Quatre erreurs courantes lors des tests A/B et comment les résoudre
'4 erreurs courantes en tests A/B et comment les résoudre'
Améliorez vos compétences en test A/B : Remédier à quatre erreurs clés pour de meilleurs résultats
![Photo de Oscar Ivan Esquivel Arteaga sur Unsplash](https://miro.medium.com/v2/resize:fit:640/format:webp/1*6qr3nX5M4b58Yp-QO7EwdQ.png)
Le test A/B est comme une tour de Jenga, un équilibre délicat de pièces interconnectées qui constituent la base d’une expérience réussie. Tout comme dans le jeu de Jenga, où retirer le mauvais bloc peut faire s’effondrer toute la tour, le test A/B repose sur plusieurs composants travaillant ensemble. Chaque pièce représente un élément crucial du test, et si l’un d’eux échoue, l’intégrité de l’expérience peut être compromise, entraînant des résultats inexacts ou des opportunités manquées.
Et dans mes expériences, j’ai vu de si bonnes idées d’expériences s’effondrer à cause d’erreurs très courantes que commettent de nombreux scientifiques des données, moi y compris ! Et donc, je souhaite aborder avec vous quatre des erreurs les plus courantes lors des tests A/B (et comment les résoudre !).
Si vous n’êtes pas familier avec les tests A/B et que vous êtes intéressé par une carrière en science des données, je vous recommande vivement de vous familiariser au moins avec le concept.
Vous pouvez consulter mon guide ci-dessous si vous souhaitez une introduction aux tests A/B :
- Dévoiler la précision@N et le rappel@N dans un système de recommandation
- Comment faire des vidéos avec le plugin ChatGPT Visla
- Incitations Midjourney pour la conception de T-shirts
Un guide simple pour les tests A/B en science des données
Une des méthodes statistiques les plus importantes pour les scientifiques des données
towardsdatascience.com
Cela étant dit, plongeons-y !
Problème #1 : Définir la puissance statistique trop basse.
Pour rappel, la puissance statistique représente la probabilité de détecter correctement un effet réel, ou plus précisément, c’est la probabilité conditionnelle de rejeter l’hypothèse nulle étant donné qu’elle est fausse. La puissance statistique est inversement liée à la probabilité de commettre une erreur de type 2 (faux négatif).
En général, il est courant de fixer la puissance à 80% lors de la réalisation d’une étude. Selon sa définition, cela signifie que si vous fixez la puissance à 80%, vous échouerez à rejeter l’hypothèse nulle étant donné qu’elle est fausse 20% du temps. En termes plus simples, s’il y avait des effets réels dans 100 expériences menées, vous n’en détecteriez que 80 sur les 100.
We will continue to update IPGirl; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
- 10 Meilleurs Outils d’IA pour la Productivité (La Liste Définitive)
- Principaux outils de Business Intelligence 2023
- Soixante AI lance une plateforme pour désencombrer les vies numériques et ramener la joie.
- Matice Fondatrice et Professeure à Harvard, Jessica Whited, sur l’exploitation des espèces régénératrices – et de l’IA – pour des percées médicales.
- Comment utiliser la nouvelle fonction de zoom arrière sur Midjourney v5.2 (Meilleurs exemples)
- La course à la régulation de l’intelligence artificielle
- Rencontrez l’Omnivore une start-up développe une application permettant aux utilisateurs de transformer des objets en modèles 3D avec simplement leur smartphone.