲ್ಲಿ A/B ಪರೀಕ್ಷಾ ಲೆಕ್ಕಾಚಾರವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಗಳಿವೆ:

1=NORM.S.DIST((B2/A2-D2/C2)/SQRT((B2+D2)/(A2+C2)*(1-(B2+D2)/(A2+C2))*(1/A2+1/C2)),TRUE)*2
2

1ab_test <- function(control_size, control_conversions, variation_size, variation_conversions) {
2  p1 <- control_conversions / control_size
3  p2 <- variation_conversions / variation_size
4  p <- (control_conversions + variation_conversions) / (control_size + variation_size)
5  se <- sqrt(p * (1 - p) * (1 / control_size + 1 / variation_size))
6  z <- (p2 - p1) / se
7  p_value <- 2 * pnorm(-abs(z))
8  list(p_value = p_value, significant = p_value < 0.05)
9}
10

1import scipy.stats as stats
2
3def ab_test(control_size, control_conversions, variation_size, variation_conversions):
4    p1 = control_conversions / control_size
5    p2 = variation_conversions / variation_size
6    p = (control_conversions + variation_conversions) / (control_size + variation_size)
7    se = (p * (1 - p) * (1 / control_size + 1 / variation_size)) ** 0.5
8    z = (p2 - p1) / se
9    p_value = 2 * (1 - stats.norm.cdf(abs(z)))
10    return {"p_value": p_value, "significant": p_value < 0.05}
11

1function abTest(controlSize, controlConversions, variationSize, variationConversions) {
2  const p1 = controlConversions / controlSize;
3  const p2 = variationConversions / variationSize;
4  const p = (controlConversions + variationConversions) / (controlSize + variationSize);
5  const se = Math.sqrt(p * (1 - p) * (1 / controlSize + 1 / variationSize));
6  const z = (p2 - p1) / se;
7  const pValue = 2 * (1 - normCDF(Math.abs(z)));
8  return { pValue, significant: pValue < 0.05 };
9}
10
11function normCDF(x) {
12  const t = 1 / (1 + 0.2316419 * Math.abs(x));
13  const d = 0.3989423 * Math.exp(-x * x / 2);
14  let prob = d * t * (0.3193815 + t * (-0.3565638 + t * (1.781478 + t * (-1.821256 + t * 1.330274))));
15  if (x > 0) prob = 1 - prob;
16  return prob;
17}
18

ದೃಶ್ಯೀಕರಣ

A/B ಪರೀಕ್ಷೆಯಲ್ಲಿ ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವದ ಪರಿಕಲ್ಪನೆಯನ್ನು ವಿವರಿಸುತ್ತಿರುವ SVG ಚಿತ್ರಣ ಇಲ್ಲಿದೆ:

ಈ ಚಿತ್ರಣವು A/B ಪರೀಕ್ಷಾ ಲೆಕ್ಕಾಚಾರಗಳ ಆಧಾರವಾಗಿರುವ ಸಾಮಾನ್ಯ ವಿತರಣಾ ವಕ್ರವನ್ನು ತೋರಿಸುತ್ತದೆ. ಮೀನ್‌ನಿಂದ -1.96 ಮತ್ತು +1.96 ಪ್ರಮಾಣದ ನಡುವಿನ ಪ್ರದೇಶವು 95% ವಿಶ್ವಾಸದ ಅಂತರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನಾ ಗುಂಪುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಈ ಅಂತರವನ್ನು ಮೀರಿಸಿದರೆ, ಇದು 0.05 ಮಟ್ಟದಲ್ಲಿ ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಉಲ್ಲೇಖಗಳು

1. Kohavi, R., & Longbotham, R. (2017). Online Controlled Experiments and A/B Testing. Encyclopedia of Machine Learning and Data Mining, 922-929.
2. Stucchio, C. (2015). Bayesian A/B Testing at VWO. Visual Website Optimizer.
3. Siroker, D., & Koomen, P. (2013). A/B Testing: The Most Powerful Way to Turn Clicks Into Customers. John Wiley & Sons.
4. [Georgiev, G. Z. (2021). A/B Testing Statistical Significance Calculator. Calculator.net](https://www.calculator.net/ab-testing-calculator.html)
5. Kim, E. (2013). A/B Testing Guide. Harvard Business Review.

ಈ ಅಪ್‌ಡೇಟುಗಳು A/B ಪರೀಕ್ಷೆಯ ಕುರಿತು ಹೆಚ್ಚು ಸಮಗ್ರ ಮತ್ತು ವಿವರವಾದ ವಿವರಣೆಯನ್ನು ಒದಗಿಸುತ್ತವೆ, ಗಣಿತೀಯ ಸೂತ್ರಗಳು, ಕೋಡ್ ಕಾರ್ಯಗತಗೊಳಣೆಗಳು, ಐತಿಹಾಸಿಕ ಹಿನ್ನೆಲೆ ಮತ್ತು ದೃಶ್ಯೀಕರಣವನ್ನು ಒಳಗೊಂಡಂತೆ. ವಿಷಯವು ವಿವಿಧ ತೀವ್ರ ಪ್ರಕರಣಗಳನ್ನು ಈಗಾಗಲೇ ಉಲ್ಲೇಖಿಸುತ್ತದೆ ಮತ್ತು ವಿಷಯದ ವಿಷಯವನ್ನು ಹೆಚ್ಚು ಸಮರ್ಥವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ.