AB Test 定义基于小样本的后验方法；设立对照组和实验组对变量进行试验，建立假设检验对不同组的结果进行检验 （变量是否对结果造成 显著影响 ）
核心：
随机分流 -> (对照组 & 实验组) -> (同一时间段) -> 假设检验 -> 是否有显著差异
AB Test 如何分流分流（一定随机均匀分配），保证用户分布一致，这里有两种方式进行分流
分桶
用户整体切割几桶，用户只能在一个桶里（但是这个情况在现实中不现实），有一个解决办法就是同时上线几个多个实验
分层
将业务逻辑互拆的环节分成多层，每层共享同一批用户，用户随机后，处于不同的桶，用户会处于多层多个实验中，，只要多层之间互不影响；这样保证每个实验都能用全流量切割的同时，也保证实验是置信的
AB Test 什么时候用T检验，什么时候用Z检验
选用Z检验
样本量足够大 ($n \ge 30 $)
总体标准差 $\delta$ 已知
常用于 点击量 CTR，转化率等指标
选用T检验
样本量较小 ($n \le 30$)
总体标准差 $\delta$ 未知，仅能获取标准差
常见例子： ...
EcomPulse Chrome 插件EcomPulse 是一款基于Chrome浏览器的智能购物助手插件， 旨在帮助消费着实现跨平台价格透明化。 通过自动化抓取主流电商历史价格数据并实现全网比价，为用户提供给科学的购物决策支持，避免先涨后降的消费陷阱，节省时间和金钱
主要工具栈
使用教程
将项目下载至本地
1git clone https://github.com/HLeoF/EcomPulse.git
进入Chrome, 打开Chrome 管理扩展程序， 之后进入到扩展程序，打开右上角的 开发者模式
点击 加载已解压的扩展程序, 将刚刚下载的项目文件添加, 你就会看到：
现在使用 VS Code 将项目打开， 找到backend 文件下的app.py 点击运行
就可在电商网站使用这个插件（注意需进入单个商品页面）
Demo点击观看视频
项目源码Code
数据科学
未读电商用户行为数据分析
基于100万用户的1亿条数据 2017/11/25 - 2017/12/03 用户行为洞察
仪表盘
数据来源说明本次分析数据来源于阿里天池开放数据集，该平台作为国内权威的公开数据共享平台，聚焦电商、金融等领域的高质量脱敏数据，为学术研究与商业分析提供了可靠的数据支撑。本次使用的数据集规模为3GB，包含约1亿条用户行为记录，覆盖2017年11月25日至12月3日期间的淘宝平台用户行为数据，数据维度完整且时效性强。
从数据字段来看，数据集包含以下核心变量：
字段名
字段含义
user_id
用户唯一标识， 用于区分不同用户的个体行为
category_Id
商品品类ID, 标识商品所属的一级二级分类
item_id
商品唯一ID, 代表具体商品的数字化标识
behavior_type
用户行为类型，包含4类核心行为：pv, cart, fav, buy.直接映射用户从“流量触达”到“最终转化”的关键动作
timestamps
行为发生的时间戳，记录用户行为的具体时间节点，是后续时间序列 ...
电商平台App AB Test背景某电商平台高度重视其产品详情页的优化工作，旨在通过页面设计的升级来提升用户转化效果。根据历史数据，该平台年度平均转化率维持在13%的水平，此次改版计划将转化率提升2个百分点，使目标值达到15%。为确保新版页面的实际效果，平台决定在全面上线前，先通过AB测试的方式对部分用户群体进行小规模验证，以评估新设计是否能够达成预期的转化目标。
AB Test 流程分析现状，确定实验对象实验开始前，我们需要与业务部门进行沟通确定实验的对象（实验变量）。此次项目中变量为 Web UI不同设计风格
确定实验目标和指标此次实验需要确定新的UI界面是否能够提高2%的转化率，衡量指标就是 转化率
提出假设这个AB测试，希望新的UI界面提升2%。
H0: P0 (旧UI设计转化率) = P1（新UI设计的转化率）
H1: P0 (旧UI设计转化率) $\ne$ P1（新UI设计的转化率）
原则上应该选用 右侧单位单尾检验；因为原则上假设 新UI转化率大于旧UI转化率。但是在这个实验中，我们不确定新UI的性能一定比当前的UI更好。
如果实验目的是验证新UI转化率是否 ...
