النشرة الإخبارية
Sed ut perspiciatis unde.
ماذا تفعل عندما تختلف وحدة المراقبة عن وحدة التوزيع العشوائي
تعتبر اختبارات A/B المعيار الذهبي للاستدلال السببي لأنها تتيح لنا تقديم بيانات سببية صحيحة في ظل الحد الأدنى من الافتراضات، وذلك بفضل العشوائية. في الواقع، عن طريق التعيين العشوائي ل علاج (دواء، إعلان، منتج،…)، نحن قادرون على المقارنة حصيلة محل اهتمام (مرض، إيرادات الشركة، رضا العملاء، …) عبر المواضيع (المرضى، المستخدمين، العملاء، …) ونعزو متوسط الفرق في النتائج إلى التأثير السببي للعلاج.
في بعض الأحيان يحدث أن وحدة مهمة العلاج تختلف عن وحدة الملاحظة. بمعنى آخر، نحن لا نتخذ القرار بشأن التعامل مع كل ملاحظة على حدة، بل في مجموعات. على سبيل المثال، قد نقرر التعامل مع جميع العملاء في منطقة معينة مع ملاحظة النتائج على مستوى العميل، أو التعامل مع جميع المقالات الخاصة بعلامة تجارية معينة، مع ملاحظة النتائج على مستوى المقالة. يحدث هذا عادة بسبب القيود العملية. في المثال الأول ما يسمى التجارب الجغرافيةيحدث ذلك لأننا غير قادرين على تتبع المستخدمين بسبب إيقاف ملفات تعريف الارتباط.
عندما يحدث هذا، تكون آثار العلاج غير مستقل عبر الملاحظات بعد الآن. في الواقع، إذا تمت معاملة عميل في منطقة ما، فسيتم أيضًا التعامل مع العملاء الآخرين في نفس المنطقة. إذا لم تتم معالجة منتج من إحدى العلامات التجارية، فلن تتم أيضًا معالجة سلع أخرى من نفس العلامة التجارية. عند إجراء الاستدلال، علينا أن نأخذ هذا الاعتماد في الاعتبار: يجب تعديل الأخطاء القياسية وفترات الثقة والقيم الاحتمالية. في هذه المقالة، سوف نستكشف كيفية القيام بذلك باستخدام الأخطاء القياسية القوية الكتلة.
تخيل أنك منصة عبر الإنترنت وكنت مهتمًا بزيادة المبيعات. لقد كانت لديك فكرة رائعة للتو: عرض ملف دائري من المقالات ذات الصلة عند الخروج لتحفيز العملاء على إضافة مقالات أخرى إلى سلة التسوق الخاصة بهم. لكي تفهم ما إذا كان الرف الدائري يزيد من المبيعات، عليك أن تقرر اختباره من قبل AB. من حيث المبدأ، يمكنك أن تقرر بشكل عشوائي لكل طلب ما إذا كنت تريد عرض الرف الدائري أم لا. ومع ذلك، فإن هذا من شأنه أن يعطي…
اكتشاف المزيد من موقع علم
اشترك للحصول على أحدث التدوينات المرسلة إلى بريدك الإلكتروني.
