د سپوټایف د هوښیار A/B ازموینې راز (اشاره: دا یوازې احصایې ندي)

د میټریکي ډولونه او د دوی hypothesis او 2.1 د میټریکي ډولونه

2.2 د مختلفو ډولونو د نمونې hypotheses

Monte Carlo Simulation Study

5.1 پایلې

د بحث او پایلې

پیژندنه A: د پروژې 4.1 د اضافي اړتیاوو سره د اغیزمنۍ د ښه کولو

پیژندل B: د نړۍ د غلط او حق مثبت نرخونه نمونې

APPLICATION C: د ټیسټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټینټدايرې C:د مخکښ C: د ټیکنالوژۍ په اړه یو نوټ

APPENDIX D: د NYHOLT پروژې کارولو سره د مستقل تجربو اغیزمن شمېر

د نندارتون او اشاره

ټایټ ډاټا. په وروستیو کلونو کې، A / B ټیسټونه د تکنالوژۍ شرکتونو کې د محصول غوښتنلیکونه جوړولو معياري روش دی. دوی د محصول د پرمختګ لپاره د معياري hypothesis ټیسټونه کاروي چې د غلط غوښتنلیکونو خطرونو کنټرول کړي. په معمول ډول، د A / B ټیسټونو کې د مختلفو مقاصد لپاره کارول شوي دي، لکه د بریالیتوب د ارزښتونو جوړولو، د ریګریزونو مخنیوی، یا د ټیسټ اعتبار تصدیق کولو. د ډیرو پایلو سره د A / B ټیسټونو کې خطرونو کمولو لپاره، دا مهم دی چې د ډیزاین او تحلیل د دغو پایلو مختلفو رولونو سره سمون شي. دا کاغذ د تجربو د ارزښتونو په اړه دپړاو

1. د انډول

د راندومیز تجربو د سببي اړیکو د شواهد برابرولو لپاره د ګولډن معیار دي. د عصري تکنالوژۍ شرکتونه د A / B ازموینې، په ډیجیټل حالت کې د راندومیز کنټرول شوي آزموینې، په پراخه کچه د خپلو توليداتو کې د نوي بدلونونو اغیزمنتیا تبادله کوي. دا محصولات شامل دي ride-sharing اپلیکیشنونه، څیړنې انجنونه، سټراییم خدمتونه، سپارښتنه او نور. په پایله کې، د دغو تجربو هدف دا ده چې آیا یا نه یو محصول بدلون په پراخه کچه اعلان کړي.

د randomized تجربو لپاره د اټکل شوي تجربو په اړه د اټکل شوي تجربو په اړه اکثریت په یو واحد پایلې کې د یو واحد پایلې کې د شتون ټسټ کې تمرکز کوي، او څنګه د اټکل کولو لپاره د ډول I او ډول II غلطی نرخونو سره تړاو وکړي. په هرصورت، تجربو د انفرادي پایلو په اړه یو واحد ټسټ نه دي. په بل کې، د خطرونه چې مهم دي د محصول لپاره غلط انتخاب کولو خطرونه دي. د مثال په توګه، د ټیکنالوژۍ شرکت کې لکه Spotify، موږ غواړو چې محدود کړئ چې څومره موږ د محصول د بدلونونو ته وړاندیز کوو چې په حقیقت کې نه لري، او څومره موږ د بدلونونو ته وړاندیز نه کوو چې د پرمختګونو ته رامینځته کوو مګر موږ نه لرو

د آنلاین تجربو په کتابتون کې، د څو ازموینې د حل کولو یوازې برخه چې په پراخه کچه پوښل کیږي د څو ازموینې اصلاح دی. د څو ازموینې اصلاحات، لکه Bonferroni، هولم [7] او هومل [8]، د ډول I د غلطی کچه د غیرقانوني فیصلہ قاعده ته تړاو لري چې اعلان کوي چې تاسو به د انفرادي hypothesis ازموینې پایلو په اساس څه فیصلہ وکړئ. لکه څنګه چې موږ به په پراخه کچه په دې کاغذ کې بحث وکړئ، که تاسو غواړئ چې ستاسو د فیصلہ قاعده د څو ازموینې اصلاح په لټه کې وي، دا عموما غلط دی.

په دې کاغذ کې، موږ ښيي چې څنګه دا امکان دی چې د تجربو د فیصلہ کولو پروسه رسمي کړي د معياري hypothesis ازموینې چارچوب له الرې. د دې تضمین لپاره چې تاسو د محصول د فیصلہ لپاره د اړتیا وړ خطر محدودیتونه ترلاسه کړئ، دا ده چې په ځانګړې توګه د فیصلہ قواعدو مشخص کړئ. د فیصلہ قواعد په بشپړه توګه مشخص کوي چې تاسو به د تجربو پایلو په اساس هغه محصول د فیصلہ ترلاسه کړئ. مهم، د غلطې فیصلہ کولو خطرونو سره تړاو کولو لپاره، ستاسو د تجربو ډیزاین او تحلیل باید د فیصلہ قواعد سره په ژوره توګه تړاو وي.

د فیصلہ قواعدو د مختلفو دلیلونو له امله مهم دی. د هغه څه په اړه چې د پایلو په اړه معلوم نلري چې د مثبت محصول فیصلې ته اړتيا لري، معنی لري چې د تجربې خطرونو لپاره د شرکت لپاره اړین کچه په مناسب توګه کنټرول لپاره د میکانیزم نه شتون لري، د دې لپاره چې د ځانګړتیا ته رسولو یا نه. برسېره پر دې، د یو articulated او معياري انتخاب قواعد لګښت کیدی شي چې د سازمان په مختلفو ټیمونو یا برخو کې د مختلفو معیارونو ته اړتيا لري. زموږ د فیصلہ قواعد فریم ورکشاپ د دغو مسلو لپاره یو ساده مګر اغیزمن لارښود ده.

د فیصلہ قواعد فریم ورک د تجربو تجزیه کولو ته مرسته کوي او د تجربې پلیټ فارمونو لپاره یو ګټور وسیله ده. هغه څه چې د فیصلہ قواعد شامل دي کولی شي ډیر یا لږ انعطاف شي. د مثال په توګه، د نوي تجربو کولی شي د ثابتولو ته اړتیا ولري چې مهم شرکت مقناطیسي ندي منفي اغېز نه لري په داسې حال کې چې د مقناطیسي ټولې غوره کول چې باید د پرمختګ ښودل شي په بشپړه توګه د تجربو لپاره جوړ شوی دی. حتی که د مقناطیسي انتخاب په بشپړه توګه د مقناطیسي له خوا د پلیټ فارم له خوا اړتيا نه کوي، د فیصلہ قواعد لارښوونې د بریالیتوب تجربو په اړه یو مشترکه درک ته وده ورکوي.

د دې کاغذ په اوږدو کې، او په عمومي توګه د کمولو له امله، موږ یوازې د دوو ګروپونو سره تجربو په پام کې ونیسئ چې د نمونې په ساده کولو لپاره. برسېره پر دې، موږ یوازې د یوځای ټیسټونو په پام کې ونیسئ، که څه هم د یوځای ټیسټ څخه زیات د هر میټریک لپاره کارول کیدی شي. موږ خپل ځان د یوځای ټیسټونو ته محدود کوو ځکه چې د میټریک کې د بدلون لپاره اړتیا لري چې د محصول کې د اندازه کولو لپاره د ښه کولو لپاره کارول شي. د ساده کولو لپاره، موږ فرض کوو چې د ټولو میټریکونه په پرتله ښه وي. برسېره پر دې، موږ فرض کوو چې هر اساتټیټیټ hypothesis ټیسټ ارزښت دی او د ډول I او ډول II

دا کاغذ تولید شوی په arxiv لاندې CC BY 4.0 DEED لائسنس.