Die Self-Service-Daten-Roadmap

Kapitel 14. A/B-Testing-Dienst

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Jetzt sind wir bereit, unsere Daten und ML-Pipelines zu operationalisieren, um Erkenntnisse in der Produktion zu gewinnen. Es gibt mehrere Möglichkeiten, Erkenntnisse zu gewinnen, und die Datennutzer müssen sich entscheiden, welche davon sie in der Produktion einsetzen wollen. Nehmen wir das Beispiel eines ML-Modells, das die Immobilienpreise für Endkunden vorhersagt. Angenommen, es gibt zwei gleich genaue Modelle, die für diese Erkenntnis entwickelt wurden - welches ist besser? Dieses Kapitel befasst sich mit einer zunehmend verbreiteten Praxis, bei der mehrere Modelle eingesetzt und verschiedenen Kundengruppen präsentiert werden. Ziel ist es, auf der Grundlage von Daten über das Nutzungsverhalten der Kunden das bessere Modell auszuwählen. A/B-Tests (auch bekannt als bucket testing, split testing, oder kontrolliertes Experiment) werden zu einem Standardverfahren, um die Zufriedenheit der Nutzer/innen mit einer Produktänderung, einer neuen Funktion oder einer Hypothese im Zusammenhang mit dem Produktwachstum zu bewerten. A/B-Tests werden immer mehr zur Norm und werden häufig genutzt, um datengestützte Entscheidungen zu treffen. Es ist wichtig, A/B-Tests als Teil der Datenplattform zu integrieren, um sicherzustellen, dass einheitliche Kennzahlendefinitionen für ML-Modelle, Geschäftsberichte und Experimente angewendet ...