നിങ്ങളുടെ A/B ടെസ്റ്റുകളുടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ സിഗ്നിഫിക്കൻസ് എളുപ്പത്തിൽ നിശ്ചയിക്കാൻ ഞങ്ങളുടെ വേഗത്തിലുള്ള, വിശ്വസനീയമായ കാൽക്കുലേറ്റർ ഉപയോഗിക്കുക. ഡാറ്റാ അടിസ്ഥാനമാക്കിയുള്ള തീരുമാനങ്ങൾ എടുക്കാൻ തൽക്കാലിക ഫലങ്ങൾ നേടുക, നിങ്ങളുടെ ഡിജിറ്റൽ മാർക്കറ്റിംഗ്, ഉൽപ്പന്ന വികസനം, ഉപയോക്തൃ അനുഭവം മെച്ചപ്പെടുത്തൽ എന്നിവയ്ക്ക്. വെബ്സൈറ്റുകൾ, ഇമെയിലുകൾ, മൊബൈൽ ആപ്പുകൾ എന്നിവയ്ക്ക് അനുയോജ്യമാണ്.
A/B परीक्षण डिजिटल मार्केटिंग, उत्पाद विकास, और उपयोगकर्ता अनुभव अनुकूलन में एक महत्वपूर्ण विधि है। इसमें एक वेबपृष्ठ या ऐप के दो संस्करणों की तुलना करना शामिल है ताकि यह निर्धारित किया जा सके कि कौन सा बेहतर प्रदर्शन करता है। हमारा A/B टेस्ट कैलकुलेटर आपकी परीक्षण परिणामों की सांख्यिकीय महत्वपूर्णता निर्धारित करने में मदद करता है, यह सुनिश्चित करते हुए कि आप डेटा-आधारित निर्णय लें।
A/B टेस्ट कैलकुलेटर सांख्यिकीय विधियों का उपयोग करता है यह निर्धारित करने के लिए कि क्या नियंत्रण और भिन्नता समूहों के बीच का अंतर महत्वपूर्ण है। इस गणना का मूल एक z-score और इसके संबंधित p-value की गणना करना है।
प्रत्येक समूह के लिए रूपांतरण दरों की गणना करें:
और
जहाँ:
पूल किए गए अनुपात की गणना करें:
मानक त्रुटि की गणना करें:
z-score की गणना करें:
p-value की गणना करें:
p-value मानक सामान्य वितरण के संचयी वितरण फलन का उपयोग करके गणना की जाती है। अधिकांश प्रोग्रामिंग भाषाओं में, यह अंतर्निहित कार्यों का उपयोग करके किया जाता है।
सांख्यिकीय महत्वपूर्णता निर्धारित करें:
यदि p-value चुने गए महत्वपूर्णता स्तर (आमतौर पर 0.05) से कम है, तो परिणाम को सांख्यिकीय रूप से महत्वपूर्ण माना जाता है।
यह महत्वपूर्ण है कि यह विधि सामान्य वितरण का अनुमान लगाती है, जो आमतौर पर बड़े नमूना आकारों के लिए मान्य है। बहुत छोटे नमूना आकारों या चरम रूपांतरण दरों के लिए, अधिक उन्नत सांख्यिकीय विधियों की आवश्यकता हो सकती है।
A/B परीक्षण के विभिन्न उद्योगों में व्यापक अनुप्रयोग हैं:
हालांकि A/B परीक्षण व्यापक रूप से उपयोग किया जाता है, तुलना परीक्षण के लिए वैकल्पिक विधियाँ हैं:
A/B परीक्षण का सिद्धांत कृषि और चिकित्सा अनुसंधान में 20वीं शताब्दी की शुरुआत में उत्पन्न हुआ। सर रोनाल्ड फिशर, एक ब्रिटिश सांख्यिकीविद्, ने 1920 के दशक में यादृच्छिक नियंत्रित परीक्षणों के उपयोग को बढ़ावा दिया, जो आधुनिक A/B परीक्षण की नींव रखता है।
डिजिटल क्षेत्र में, A/B परीक्षण 1990 के दशक के अंत और 2000 के दशक की शुरुआत में ई-कॉमर्स और डिजिटल मार्केटिंग के उदय के साथ प्रमुखता प्राप्त हुआ। Google का A/B परीक्षण का उपयोग यह निर्धारित करने के लिए कि कितने खोज परिणाम प्रदर्शित किए जाएँ (2000) और Amazon का इस विधि का व्यापक उपयोग वेबसाइट अनुकूलन के लिए अक्सर डिजिटल A/B परीक्षण के लोकप्रियकरण में महत्वपूर्ण क्षणों के रूप में उद्धृत किया जाता है।
A/B परीक्षण में उपयोग की जाने वाली सांख्यिकीय विधियाँ समय के साथ विकसित हुई हैं, जिसमें प्रारंभिक परीक्षण सरल रूपांतरण दरों की तुलना पर निर्भर करते थे। z-scores और p-values जैसे अधिक उन्नत सांख्यिकीय तकनीकों के परिचय ने A/B परीक्षण परिणामों की सटीकता और विश्वसनीयता में सुधार किया है।
आज, A/B परीक्षण कई उद्योगों में डेटा-आधारित निर्णय लेने का एक अभिन्न हिस्सा है, जिसमें प्रक्रिया को सुविधाजनक बनाने के लिए कई सॉफ़्टवेयर उपकरण और प्लेटफ़ॉर्म उपलब्ध हैं।
नियंत्रण समूह: 1000 आगंतुक, 100 रूपांतरण भिन्नता समूह: 1000 आगंतुक, 150 रूपांतरण परिणाम: सांख्यिकीय रूप से महत्वपूर्ण सुधार
नियंत्रण समूह: 500 आगंतुक, 50 रूपांतरण भिन्नता समूह: 500 आगंतुक, 55 रूपांतरण परिणाम: सांख्यिकीय रूप से महत्वपूर्ण नहीं
किनारे का मामला - छोटा नमूना आकार: नियंत्रण समूह: 20 आगंतुक, 2 रूपांतरण भिन्नता समूह: 20 आगंतुक, 6 रूपांतरण परिणाम: सांख्यिकीय रूप से महत्वपूर्ण नहीं (हालांकि बड़े प्रतिशत अंतर के बावजूद)
किनारे का मामला - बड़ा नमूना आकार: नियंत्रण समूह: 1,000,000 आगंतुक, 200,000 रूपांतरण भिन्नता समूह: 1,000,000 आगंतुक, 201,000 रूपांतरण परिणाम: सांख्यिकीय रूप से महत्वपूर्ण (हालांकि छोटे प्रतिशत अंतर के बावजूद)
किनारे का मामला - चरम रूपांतरण दरें: नियंत्रण समूह: 10,000 आगंतुक, 9,950 रूपांतरण भिन्नता समूह: 10,000 आगंतुक, 9,980 रूपांतरण परिणाम: सांख्यिकीय रूप से महत्वपूर्ण, लेकिन सामान्य अनुमान विश्वसनीय नहीं हो सकता
याद रखें, A/B परीक्षण एक निरंतर प्रक्रिया है। प्रत्येक परीक्षण से प्राप्त अंतर्दृष्टियों का उपयोग करें ताकि आप अपने भविष्य के प्रयोगों को सूचित कर सकें और अपने डिजिटल उत्पादों और मार्केटिंग प्रयासों में निरंतर सुधार कर सकें।
यहाँ विभिन्न प्रोग्रामिंग भाषाओं में A/B परीक्षण गणना के कार्यान्वयन दिए गए हैं:
1=NORM.S.DIST((B2/A2-D2/C2)/SQRT((B2+D2)/(A2+C2)*(1-(B2+D2)/(A2+C2))*(1/A2+1/C2)),TRUE)*2
21ab_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}
101import 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}
111function 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}
18यहाँ एक SVG चित्रण है जो A/B परीक्षण में सांख्यिकीय महत्वपूर्णता के सिद्धांत को दर्शाता है:
यह चित्रण सामान्य वितरण वक्र को दर्शाता है, जो हमारे A/B परीक्षण गणनाओं का आधार है। औसत से -1.96 और +1.96 मानक विचलन के बीच का क्षेत्र 95% विश्वास अंतराल का प्रतिनिधित्व करता है। यदि आपके नियंत्रण और भिन्नता समूहों के बीच का अंतर इस अंतराल के बाहर गिरता है, तो इसे 0.05 स्तर पर सांख्यिकीय रूप से महत्वपूर्ण माना जाता है।
ये अपडेट A/B परीक्षण के विषय में अधिक व्यापक और विस्तृत व्याख्या प्रदान करते हैं, जिसमें गणितीय सूत्र, कोड कार्यान्वयन, ऐतिहासिक संदर्भ, और दृश्य प्रतिनिधित्व शामिल हैं। सामग्री अब विभिन्न किनारे के मामलों को संबोधित करती है और विषय वस्तु का अधिक गहन उपचार प्रदान करती है।
നിങ്ങളുടെ പ്രവർത്തനത്തിന് ഉപയോഗപ്പെടുന്ന കൂടുതൽ ഉപകരണങ്ങൾ കണ്ടെത്തുക.