מחשבון בדיקות A/B: דגימה רציפה

דגימה רציפה לקבלת החלטות בזמן אמת. מתאים לבדיקות A/B רציפות.

חישוב דגימה סדרתית

10%
1%

לא ניתן יהיה להבחין בין שיעורי המרה באזור האפור לבין קו הבסיס.

אחוז המקרים שבהם תתגלה השפעה מינימלית, אם היא אכן קיימת

אחוז המקרים שבהם יתגלה הבדל, אם הוא לא קיים בפועל

תוצאות ניתוח רציף

הבקרה מנצחת אם:

0

סך כל המרות

הטיפול מנצח אם:

0

המרות קדימה

שמור תוצאה

https://devbox.tools/he/utils/sequential-sampling-calculator/#!rate=10&power=80&alpha=5&effect=1&type=absolute
תמכו ב-DevBox Tools ❤️

תכונות של "מחשבון דגימה סדרתית"

חישוב גודל לדוגמה עבור בדיקה רציפה

מחשב את גודל המדגם האופטימלי בהתבסס על המרה בסיסית, השפעה מינימלית שניתן לזהות ופרמטרים סטטיסטיים לבדיקות עוקבות.

שיקולי כוח סטטיסטי ורמת מובהקות

מאפשר לך להגדיר כוח סטטיסטי (60-95%) ורמת מובהקות (1-10%) לתוצאות בדיקה מדויקות.

אופטימיזציה של משאבים עבור מבחני A/B

עוזר לחסוך במשאבים בכך שהוא מאפשר לך להפסיק את הניסוי מוקדם יותר כאשר מושגת מובהקות סטטיסטית.

מחשבון בדיקות A/B: דגימה רציפה

alien

מחשבון הדגימה הרציפה עוזר לקבוע את גודל המדגם האופטימלי עבור בדיקות A/B עוקבות. כלי זה משתמש בשיטות סטטיסטיות כדי לחשב את המספר המינימלי של תצפיות הדרוש לתוצאות מהימנות.

בדיקה רציפה מאפשרת לך לעצור את הניסוי מוקדם יותר כאשר מגיעה למובהקות סטטיסטית, וחוסכת זמן ומשאבים. הכלי לוקח בחשבון המרה בסיסית, השפעה מינימלית שניתן לזהות וכוח סטטיסטי.

מחשבון זה שימושי במיוחד עבור משווקים, מנתחי נתונים ומומחי בדיקות A/B שצריכים לייעל את תהליך הניסוי ולקבל תוצאות מהירות.

שאלות נפוצות (FAQ)

המחשבון לניתוח בדיקות A/B ברצף הוא כלי שעוזר לקבוע את הרגע האופטימלי להפסקת ניסוי בהתבסס על נתונים סטטיסטיים. זה לוקח בחשבון את ההמרה הבסיסית, ההשפעה המינימלית הניתנת לזיהוי, הכוח הסטטיסטי ורמת המובהקות כדי לעזור לך לקבל החלטה מושכלת לגבי המשך או הפסקת הבדיקה.

המחשבון משתמש בשיטות סטטיסטיות כדי להעריך את גודל המדגם המינימלי בהתבסס על המרה בסיסית, השפעה מינימלית ניתנת לזיהוי, כוח סטטיסטי ורמת מובהקות. זה מראה מתי ניתן להפסיק את הניסוי.

השפעה מוחלטת היא הבדל באחוזים (למשל, עלייה של 5% בהמרה). השפעה יחסית היא שינוי באחוזים מההמרה הבסיסית (למשל, עלייה של 25% מהמרה של 20% מהבסיס).

כוח סטטיסטי (60-95%) קובע את ההסתברות לגילוי השפעה אם היא קיימת. רמת המובהקות (1-10%) קובעת את ההסתברות לחיוב שגוי. הספק גבוה יותר דורש גודל מדגם גדול יותר. אתה יכול להתאים את ההספק הסטטיסטי ואת רמת המובהקות במחשבון.

בדיקה רציפה היא אידיאלית עבור מבחני A/B עם עלויות תצפית גבוהות, שבהן חשוב לחסוך במשאבים. זה גם שימושי להשגת תוצאות מהירה בקמפיינים שיווקיים.

שגיאה מסוג I (אלפא) היא כאשר אתה דוחה השערת אפס אמיתית (מסקנה שיש הבדל כאשר אין). שגיאה מסוג II (בטא) היא כאשר אינך מצליח לדחות השערת אפס שגויה (מסקנה שאין הבדל כאשר ישנה).

דגימה רציפה שימושית במיוחד כאשר העלות של כל תצפית גבוהה או כאשר אתה רוצה להשיג תוצאות מהר יותר. עם זאת, זה דורש ניטור מתמיד של תוצאות, מה שיכול להיות מאתגר יותר ליישום מאשר בדיקה בגודל קבוע.

המרה בסיסית היא שיעור ההמרה הנוכחי או הצפוי של קבוצת הבקרה שלך (הגרסה המקורית). זוהי נקודת הייחוס שממנה אתה מודד את ההשפעה הפוטנציאלית של הגרסה החדשה שלך (קבוצת הבדיקה).

דרגו את הכלי
4.5(24 משתמשים דירגו)