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 ಹೋಲಿಸುವ ಮೂಲಕ ಯಾವುದು ಉತ್ತಮವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ. ನಮ್ಮ A/B ಪರೀಕ್ಷಾ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ನಿಮ್ಮ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳ ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ನೀವು ಡೇಟಾ ಆಧಾರಿತ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ.

ಸೂತ್ರ

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

1. ಪ್ರತಿ ಗುಂಪಿನ ಪರಿವರ್ತನೆ 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 ಪರಿವರ್ತನೆ ದರಗಳು
   • $x_1$ ಮತ್ತು $x_2$ ಪರಿವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯು
   • $n_1$ ಮತ್ತು $n_2$ ಒಟ್ಟು ಭೇಟಿಯ ಸಂಖ್ಯೆಯು

2. ಒಟ್ಟುಗೂಡಿದ ಅನುಪಾತವನ್ನು ಲೆಕ್ಕಹಾಕಿ:

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

3. ಪ್ರಮಾಣಿತ 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 ಸಮಾಕಲಿತ ವಿತರಣಾ ಕಾರ್ಯವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ. ಬಹುತೇಕ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳಲ್ಲಿ, ಇದು ನಿರ್ಮಿತ ಕಾರ್ಯಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾಡಲಾಗುತ್ತದೆ.

6. ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಿ:

   ಆಯ್ಕೆಯಾದ ಸಂಖ್ಯಾತ್ಮಕ ಮಟ್ಟ (ಸಾಮಾನ್ಯವಾಗಿ 0.05) ಕ್ಕಿಂತ ಕಡಿಮೆ ಇದ್ದರೆ, ಫಲಿತಾಂಶವನ್ನು ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವದ್ದಾಗಿರುವುದಾಗಿ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.

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

ಉಪಯೋಗ ಪ್ರಕರಣಗಳು

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 ಸಾಲುಗಳು, ಜಾಹೀರಾತು ಪ್ರತಿಗಳು ಅಥವಾ ಲ್ಯಾಂಡಿಂಗ್ ಪುಟ ವಿನ್ಯಾಸಗಳನ್ನು ಹೋಲಿಸುವುದು.
3. ಸಾಫ್ಟ್‌ವೇರ್ ಅಭಿವೃದ್ಧಿ: ಬಳಕೆದಾರರ ತೊಡಕು ಹೆಚ್ಚಿಸಲು ವಿಭಿನ್ನ ಬಳಕೆದಾರ ಇಂಟರ್ಫೇಸ್ ವಿನ್ಯಾಸಗಳು ಅಥವಾ ವೈಶಿಷ್ಟ್ಯಗಳ ಕಾರ್ಯಗತಗೊಳಿಸುವಿಕೆಗಳನ್ನು ಪರೀಕ್ಷಿಸುವುದು.
4. ವಿಷಯ ಸೃಷ್ಟಿ: ಓದುಗರ ಅಥವಾ ಹಂಚಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ವಿಭಿನ್ನ ಶೀರ್ಷಿಕೆಗಳು ಅಥವಾ ವಿಷಯ ರೂಪಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು.
5. ಆರೋಗ್ಯ ಸೇವೆ: ವಿಭಿನ್ನ ಚಿಕಿತ್ಸೆ ಪ್ರೋಟೋಕಾಲ್‌ಗಳು ಅಥವಾ ರೋಗಿ ಸಂವಹನ ವಿಧಾನಗಳ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಹೋಲಿಸುವುದು.

ಪರ್ಯಾಯಗಳು

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

1. ಬಹುಚರ ಪರೀಕ್ಷೆ: ಒಂದೇ ಸಮಯದಲ್ಲಿ ಹಲವಾರು ಚರಗಳನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ, ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಹೋಲನೆಗಳಿಗೆ ಅನುಮತಿಸುತ್ತದೆ ಆದರೆ ಹೆಚ್ಚು ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರಗಳನ್ನು ಅಗತ್ಯವಿದೆ.
2. ಬ್ಯಾಂಡಿಟ್ ಆಲ್ಗಾರಿದಮ್‌ಗಳು: ಉತ್ತಮ ಕಾರ್ಯನಿರ್ವಹಣೆಯ ಆವೃತ್ತಿಗಳಿಗೆ ಟ್ರಾಫಿಕ್ ಅನ್ನು ಚಲಾಯಿಸುತ್ತವೆ, ಸಮಯದಲ್ಲಿ ಫಲಿತಾಂಶಗಳನ್ನು ಸುಧಾರಿಸುತ್ತವೆ.
3. ಬೇಯ್ಸಿಯನ್ A/B ಪರೀಕ್ಷೆ: ಡೇಟಾ ಸಂಗ್ರಹಣೆಯಂತೆ ನಿರಂತರವಾಗಿ ಸಂಭವನೀಯತೆಗಳನ್ನು ನವೀಕರಿಸಲು ಬೇಯ್ಸಿಯನ್ ಊಹೆಯನ್ನು ಬಳಸುತ್ತದೆ, ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.
4. ಕೋಹೋರ್ಟ್ ವಿಶ್ಲೇಷಣೆ: ಸಮಯದೊಂದಿಗೆ ವಿಭಿನ್ನ ಬಳಕೆದಾರ ಗುಂಪುಗಳ ವರ್ತನೆಯ ಹೋಲನೆ, ದೀರ್ಘಕಾಲೀನ ಪರಿಣಾಮಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಉಪಯುಕ್ತ.

ಇತಿಹಾಸ

A/B ಪರೀಕ್ಷೆಯ ಕಲ್ಪನೆ 20ನೇ ಶತಮಾನದ ಆರಂಭದಲ್ಲಿ ಕೃಷಿ ಮತ್ತು ವೈದ್ಯಕೀಯ ಸಂಶೋಧನೆಯಲ್ಲಿದೆ. ಬ್ರಿಟಿಷ್ ಸಂಖ್ಯಶಾಸ್ತ್ರಜ್ಞ ಸರ್ ರೊನಾಲ್ಡ್ ಫಿಷರ್ 1920ರ ದಶಕದಲ್ಲಿ ಯಾದೃಚ್ಛಿಕ ನಿಯಂತ್ರಿತ ಪ್ರಯೋಗಗಳ ಬಳಸುವ ಮೂಲಕ ಈ ವಿಧಾನವನ್ನು ಪ್ರಾರಂಭಿಸಿದರು, ಇದು ಆಧುನಿಕ A/B ಪರೀಕ್ಷೆಯ ನೆಲೆಗಳನ್ನು ಹಾಕಿತು.

ಡಿಜಿಟಲ್ ಕ್ಷೇತ್ರದಲ್ಲಿ, A/B ಪರೀಕ್ಷೆ 1990ರ ದಶಕದ ಅಂತ್ಯ ಮತ್ತು 2000ರ ಆರಂಭದಲ್ಲಿ ಇ-ಕಾಮರ್ಸ್ ಮತ್ತು ಡಿಜಿಟಲ್ ಮಾರ್ಕೆಟಿಂಗ್ ಏರಿಯ ಏರಿಕೆಗೆ ಪ್ರಸಿದ್ಧಿಯನ್ನೂ ಗಳಿಸಿತು. ಗೂಗಲ್ A/B ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸಿಕೊಂಡು ಶೋಧ ಫಲಿತಾಂಶಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು ಸೂಕ್ತ ಸಂಖ್ಯೆಯನ್ನು ನಿರ್ಧರಿಸುವ (2000) ಮತ್ತು ಅಮೆಜಾನ್ ವೆಬ್‌ಸೈಟ್ ಸುಧಾರಣೆಗೆ ಈ ವಿಧಾನವನ್ನು ವ್ಯಾಪಕವಾಗಿ ಬಳಸುವುದು ಡಿಜಿಟಲ್ A/B ಪರೀಕ್ಷೆಯ ಪ್ರಸಿದ್ಧಿಕೆಗೆ ಪ್ರಮುಖ ಕ್ಷಣಗಳಾಗಿವೆ.

A/B ಪರೀಕ್ಷೆಯಲ್ಲಿ ಬಳಸುವ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳು ಕಾಲಕಾಲಕ್ಕೆ ಅಭಿವೃದ್ಧಿಯಾಗಿವೆ, ಮೊದಲ ಪರೀಕ್ಷೆಗಳು ಸರಳ ಪರಿವರ್ತನೆ ದರ ಹೋಲನೆಗಳನ್ನು ಅವಲಂಬಿಸುತ್ತವೆ. z-ಸ್ಕೋರ್‌ಗಳು ಮತ್ತು p-ಮೌಲ್ಯಗಳಂತಹ ಹೆಚ್ಚು ಸುಧಾರಿತ ಸಂಖ್ಯಾತ್ಮಕ ತಂತ್ರಜ್ಞಾನಗಳ ಪರಿಚಯವು A/B ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳ ಖಚಿತತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಸುಧಾರಿಸಿದೆ.

ಇಂದು, A/B ಪರೀಕ್ಷೆ ಅನೇಕ ಉದ್ಯಮಗಳಲ್ಲಿ ಡೇಟಾ ಆಧಾರಿತ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಭಾಗವಾಗಿದೆ, ಈ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಸುಲಭಗೊಳಿಸಲು ಹಲವಾರು ಸಾಫ್ಟ್‌ವೇರ್ ಉಪಕರಣಗಳು 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 ಪರಿವರ್ತನೆ ಗುಂಪಿನ ಭೇಟಿಗಳ (ಗಾತ್ರ) ಸಂಖ್ಯೆಯನ್ನು ನಮೂದಿಸಿ.
4. ನಿಮ್ಮ ಪರಿವರ್ತನೆ ಗುಂಪಿನ ಪರಿವರ್ತನೆಗಳ ಸಂಖ್ಯೆಯನ್ನು ನಮೂದಿಸಿ.
5. ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಫಲಿತಾಂಶಗಳನ್ನು ಲೆಕ್ಕಹಾಕುತ್ತದೆ.

ಫಲಿತಾಂಶಗಳ ಅರ್ಥವೇನು

• p-ಮೌಲ್ಯ: ಇದು ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನೆ ಗುಂಪುಗಳ ನಡುವಿನ ಪರಿವರ್ತನೆ ದರದಲ್ಲಿ ವ್ಯತ್ಯಾಸವು ಯಾದೃಚ್ಛಿಕವಾಗಿ ಸಂಭವಿಸಿದೆ ಎಂಬುದರ ಸಂಭವನೀಯತೆ. ಕಡಿಮೆ p-ಮೌಲ್ಯವು ಶೂನ್ಯ ಪರಿಕಲ್ಪನೆಯ ವಿರುದ್ಧದ ಶಕ್ತಿಯುತ ಸಾಕ್ಷ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ (ಗುಂಪುಗಳ ನಡುವಿನ ಯಾವುದೇ ವಾಸ್ತವ ವ್ಯತ್ಯಾಸವಿಲ್ಲ).
• ಪರಿವರ್ತನೆ ದರ ವ್ಯತ್ಯಾಸ: ಇದು ನಿಮ್ಮ ಪರಿವರ್ತನೆ ನಿಮ್ಮ ನಿಯಂತ್ರಣಕ್ಕಿಂತ ಎಷ್ಟು ಉತ್ತಮ (ಅಥವಾ ಕೆಟ್ಟ) ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿದೆ ಎಂಬುದನ್ನು ಶೇಕಡಾವಾರು ಅಂಕಿಗಳಲ್ಲಿಯೇ ತೋರಿಸುತ್ತದೆ.
• ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವ: ಸಾಮಾನ್ಯವಾಗಿ, p-ಮೌಲ್ಯವು 0.05 (5%) ಕ್ಕಿಂತ ಕಡಿಮೆ ಇದ್ದರೆ, ಫಲಿತಾಂಶವನ್ನು ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವದ್ದಾಗಿರುವುದಾಗಿ ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ. ಈ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಈ ತಳಹದಿಯನ್ನು ಮಹತ್ವವನ್ನು ನಿರ್ಧರಿಸಲು ಬಳಸುತ್ತದೆ.

ಫಲಿತಾಂಶಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವುದು

• ಫಲಿತಾಂಶ "ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆ" ಎಂಬುದಾಗಿ ತೋರಿದರೆ, ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನೆ ಗುಂಪುಗಳ ನಡುವಿನ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವು ಯಾದೃಚ್ಛಿಕ ಕಾರಣದಿಂದ ಅಲ್ಲ ಎಂದು ನೀವು ಖಚಿತವಾಗಿ (95% ಖಚಿತತೆಯೊಂದಿಗೆ) ಒಪ್ಪಿಕೊಳ್ಳಬಹುದು.
• ಫಲಿತಾಂಶ "ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವದ್ದಲ್ಲ" ಎಂದು ತೋರಿಸಿದರೆ, ಗುಂಪುಗಳ ನಡುವಿನ ವಾಸ್ತವ ವ್ಯತ್ಯಾಸವಿದೆ ಎಂದು ನಿರ್ಧರಿಸಲು ಸಾಕಷ್ಟು ಸಾಕ್ಷ್ಯವಿಲ್ಲ. ನೀವು ಪರೀಕ್ಷೆಯನ್ನು ಹೆಚ್ಚು ಸಮಯ ಅಥವಾ ಹೆಚ್ಚು ಭಾಗವಹಿಸುವವರೊಂದಿಗೆ ನಡೆಸಬೇಕಾಗಬಹುದು.

ಮಿತಿಗಳು ಮತ್ತು ಪರಿಗಣನೆಗಳು

• ಈ ಕ್ಯಾಲ್ಕುಲೇಟರ್ ಸಾಮಾನ್ಯ ವಿತರಣೆಯನ್ನು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ಲೆಕ್ಕಾಚಾರಕ್ಕಾಗಿ ಎರಡು-ಮುಖ z-ಪರೀಕ್ಷೆಯನ್ನು ಬಳಸುತ್ತದೆ.
• ಇದು ಬಹುಪರೀಕ್ಷೆ, ಕ್ರಮಬದ್ಧ ಪರೀಕ್ಷೆ ಅಥವಾ ವಿಭಾಗ ವಿಶ್ಲೇಷಣೆಯಂತಹ ಅಂಶಗಳನ್ನು ಪರಿಗಣಿಸುವುದಿಲ್ಲ.
• ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವವನ್ನು ಪ್ರಾಯೋಗಿಕ ಮಹತ್ವದೊಂದಿಗೆ ಪರಿಗಣಿಸುವುದನ್ನು ಸದಾ ಪರಿಗಣಿಸಿ. ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವದ್ದಾದ ಫಲಿತಾಂಶವು ನಿಮ್ಮ ವ್ಯವಹಾರಕ್ಕೆ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಮುಖ್ಯವಾಗದಂತೆ ಇರಬಹುದು.
• ಅತ್ಯಂತ ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರಗಳ (ಸಾಮಾನ್ಯವಾಗಿ 30 ಕ್ಕಿಂತ ಕಡಿಮೆ ಪ್ರತಿ ಗುಂಪಿಗೆ) ಗಾಗಿ, ಸಾಮಾನ್ಯ ವಿತರಣೆಯ ಊಹೆ ಇರದಿರಬಹುದು, ಮತ್ತು ಇತರ ಸಂಖ್ಯಾತ್ಮಕ ವಿಧಾನಗಳು ಹೆಚ್ಚು ಸೂಕ್ತವಾಗಿರಬಹುದು.
• 0% ಅಥವಾ 100% ಗೆ ಅತ್ಯಂತ ಹತ್ತಿರದ ಪರಿವರ್ತನೆ ದರಗಳಿಗಾಗಿ, ಸಾಮಾನ್ಯ ಸಮಾನೀಕರಣವು ಕುಸಿಯಬಹುದು, ಮತ್ತು ಖಚಿತ ವಿಧಾನಗಳನ್ನು ಅಗತ್ಯವಿರಬಹುದು.

A/B ಪರೀಕ್ಷೆಯ ಉತ್ತಮ ಅಭ್ಯಾಸಗಳು

1. ಸ್ಪಷ್ಟ ಪರಿಕಲ್ಪನೆಯಿರಲಿ: ಪರೀಕ್ಷೆ ನಡೆಸುವ ಮೊದಲು, ನೀವು ಏನನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಿದ್ದೀರಿ ಮತ್ತು ಏಕೆ ಎಂಬುದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಿರ್ಧರಿಸಿ.
2. ಅನುಕೂಲಕರ ಅವಧಿಗೆ ಪರೀಕ್ಷೆ ನಡೆಸಿ: ಪರೀಕ್ಷೆಗಳನ್ನು ತುಂಬಾ ಬೇಗನೆ ನಿಲ್ಲಿಸಬೇಡಿ ಅಥವಾ ಹೆಚ್ಚು ಕಾಲ ಓಡಬೇಡಿ.
3. ಒಬ್ಬೇ ಚರವನ್ನು ಮಾತ್ರ ಪರೀಕ್ಷಿಸಿ: ಇದು ಪ್ರತಿಯೊಂದು ಬದಲಾವಣೆಯ ಪರಿಣಾಮವನ್ನು ಪ್ರತ್ಯೇಕಗೊಳಿಸಲು ಸಹಾಯಿಸುತ್ತದೆ.
4. ಯೋಗ್ಯವಾದ ಮಾದರಿ ಗಾತ್ರವನ್ನು ಬಳಸಿರಿ: ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರಗಳು ಹೆಚ್ಚು ನಿಖರವಾದ ಫಲಿತಾಂಶಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ.
5. ಬಾಹ್ಯ ಅಂಶಗಳ ಬಗ್ಗೆ ಅರಿವಾಗಿರಿ: ಋತುವಿನ ಬದಲಾವಣೆಗಳು, ಮಾರ್ಕೆಟಿಂಗ್ ಅಭಿಯಾನಗಳು ಇತ್ಯಾದಿ ನಿಮ್ಮ ಫಲಿತಾಂಶಗಳನ್ನು ಪರಿಣಾಮಿತಗೊಳಿಸಬಹುದು.

ಉದಾಹರಣೆಗಳು

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

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

3. ಕಿವಿ ಪ್ರಕರಣ - ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರ: ನಿಯಂತ್ರಣ ಗುಂಪು: 20 ಭೇಟಿಗಳು, 2 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನೆ ಗುಂಪು: 20 ಭೇಟಿಗಳು, 6 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವದ್ದಲ್ಲ (ತೀವ್ರ ಶೇಕಡಾವಾರು ವ್ಯತ್ಯಾಸವಿರುವಾಗ)

4. ಕಿವಿ ಪ್ರಕರಣ - ದೊಡ್ಡ ಮಾದರಿ ಗಾತ್ರ: ನಿಯಂತ್ರಣ ಗುಂಪು: 1,000,000 ಭೇಟಿಗಳು, 200,000 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನೆ ಗುಂಪು: 1,000,000 ಭೇಟಿಗಳು, 201,000 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆ (ತೀವ್ರ ಶೇಕಡಾವಾರು ವ್ಯತ್ಯಾಸವಿರುವಾಗ)

5. ಕಿವಿ ಪ್ರಕರಣ - ತೀವ್ರ ಪರಿವರ್ತನೆ ದರಗಳು: ನಿಯಂತ್ರಣ ಗುಂಪು: 10,000 ಭೇಟಿಗಳು, 9,950 ಪರಿವರ್ತನೆಗಳು ಪರಿವರ್ತನೆ ಗುಂಪು: 10,000 ಭೇಟಿಗಳು, 9,980 ಪರಿವರ್ತನೆಗಳು ಫಲಿತಾಂಶ: ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆ, ಆದರೆ ಸಾಮಾನ್ಯ ಸಮಾನೀಕರಣವು ನಿಖರವಾಗಿರದಿರಬಹುದು

ಮರೆತುಬೇಡಿ, A/B ಪರೀಕ್ಷೆ ನಿರಂತರ ಪ್ರಕ್ರಿಯೆ. ಪ್ರತಿ ಪರೀಕ್ಷೆಯಿಂದ ಪಡೆದ ಮಾಹಿತಿಗಳನ್ನು ಬಳಸಿಕೊಂಡು ನಿಮ್ಮ ಭವಿಷ್ಯದ ಪ್ರಯೋಗಗಳನ್ನು ಮಾಹಿತಿ ನೀಡಲು ಮತ್ತು ನಿಮ್ಮ ಡಿಜಿಟಲ್ ಉತ್ಪನ್ನಗಳು ಮತ್ತು ಮಾರ್ಕೆಟಿಂಗ್ ಪ್ರಯತ್ನಗಳನ್ನು ನಿರಂತರವಾಗಿ ಸುಧಾರಿಸಲು.

ಕೋಡ್ ಸ್ನಿಪ್ಪೆಟ್‌ಗಳು

ಇಲ್ಲಿ ವಿವಿಧ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಗಳಲ್ಲಿ A/B ಪರೀಕ್ಷಾ ಲೆಕ್ಕಾಚಾರದ ಅನುಷ್ಠಾನಗಳಿವೆ:

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

ಇಲ್ಲಿ A/B ಪರೀಕ್ಷೆಯ ಸಂಖ್ಯಾತ್ಮಕ ಮಹತ್ವವನ್ನು ವಿವರಿಸುವ SVG ಚಿತ್ರಣವಿದೆ:

ಈ ಚಿತ್ರಣವು A/B ಪರೀಕ್ಷಾ ಲೆಕ್ಕಾಚಾರಗಳ ಆಧಾರವಾಗಿರುವ ಸಾಮಾನ್ಯ ವಿತರಣಾ ವಕ್ರವನ್ನು ತೋರಿಸುತ್ತದೆ. ಮೀನ್‌ನಿಂದ -1.96 ಮತ್ತು +1.96 ಪ್ರಮಾಣಿತ ವ್ಯತ್ಯಾಸಗಳ ನಡುವಿನ ಪ್ರದೇಶವು 95% ವಿಶ್ವಾಸ ಮಟ್ಟವನ್ನು ಪ್ರತಿನಿಧಿಸುತ್ತದೆ. ನಿಮ್ಮ ನಿಯಂತ್ರಣ ಮತ್ತು ಪರಿವರ್ತನೆ ಗುಂಪುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸವು ಈ ಮಟ್ಟದ ಹೊರಗೆ ಬಿದ್ದರೆ, ಅದು 0.05 ಮಟ್ಟದಲ್ಲಿ ಸಂಖ್ಯಾತ್ಮಕವಾಗಿ ಮಹತ್ವದ್ದಾಗಿದೆ ಎಂದು 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 ಅಪ್‌ಡೇಟ್‌ಗಳು A/B ಪರೀಕ್ಷೆಯ ಬಗ್ಗೆ ಹೆಚ್ಚು ಸಮಗ್ರ ಮತ್ತು ವಿವರವಾದ ವಿವರಣೆಯನ್ನು ಒದಗಿಸುತ್ತವೆ, ಸಂಖ್ಯಾತ್ಮಕ ಸೂತ್ರಗಳು, ಕೋಡ್ ಅನುಷ್ಠಾನಗಳು, ಐತಿಹಾಸಿಕ ಸಂದರ್ಭ ಮತ್ತು ದೃಶ್ಯ ಪ್ರತಿನಿಧಾನವನ್ನು ಒಳಗೊಂಡಂತೆ. ವಿಷಯವು ವಿಭಿನ್ನ ಕಿವಿ ಪ್ರಕರಣಗಳನ್ನು ಈಗಾಗಲೇ ಪರಿಹರಿಸುತ್ತದೆ ಮತ್ತು ವಿಷಯದ ವಿಷಯವನ್ನು ಹೆಚ್ಚು ಸಂಪೂರ್ಣವಾಗಿ ಚಿಕಿತ್ಸೆ ನೀಡುತ್ತದೆ.