تحقق من توزيع الزيارات في اختبار A/B. أداة عبر الإنترنت لتشخيص SRM بسرعة ودقة. فقط أدخل الأرقام واحصل على النتيجة.
قيمة مربع كاي
1.2195
قيمة P
p = 0.2695
تستخدم إحصائية كاي-تربيع لحساب درجة عدم التطابق بين التوزيع المتوقع والفعلي للزيارات في اختبارات A/B.
تكتشف فورياً متى ينحرف توزيع الزيارات عن النسب المخططة، مما يساعد في الحفاظ على سلامة الاختبار.
توفر مؤشرات لونية للحالة (عادي، تحذير، حرج) لتقييم سريع لخطورة مشاكل التوزيع.
عدم تطابق نسبة توزيع العينة (SRM) هو اختبار إحصائي يتحقق مما إذا كان التوزيع الفعلي للمستخدمين بين متغيرات اختبار A/B يتوافق مع التوزيع المخطط له.
إذا اختلف التوزيع الفعلي بشكل ملحوظ عن التوزيع المتوقع، فقد يشير ذلك إلى وجود مشكلات في آلية التوزيع العشوائي، أو تسجيل الأحداث، أو إعدادات التجربة، أو جمع البيانات. يجب إجراء فحص SRM قبل تحليل نتائج التجربة، لأن وجود SRM قد يجعل استنتاجات اختبار A/B غير موثوقة.
تستخدم الأداة اختبار كاي-تربيع (χ²) لمقارنة أحجام المجموعات المتوقعة والفعلية، وتحسب قيمة p-value تلقائيًا.
بعد إجراء الحساب، تعرض الأداة النتائج التالية:
المقياس | الوصف |
|---|---|
إحصائية كاي-تربيع (Chi-Square Statistic) | قيمة اختبار χ² المستخدمة لتقييم التوزيع |
p-value | احتمال أن يكون الانحراف الملحوظ قد حدث بالصدفة |
حالة التحقق | توضح ما إذا تم اكتشاف Sample Ratio Mismatch |
رابط الحساب | رابط قابل للمشاركة يحتفظ بمعلمات التحقق |
أدخل العدد الفعلي للمستخدمين في كل مجموعة.
حدّد نسبة التوزيع المخطط لها لكل مجموعة.
أضف متغيرات إضافية للتجربة إذا لزم الأمر.
شغّل عملية التحقق.
راجع النتائج.
على سبيل المثال، إذا كانت التجربة مصممة بتوزيع 50% / 50%، لكن العدد الفعلي للمستخدمين كان 1000 و1050 مستخدمًا، فستقيّم الأداة ما إذا كان هذا الانحراف يمكن تفسيره بشكل معقول بالتقلبات العشوائية.
يكون التحقق من SRM مفيدًا بشكل خاص:
قبل تحليل نتائج أي اختبار A/B؛
بعد نشر آلية جديدة لتوزيع المستخدمين؛
عند تشغيل تجارب تحتوي على عدة متغيرات؛
عند الاشتباه في فقدان أحداث التحليلات؛
بعد تعديل نظام تسجيل الأحداث؛
بعد تغيير آلية التوزيع العشوائي؛
عندما تكون أحجام المجموعات غير متوقعة.
في العديد من المؤسسات، يُعد التحقق من SRM خطوة إلزامية قبل تحليل أي تجربة.
تشمل الأسباب الأكثر شيوعًا:
أخطاء في التوزيع العشوائي للمستخدمين؛
إعداد غير صحيح لـ Feature Flags؛
مشكلات في منصة إدارة التجارب؛
فقدان بيانات أحداث التحليلات؛
استبعاد بعض المستخدمين أثناء التصفية؛
أخطاء في التعرف على المستخدمين؛
مشكلات في ملفات تعريف الارتباط (Cookies) أو المصادقة؛
توزيع غير صحيح لحركة المرور؛
أخطاء برمجية.
لا يحدد SRM بحد ذاته السبب الجذري للمشكلة، بل يشير فقط إلى أن توزيع المستخدمين الفعلي يختلف عن التوزيع المتوقع.
إذا تم اكتشاف SRM، فيجب تفسير نتائج التجربة بحذر شديد.
حتى إذا بدت الفروقات بين المتغيرات ذات دلالة إحصائية، فقد تكون ناجمة عن مشكلات في توزيع المستخدمين وليس عن التغيير الذي تم اختباره في المنتج.
في الممارسة العملية، تقوم الفرق عادةً بالتحقيق في سبب SRM ومعالجته قبل إعادة تشغيل التجربة.
تتحقق الأداة فقط من صحة توزيع المستخدمين بين مجموعات التجربة.
ولا تقوم بتحديد المتغير الأفضل أداءً، أو مقارنة معدلات التحويل، أو تقدير حجم التأثير.
كما أن التحقق من SRM لا يحدد مصدر المشكلة، بل يوضح فقط أن التوزيع الفعلي يختلف إحصائيًا عن التوزيع المتوقع.
توفر حاسبة Sample Ratio Mismatch طريقة سريعة للتحقق مما إذا كان المستخدمون قد وُزعوا بشكل صحيح بين متغيرات التجربة. وهي تُعد واحدة من أولى خطوات التحقق في أي اختبار A/B، وتساعد على اكتشاف مشكلات التنفيذ قبل تحليل مقاييس المنتج.
لإجراء تحليل شامل للتجارب، يُنصح باستخدام هذه الأداة مع أدوات إحصائية أخرى. قبل بدء التجربة، قدّر حجم العينة المطلوب باستخدام حاسبة حجم العينة. وبعد اجتياز فحص SRM بنجاح، يمكنك تحليل نتائج التجربة باستخدام اختبار T لعينتين مستقلتين للمقاييس المستمرة، أو اختبار كاي-تربيع لمعدلات التحويل وغيرها من المقاييس الثنائية.
تساعدك حاسبة SRM في اكتشاف المشكلات في تجارب A/B من خلال تحليل توزيع الزيارات بين المجموعات التجريبية. تستخدم إحصائية كاي-تربيع للكشف عن الانحرافات الإحصائية التي قد تؤثر على صحة الاختبار.
هذه الأداة ضرورية لمتخصصي البيانات والمحللين والمسوقين الذين يحتاجون لضمان سلامة اختبارات A/B الخاصة بهم. تساعد في اكتشاف متى ينحرف توزيع الزيارات عن النسب المتوقعة.
توفر الحاسبة تفسيراً واضحاً للنتائج مع مؤشرات لونية للحالة، مما يسهل فهم متى يجب التدخل للحفاظ على جودة الاختبار.
يحدث عدم تطابق نسبة العينات (SRM) عندما تختلف أعداد المشاركين المرصودة بين مجموعات التجربة اختلافًا ذا دلالة عن نسب التوزيع المخططة. وقد يشير ذلك إلى مشكلات في العشوائية أو إسناد المجموعات أو التتبع أو فقدان البيانات، مما قد يبطل نتائج الاختبار.
أدخل العدد الفعلي للمشاركين ونسبة التوزيع المخططة لكل مجموعة. تقارن الحاسبة الأعداد المرصودة والمتوقعة باختبار كاي تربيع، ثم تعرض قيمة كاي تربيع وقيمة p وحالة SRM.
أضف مجموعتين على الأقل، وأدخل العدد الفعلي والنسبة المخططة لكل مجموعة، وتأكد من أن مجموع النسب المخططة يساوي 1. ثم احسب SRM. تشير قيمة p المنخفضة إلى أن التوزيع المرصود لا يُرجح أن يكون ناتجًا عن التباين العشوائي وحده.
نعم، الحاسبة مناسبة ليس فقط لاختبارات A/B الكلاسيكية، ولكن أيضًا للتجارب متعددة المتغيرات. ستساعد في الكشف عن عدم توازن التوزيع بين مجموعات متعددة.
تحقق من SRM بعد بدء التجربة وقبل تفسير نتائجها. يفيد الفحص أيضًا أثناء المراقبة وبعد تغيير توزيع الزيارات أو الاستهداف أو التتبع أو قواعد الاستبعاد. يجب التحقيق في أي SRM ذي دلالة قبل الاعتماد على نتائج الاختبار.
تشمل الأسباب الشائعة أخطاء في تنفيذ تقسيم حركة المرور (أخطاء برمجية)، ومشاكل في إعادة التوجيه، والاستبعاد غير الصحيح لملفات تعريف الارتباط، والروبوتات أو برامج الزحف التي تشوه البيانات، بالإضافة إلى استبعاد المستخدمين من مجموعات معينة.
نعم، يعتبر SRM الكبير (الذي يشير إليه قيمة P منخفضة) مؤشرًا قويًا على وجود خطأ ما في طريقة إعداد أو تنفيذ اختبار A/B الخاص بك. يمكن أن يؤدي تجاهل SRM إلى نتائج اختبار غير صالحة وقرارات عمل خاطئة.
يتضمن إصلاح SRM عادةً تحقيقًا متعمقًا في رمز تنفيذ اختبار A/B، والتحقق من منطق تقسيم حركة المرور، وضمان تطبيق استثناءات المستخدم بشكل صحيح، وتحليل حركة المرور بحثًا عن حالات شاذة (مثل حركة مرور الروبوتات).
