Wir haben eine neue Website-Oberfläche, jetzt werden wir mehr Klicks bekommen! Werden wir also wirklich mehr Klicks bekommen?

Hier ist die Methode, die Ihnen helfen wird: A/B-Tests

Was ist A/B-Testing?

A/B-Tests sind eine statistische Methode, mit der festgestellt wird, ob zwischen den beiden Gruppen ein signifikanter Unterschied besteht. A repräsentiert die Kontrollgruppe und B repräsentiert die Versuchsgruppe. Es wird im Unternehmensbereich verwendet, um den Mehrwert zu messen, den Änderungen an Websites und mobilen Anwendungsschnittstellen in Bezug auf verschiedene Leistungsmetriken schaffen. Lassen Sie uns die Phasen des Bauchmuskeltests anhand eines Beispiels verdeutlichen:

Fall

Nehmen wir an, eine E-Commerce-Website plant, die Farbe der vorhandenen grünen Schaltfläche „In den Warenkorb“ in Rot zu ändern, um den Verkaufsdurchschnitt auf der Website zu erhöhen. Um die Auswirkung der roten Farbe des „In den Warenkorb“-Buttons auf den Kaufdurchschnitt mit einem statistischen Ansatz zu testen, wurde ein A/B-Testing angefordert.

Schritt 1: Probenahme

In diesem Schritt ist die Schaltfläche „In den Warenkorb“ in der Kontrollgruppe (A-Gruppe) für den A/B-Test grün und die Experimentalgruppe wird erstellt. Damit die Analyse zuverlässig ist, werden in den für beide Gruppen auszuwählenden Mustern dieselbe Produktseite und dieselben Preise verwendet. Darüber hinaus sind demografische Informationen, Einkaufsgewohnheiten usw. der Besucher gleichmäßig verteilt.

Schritt 2: Hypothese aufstellen

Für eine zu messende Metrik wird eine Hypothese formuliert.

● H0: Es gibt keinen statistisch signifikanten Unterschied zwischen den Einkaufsdurchschnitten der roten Schaltfläche „In den Warenkorb“ und der grünen Schaltfläche „In den Warenkorb“.

● H1: Es besteht ein statistisch signifikanter Unterschied zwischen den Kaufdurchschnitten der roten Schaltfläche „In den Warenkorb“ und der grünen Schaltfläche „In den Warenkorb“.

Schritt 2: Annahmekontrolle

1- Normalverteilungsannahme: Mit dem Shapiro-Wilk-Test testen wir, ob die Population normalverteilt ist. Wenn das Testergebnis einen p-Wert > 0,05 hat, ist die Annahme der Normalität erfüllt und wir wenden den t-Test (parametrischer Test) an. Wenn der p-Wert > 0,05 ist, ist die Normalitätsannahme nicht erfüllt.

2- Varianzhomogenität: Dieser Test wird verwendet, um zu bestimmen, ob die Varianzen zwischen Gruppen homogen sind. Einer der am häufigsten verwendeten Tests zum Testen der Varianzhomogenität ist der Levene-Test. Wenn der p-Wert des Testergebnisses > 0,05 ist, wird Varianzhomogenität erreicht. Wenn der p-Wert <0,05 ist, bedeutet dies, dass keine Varianzhomogenität erreicht wird.

Schritt 3: Implementierung des Hypothesentests

Wenn im Implementierungsschritt die Normalitätsannahme während der Annahmenprüfung erfüllt ist, wird der T-Test zum Testen der Hypothese verwendet. Wenn die Normalitätsannahme nicht erfüllt ist, wird die Hypothese mithilfe des Mann-Whitney-U-Tests getestet. Nach Auswahl des entsprechenden Tests wird dieser angewendet. Das Testergebnis ergibt einen p-Wert.

Schritt 4: Analyse der Ergebnisse

Jetzt schließen wir die Analyse ab.

● Wenn das Ergebnis des p-Werts kleiner als 0,05 ist, wird die Nullhypothese H0 abgelehnt. Dies bedeutet, dass es keinen statistisch signifikanten Unterschied zwischen den Einkaufsdurchschnitten der roten Schaltfläche „In den Warenkorb“ und der grünen Schaltfläche „In den Warenkorb“ gibt.

● Wenn das Ergebnis des p-Werts größer als 0,05 ist, kann die Nullhypothese H0 nicht abgelehnt werden. Dies bedeutet, dass es einen statistisch signifikanten Unterschied zwischen den Kaufdurchschnitten der roten Schaltfläche „In den Warenkorb“ und der grünen Schaltfläche „In den Warenkorb“ gibt.

Wenn als Ergebnis der Analyse ein statistisch signifikanter Unterschied festgestellt wird, ist es sinnvoll, auf den roten Knopf zu wechseln. Besteht kein signifikanter statistischer Unterschied, kann entsprechend den Bedürfnissen und Zielen der Website eine der beiden Farbgruppen ausgewählt werden.

Wenn Sie sich für dieses Thema interessieren, können Sie über diesen Link zu meinem Python-Projekt zum Thema A/B-Tests gelangen:https://github.com/keremcanoztekin/AB_Testing

Um über meine neuesten Inhalte auf dem Laufenden zu bleiben, können Sie mir auf Medium und LinkedIn folgen!

LinkedIn:https://www.linkedin.com/in/keremcanoztekin