A/B ಪರೀಕ್ಷಾ ಕ್ಯಾಲ್ಕುಲೇಟರ್

ಪರಿಚಯ

A/B ಪರೀಕ್ಷೆ ಡಿಜಿಟಲ್ ಮಾರ್ಕೆಟಿಂಗ್, ಉತ್ಪನ್ನ ಅಭಿವೃದ್ಧಿ ಮತ್ತು ಬಳಕೆದಾರ ಅನುಭವವನ್ನು ಸುಧಾರಿಸಲು ಪ್ರಮುಖ ವಿಧಾನವಾಗಿದೆ. ಇದು ವೆಬ್‌ಪೇಜ್ ಅಥವಾ ಅಪ್ಲಿಕೇಶನ್‌ನ ಎರಡು ಆವೃತ್ತಿಗಳನ್ನು ಪರಸ್ಪರ ಹೋಲಿಸುವ ಮೂಲಕ ಯಾವುದು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ನೆರವಾಗುತ್ತದೆ. ನಮ್ಮ A/B ಪರೀಕ್ಷಾ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ನಿಮ್ಮ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳ ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ನೀವು ಡೇಟಾ ಆಧಾರಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವಂತೆ ಖಚಿತಪಡಿಸುತ್ತದೆ.

ಸೂತ್ರ

A/B ಪರೀಕ್ಷಾ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಎರಡು ಗುಂಪುಗಳ (ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನೆ) ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಮಹತ್ವಪೂರ್ಣವೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಈ ಲೆಕ್ಕಾಚಾರದ ಕೇಂದ್ರದಲ್ಲಿ z-ಸ್ಕೋರ್ ಮತ್ತು ಅದರ ಸಂಬಂಧಿತ p-ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಹಾಕುವುದು ಒಳಗೊಂಡಿದೆ.

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 ಪರಿವರ್ತನೆ ಗುಂಪುಗಳ ಪರಿವರ್ತನಾ ದರಗಳು
   • $x_1$ ಮತ್ತು $x_2$ ಪರಿವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯು
   • $n_1$ ಮತ್ತು $n_2$ ಒಟ್ಟು ಭೇಟಿ ನೀಡುವವರ ಸಂಖ್ಯೆಯು

2. ಸಮಾನಿತ ಪ್ರಮಾಣವನ್ನು ಲೆಕ್ಕಹಾಕಿ:

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

3. ಮಾನದಂಡ 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 ಪ್ರಮಾಣಿತ ನಾರ್ಮಲ್ ವಿತರಣೆಯ ಸಮಕಾಲೀನ ವಿತರಣಾ ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಬಹಳಷ್ಟು ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳಲ್ಲಿ, ಇದು ನಿರ್ಮಿತ ಕಾರ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾಡಲಾಗುತ್ತದೆ.

6. ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಿ:

   ಆಯ್ಕೆ ಮಾಡಿದ ಸಂಖ್ಯಾತ್ಮಕ ಮಟ್ಟ (ಸಾಮಾನ್ಯವಾಗಿ 0.05) ಕ್ಕಿಂತ ಕಡಿಮೆವಾದ p-ಮೌಲ್ಯವಿದ್ದರೆ, ಫಲಿತಾಂಶವನ್ನು ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

ಈ ವಿಧಾನವು ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಊಹಿಸುತ್ತದೆ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರಗಳಿಗೆ ಮಾನ್ಯವಾಗಿದೆ. ಬಹಳ ಚಿಕ್ಕ ಮಾದರಿ ಗಾತ್ರಗಳು ಅಥವಾ ತೀವ್ರ ಪರಿವರ್ತನಾ ದರಗಳಿಗಾಗಿ, ಹೆಚ್ಚು ಮುಂದುವರಿದ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳು ಅಗತ್ಯವಿರಬಹುದು.

ಬಳಕೆದಾರ ಪ್ರಕರಣಗಳು

A/B ಪರೀಕ್ಷೆಗೆ ಹಲವು ಉದ್ಯಮಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸುವ ಅನೇಕ ಅನ್ವಯಗಳು ಇವೆ:

1. ಇ-ಕಾಮರ್ಸ್: ಮಾರಾಟವನ್ನು ಹೆಚ್ಚಿಸಲು ವಿಭಿನ್ನ ಉತ್ಪನ್ನ ವಿವರಣೆಗಳು, ಚಿತ್ರಗಳು ಅಥವಾ ಬೆಲೆ ನೀತಿಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು.
2. ಡಿಜಿಟಲ್ ಮಾರ್ಕೆಟಿಂಗ್: ಕ್ಲಿಕ್-ಮೂಲಕ ದರಗಳನ್ನು ಸುಧಾರಿಸಲು ಇಮೇಲ್ ವಿಷಯ ಸಾಲುಗಳು, ಜಾಹೀರಾತು ಪ್ರತಿಗಳು ಅಥವಾ ಲ್ಯಾಂಡಿಂಗ್ ಪುಟ ವಿನ್ಯಾಸಗಳನ್ನು ಹೋಲಿಸುವುದು.
3. ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿ: ಬಳಕೆದಾರರ ತಾಣ ವಿನ್ಯಾಸಗಳು ಅಥವಾ ವೈಶಿಷ್ಟ್ಯಗಳ ಅನುಷ್ಠಾನಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು, ಬಳಕೆದಾರರ ತೊಡಗು ಹೆಚ್ಚಿಸಲು.
4. ವಿಷಯ ಸೃಷ್ಟಿ: ಓದುಗರನ್ನು ಅಥವಾ ಹಂಚಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ವಿಭಿನ್ನ ಶೀರ್ಷಿಕೆಗಳು ಅಥವಾ ವಿಷಯ ರೂಪಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು.
5. ಆರೋಗ್ಯดู: ವಿಭಿನ್ನ ಚಿಕಿತ್ಸೆ ಪ್ರೋಟೋಕಾಲ್‌ಗಳು ಅಥವಾ ರೋಗಿಯ ಸಂಪರ್ಕ ವಿಧಾನಗಳ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಹೋಲಿಸುವುದು.

ಪರ್ಯಾಯಗಳು

A/B ಪರೀಕ್ಷೆಯು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವಾಗ, ಹೋಲಿಸುವ ಪರೀಕ್ಷೆಗಾಗಿ ಪರ್ಯಾಯ ವಿಧಾನಗಳಿವೆ:

1. ಬಹುಪರಿವರ್ತಕ ಪರೀಕ್ಷೆ: ಒಂದೇ ಬಾರಿಗೆ ಹಲವಾರು ಚರಗಳು ಪರೀಕ್ಷಿಸುತ್ತವೆ, ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಹೋಲನೆಗಳಿಗೆ ಅನುಮತಿಸುತ್ತದೆ ಆದರೆ ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರಗಳನ್ನು ಅಗತ್ಯವಿರುತ್ತದೆ.
2. ಬ್ಯಾಂಡಿಟ್ ಆಲ್ಗಾರಿದಮ್‌ಗಳು: ಉತ್ತಮ ಕಾರ್ಯನಿರ್ವಹಣಾ ಪರಿವರ್ತನೆಗಳಿಗೆ ಟ್ರಾಫಿಕ್ ಅನ್ನು ನಿಖರವಾಗಿ ಹಂಚಿಸುತ್ತವೆ, ನಿಖರವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸುತ್ತವೆ.
3. ಬೇಯesian A/B ಪರೀಕ್ಷೆ: ಡೇಟಾ ಸಂಗ್ರಹಣೆಯಂತೆ ನಿರಂತರವಾಗಿ ಸಂಭವನೀಯತೆಗಳನ್ನು ನವೀಕರಿಸಲು ಬೇಯesian ಊಹೆಯನ್ನು ಬಳಸುತ್ತದೆ, ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
4. ಕೋಹೋರ್ಟ್ ವಿಶ್ಲೇಷಣೆ: ಕಾಲಾವಧಿಯಲ್ಲಿ ವಿವಿಧ ಬಳಕೆದಾರ ಗುಂಪುಗಳ ವರ್ತನೆಯ ಹೋಲನೆ, ದೀರ್ಘಾವಧಿಯ ಪರಿಣಾಮಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಉಪಯುಕ್ತ.

ಇತಿಹಾಸ

A/B ಪರೀಕ್ಷೆಯ ತತ್ವವು 20ನೇ ಶತಮಾನದ ಆರಂಭದಲ್ಲಿ ಕೃಷಿ ಮತ್ತು ವೈದ್ಯಕೀಯ ಸಂಶೋಧನೆಯಲ್ಲಿದೆ. ಬ್ರಿಟಿಷ್ ಸಂಖ್ಯಾಶಾಸ್ತ್ರಜ್ಞ ಸರ್ ರೊನಾಲ್ಡ್ ಫಿಷರ್ 1920ರ ದಶಕದಲ್ಲಿ ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪರೀಕ್ಷೆಗಳ ಬಳಕೆಯನ್ನು ಪ್ರಾರಂಭಿಸಿದರು, ಇದು ಆಧುನಿಕ A/B ಪರೀಕ್ಷೆಯ ನೆಲೆಗಟ್ಟಿದ ನೆಲೆ.

ಡಿಜಿಟಲ್ ಕ್ಷೇತ್ರದಲ್ಲಿ, A/B ಪರೀಕ್ಷೆ 1990ರ ದಶಕದ ಕೊನೆಯಲ್ಲಿ ಮತ್ತು 2000ರ ಆರಂಭದಲ್ಲಿ ಇ-ಕಾಮರ್ಸ್ ಮತ್ತು ಡಿಜಿಟಲ್ ಮಾರ್ಕೆಟಿಂಗ್ ಏರಿಯ ಏರಿಕೆಗೆ ಪ್ರಸಿದ್ಧಿಯುಳ್ಳಿತು. Google ತನ್ನ ಶೋಧ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು ಉತ್ತಮ ಸಂಖ್ಯೆಯನ್ನು ನಿರ್ಧರಿಸಲು A/B ಪರೀಕ್ಷೆ ಬಳಸಿದಾಗ (2000) ಮತ್ತು Amazon ಈ ವಿಧಾನವನ್ನು ವೆಬ್‌ಸೈಟ್ ಸುಧಾರಣೆಗೆ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಿದಾಗ, ಡಿಜಿಟಲ್ A/B ಪರೀಕ್ಷೆಯ ಪ್ರಸಿದ್ಧೀಕರಣದಲ್ಲಿ ಮಹತ್ವಪೂರ್ಣ ಕ್ಷಣಗಳೆಂದು ಉಲ್ಲೇಖಿಸಲಾಗಿದೆ.

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

ಇಂದು, A/B ಪರೀಕ್ಷೆ ಅನೇಕ ಉದ್ಯಮಗಳಲ್ಲಿ ಡೇಟಾ ಆಧಾರಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಪ್ರಮುಖ ಭಾಗವಾಗಿದೆ, ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಲಭಗೊಳಿಸಲು ಅನೇಕ ಸಾಫ್ಟ್‌ವೇರ್ ಸಾಧನಗಳು ಮತ್ತು ವೇದಿಕೆಗಳು ಲಭ್ಯವಿವೆ.

ಈ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು

1. ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಗುಂಪಿಗಾಗಿ ಭೇಟಿಯ ಸಂಖ್ಯೆಯನ್ನು (ಗಾತ್ರ) ನಮೂದಿಸಿ.
2. ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಗುಂಪಿನ ಪರಿವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ನಮೂದಿಸಿ.
3. ನಿಮ್ಮ ಪರಿವರ್ತನೆ ಗುಂಪಿಗಾಗಿ ಭೇಟಿಯ ಸಂಖ್ಯೆಯನ್ನು (ಗಾತ್ರ) ನಮೂದಿಸಿ.
4. ನಿಮ್ಮ ಪರಿವರ್ತನೆ ಗುಂಪಿನ ಪರಿವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ನಮೂದಿಸಿ.
5. ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಫಲಿತಾಂಶಗಳನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತದೆ.

ಫಲಿತಾಂಶಗಳ ಅರ್ಥವೇನು

• P-ಮೌಲ್ಯ: ಇದು ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನೆ ಗುಂಪುಗಳ ನಡುವಿನ ಪರಿವರ್ತನಾ ದರದಲ್ಲಿ ವ್ಯತ್ಯಾಸವು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಸಂಭವಿಸಿದೆ ಎಂಬುದಕ್ಕೆ ಸಾಧ್ಯತೆ. ಕಡಿಮೆ p-ಮೌಲ್ಯವು ಶೂನ್ಯ ಪರಿಕಲ್ಪನೆಯ ವಿರುದ್ಧದ ಶ್ರೇಷ್ಟವಾದ ಸಾಕ್ಷ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ (ಗುಂಪುಗಳ ನಡುವಿನ ಯಾವುದೇ ವಾಸ್ತವಿಕ ವ್ಯತ್ಯಾಸವಿಲ್ಲ).
• ಪರಿವರ್ತನಾ ದರ ವ್ಯತ್ಯಾಸ: ಇದು ನಿಮ್ಮ ಪರಿವರ್ತನೆ ನಿಮ್ಮ ನಿಯಂತ್ರಣಕ್ಕಿಂತ ಎಷ್ಟು ಉತ್ತಮ (ಅಥವಾ ಕೆಟ್ಟ) ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ ಎಂಬುದನ್ನು ಶೇಕಡಾ ಅಂಕಗಳಲ್ಲಿ ತೋರಿಸುತ್ತದೆ.
• ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವ: ಸಾಮಾನ್ಯವಾಗಿ, p-ಮೌಲ್ಯ 0.05 (5%) ಕ್ಕಿಂತ ಕಡಿಮೆ ಇದ್ದರೆ, ಫಲಿತಾಂಶವನ್ನು ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಈ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಈ ಗರಿಷ್ಠವನ್ನು ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಲು ಬಳಸುತ್ತದೆ.

ಫಲಿತಾಂಶಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

• ಫಲಿತಾಂಶ "ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣ" ಎಂದು ಇದ್ದರೆ, ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನೆ ಗುಂಪುಗಳ ನಡುವಿನ ಕಂಡುಬರುವ ವ್ಯತ್ಯಾಸವು ವಾಸ್ತವಿಕವಾಗಿದ್ದು, ಯಾದೃಚ್ಛಿಕ ತೊಂದರೆಗೆ ಕಾರಣವಾಗುವುದಿಲ್ಲ ಎಂಬುದರಲ್ಲಿ ನೀವು ನಂಬಿಕೆ ಹೊಂದಬಹುದು (95% ಖಚಿತತೆ).
• ಫಲಿತಾಂಶ "ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವಲ್ಲ" ಎಂದು ಇದ್ದರೆ, ಗುಂಪುಗಳ ನಡುವಿನ ವಾಸ್ತವಿಕ ವ್ಯತ್ಯಾಸವಿದೆ ಎಂದು ನಿರ್ಧರಿಸಲು ಸಾಕಷ್ಟು ಸಾಕ್ಷ್ಯವಿಲ್ಲ. ನೀವು ಪರೀಕ್ಷೆಯನ್ನು ಹೆಚ್ಚು ಕಾಲ ನಡೆಸಬೇಕಾಗಬಹುದು ಅಥವಾ ಹೆಚ್ಚು ಭಾಗವಹಿಸುವವರೊಂದಿಗೆ ನಡೆಸಬೇಕಾಗಬಹುದು.

ಮಿತಿಗಳು ಮತ್ತು ಪರಿಗಣನೆಗಳು

• ಈ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಲೆಕ್ಕಾಚಾರಕ್ಕಾಗಿ ಎರಡು-ಗೋಲು z-ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸುತ್ತದೆ.
• ಇದು ಬಹುಪರೀಕ್ಷೆ, ಕ್ರಮಬದ್ಧ ಪರೀಕ್ಷೆ ಅಥವಾ ವಿಭಾಗ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಗಮನದಲ್ಲಿಡುವುದಿಲ್ಲ.
• ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವದೊಂದಿಗೆ ಪ್ರಾಯೋಗಿಕ ಮಹತ್ವವನ್ನು ಪರಿಗಣಿಸುವುದು ಯಾವಾಗಲೂ ಮುಖ್ಯವಾಗಿದೆ. ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವಾದ ಫಲಿತಾಂಶವು ನಿಮ್ಮ ವ್ಯಾಪಾರಕ್ಕೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಪ್ರಮುಖವಾಗಿರದಂತೆ ಇರಬಹುದು.
• ಬಹಳ ಚಿಕ್ಕ ಮಾದರಿ ಗಾತ್ರಗಳ (ಸಾಮಾನ್ಯವಾಗಿ 30 ಕ್ಕಿಂತ ಕಡಿಮೆ)ಿಗಾಗಿ, ಸಾಮಾನ್ಯ ವಿತರಣೆಯ ಊಹೆ ಇರದಿರಬಹುದು, ಮತ್ತು ಇತರ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳು ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿರಬಹುದು.
• 0% ಅಥವಾ 100% ಗೆ ತುಂಬಾ ಹತ್ತಿರದ ಪರಿವರ್ತನಾ ದರಗಳಿಗಾಗಿ, ಸಾಮಾನ್ಯ ಸಮೀಕರಣವು ಬಿಕ್ಕಟ್ಟಾಗಬಹುದು, ಮತ್ತು ನಿಖರವಾದ ವಿಧಾನಗಳು ಅಗತ್ಯವಾಗಬಹುದು.

A/B ಪರೀಕ್ಷೆಯ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು

1. ಸ್ಪಷ್ಟ ಹಿಪೋಥಿಸಿಸ್ ಹೊಂದಿರಿ: ಪರೀಕ್ಷೆ ನಡೆಸುವ ಮೊದಲು, ನೀವು ಏನನ್ನು ಮತ್ತು ಏಕೆ ಪರೀಕ್ಷಿಸುತ್ತಿದ್ದೀರಿ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿ.
2. ಅನುವಾದಿತ ಕಾಲಾವಧಿಗೆ ಪರೀಕ್ಷೆಗಳನ್ನು ನಡೆಸಿ: ಪರೀಕ್ಷೆಗಳನ್ನು ಹೆಚ್ಚು ಬೇಗನೆ ಅಥವಾ ಹೆಚ್ಚು ಸಮಯವರೆಗೆ ನಿಲ್ಲಿಸಬೇಡಿ.
3. ಒಂದು ಬದಲಾವಣೆ ಮಾತ್ರ ಪರೀಕ್ಷಿಸಿ: ಇದು ಪ್ರತಿ ಬದಲಾವಣೆಯ ಪರಿಣಾಮವನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಗುರುತಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.
4. ಯಥಾರ್ಥವಾಗಿ ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರವನ್ನು ಬಳಸಿರಿ: ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರಗಳು ಹೆಚ್ಚು ವಿಶ್ವಾಸಾರ್ಹ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ.
5. ಬಾಹ್ಯ ಅಂಶಗಳ ಬಗ್ಗೆ ಜಾಗರೂಕವಾಗಿರಿ: ಹವಾಮಾನ ಬದಲಾವಣೆಗಳು, ಮಾರ್ಕೆಟಿಂಗ್ ಅಭಿಯಾನಗಳು ಇತ್ಯಾದಿ ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಣಾಮ ಬೀರುವ ಸಾಧ್ಯತೆ ಇದೆ.

ಉದಾಹರಣೆಗಳು

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

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

3. ಎಡ್ಜ್ ಕೇಸ್ - ಚಿಕ್ಕ ಮಾದರಿ ಗಾತ್ರ: ನಿಯಂತ್ರಣ ಗುಂಪು: 20 ಭೇಟಿಗಳು, 2 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನೆ ಗುಂಪು: 20 ಭೇಟಿಗಳು, 6 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣವಲ್ಲ (ತೀವ್ರ ಶೇಕಡಾವಾರು ವ್ಯತ್ಯಾಸವನ್ನು ಹೊರತುಪಡಿಸಿ)

4. ಎಡ್ಜ್ ಕೇಸ್ - ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರ: ನಿಯಂತ್ರಣ ಗುಂಪು: 1,000,000 ಭೇಟಿಗಳು, 200,000 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನೆ ಗುಂಪು: 1,000,000 ಭೇಟಿಗಳು, 201,000 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣ (ತೀವ್ರ ಶೇಕಡಾ ವ್ಯತ್ಯಾಸವನ್ನು ಹೊರತುಪಡಿಸಿ)

5. ಎಡ್ಜ್ ಕೇಸ್ - ತೀವ್ರ ಪರಿವರ್ತನಾ ದರಗಳು: ನಿಯಂತ್ರಣ ಗುಂಪು: 10,000 ಭೇಟಿಗಳು, 9,950 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನೆ ಗುಂಪು: 10,000 ಭೇಟಿಗಳು, 9,980 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವಪೂರ್ಣ, ಆದರೆ ಸಾಮಾನ್ಯ ಸಮೀಕರಣ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿರದ ಸಾಧ್ಯತೆ ಇದೆ

ಮೆಚ್ಚಿನ A/B ಪರೀಕ್ಷೆ ಒಂದು ನಿರಂತರ ಪ್ರಕ್ರಿಯೆ. ಪ್ರತಿ ಪರೀಕ್ಷೆಯಿಂದ ಪಡೆದ ಮಾಹಿತಿಯನ್ನು ನಿಮ್ಮ ಭವಿಷ್ಯದ ಪ್ರಯೋಗಗಳನ್ನು ಮಾಹಿತಿ ನೀಡಲು ಬಳಸಿರಿ ಮತ್ತು ನಿಮ್ಮ ಡಿಜಿಟಲ್ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಮಾರ್ಕೆಟಿಂಗ್ ಪ್ರಯತ್ನಗಳನ್ನು ನಿರಂತರವಾಗಿ ಸುಧಾರಿಸಿ.

ಕೋಡ್ ತುಣುಕುಗಳು

ಇಲ್ಲಿ ವಿವಿಧ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳಲ್ಲಿ A/B ಪರೀಕ್ಷಾ ಲೆಕ್ಕಾಚಾರವನ್ನು ಅನುಷ್ಠಾನಗೊಳಿಸುವುದಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ ಕೆಲವು ಉದಾಹರಣೆಗಳಿವೆ:

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 ವಿವರಿಸುವ SVG ಚಿತ್ರಣ ಇಲ್ಲಿದೆ:

ಈ ಚಿತ್ರವು A/B ಪರೀಕ್ಷಾ ಲೆಕ್ಕಾಚಾರಗಳಿಗೆ ಆಧಾರವಾಗಿರುವ ಸಾಮಾನ್ಯ ವಿತರಣಾ ವಕ್ರವನ್ನು ತೋರಿಸುತ್ತದೆ. ಮೀನ್‌ನಿಂದ -1.96 ಮತ್ತು +1.96 ಮಾನದಂಡಗಳ ನಡುವಿನ ಪ್ರದೇಶವು 95% ವಿಶ್ವಾಸಾರ್ಹ ಅಂತರವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನೆ 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 ನವೀಕರಣಗಳು A/B ಪರೀಕ್ಷೆಯ ಕುರಿತು ಹೆಚ್ಚು ಸಂಪೂರ್ಣ ಮತ್ತು ವಿವರವಾದ ವಿವರಣೆಯನ್ನು ಒದಗಿಸುತ್ತವೆ, ಸಂಖ್ಯಾತ್ಮಕ ಸೂತ್ರಗಳು, ಕೋಡ್ ಅನುಷ್ಠಾನಗಳು, ಐತಿಹಾಸಿಕ ಪರಿಕರ ಮತ್ತು ದೃಶ್ಯಾತ್ಮಕ ಪ್ರತಿನಿಧಿಯನ್ನು ಒಳಗೊಂಡಂತೆ. ವಿಷಯವು ವಿವಿಧ ಎಡ್ಜ್ ಕೇಸ್‌ಗಳನ್ನು ಈಗಾಗಲೇ ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡಿದೆ ಮತ್ತು ವಿಷಯದ ವಿಷಯವನ್ನು ಹೆಚ್ಚು ಸಂಪೂರ್ಣವಾಗಿ ನೀಡುತ್ತದೆ.