обучение
сразу после покупки
сразу после покупки
последнее обновление
декабрь 2023
декабрь 2023
более 100
практических заданий
практических заданий
с нуля
до продвинутых методов
до продвинутых методов
материалы
навсегда
навсегда
две версии
под разные цели и уровень
под разные цели и уровень
Симулятор A/B-тестов
Научитесь проводить A/B-тесты, приносящие пользу бизнесу
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
зачем нужны А/В-тесты
> С их помощью вы можете сравнивать два варианта контента, дизайна или функционала и выбрать тот, который приносит лучшие результаты.
Это позволяет улучшить конверсию, повысить пользовательский опыт и принимать решения на основе данных, а не догадок
> Проведение A/B тестов помогает оптимизировать маркетинговые кампании, сайты и приложения для достижения максимальных успехов
Это позволяет улучшить конверсию, повысить пользовательский опыт и принимать решения на основе данных, а не догадок
> Проведение A/B тестов помогает оптимизировать маркетинговые кампании, сайты и приложения для достижения максимальных успехов
A/B-тесты — это эффективный способ узнать, что работает лучше для пользователей
Научитесь принимать оптимальные решения на основе данных //
В бизнесе ежедневно принимаются сотни решений. Часто сложно понять, какое решение будет оптимальным, но цена ошибки при этом высока. Компании, применяющие A/B-тестирование, ошибаются реже и благодаря этому опережают своих конкурентов.
Вам может казаться, что A/B-тестирование — это просто. Но это ровно до того момента, пока вы не наткнётесь на первые подводные камни, которые приведут вас к неоптимальному решению, а значит, и потерям в бизнесе.
Программа подойдёт специалистам любого уровня >>
Разберётесь в нюансах проведения A/B-тестирования, научитесь избегать ошибок и сможете быть уверенными в правильности результатов
АНАЛИТИКАМ ДАННЫХ, ML-ИНЖЕНЕРАМ И ДРУГИМ ТЕХНИЧЕСКИМ СПЕЦИАЛИСТАМ
Освоите оптимальный пайплайн проведения экспериментов, сможете общаться с аналитиками на одном языке и контролировать процесс проведения A/B-тестов
ПРОДАКТ-МЕНЕДЖЕРАМ, МАРКЕТОЛОГАМ, ИССЛЕДОВАТЕЛЯМ
АНАЛИТИКАМ ДАННЫХ,
ML-ИНЖЕНЕРАМ И ДРУГИМ ТЕХНИЧЕСКИМ СПЕЦИАЛИСТАМ
ML-ИНЖЕНЕРАМ И ДРУГИМ ТЕХНИЧЕСКИМ СПЕЦИАЛИСТАМ
И поможет тем, кто:
Освоите все этапы A/B-тестирования и будете уверены в своих знаниях на собеседованиях
Хочет разобраться в процессе
A/B-тестирования с нуля и перейти в продуктовое направление
A/B-тестирования с нуля и перейти в продуктовое направление
Разберётесь в основных тонкостях, которые нужно учитывать при проведении экспериментов
Хочет внедрить или развить культуру A/B-тестирования в компании
Отработаете на практике сложные и нестандартные ситуации, чтобы избежать ошибок в реальной работе
Уже применяет A/B-тестирование на практике и хочет делать это эффективнее
Узнаете лучшие практики от тех, кто провёл более 1000 A/B-тестов в крупных российских и зарубежных компаниях
Хочет перейти в компанию с более развитой продуктовой культурой
Две версии //
Выберите подходящую версию симулятора А/В-тестов в зависимости от ваших целей и уровня подготовки.
Продвинутая версия
> Python (Владение функциями и библиотеками pandas, numpy, scipy, matplotlib, а также понимание базовых структур данных)
НЕОБХОДИМЫЕ ЗНАНИЯ:
> Платформа A/B-тестирования
инструменты:
> Google sheets
> Базовая версия
содержание:
> 36 практических заданий в Python
> Знание основ теории вероятностей и математической статистики
> Python
Базовая версия
> Математика на уровне школьной программы
НЕОБХОДИМЫЕ ЗНАНИЯ:
> Платформа A/B-тестирования
инструменты:
> Google sheets
> Разбор полного пайплайна A/B-тестирования
содержание:
> 14 уроков с практическими заданиями без кода
Валерий Бабушкин расскажет, в чём заключается ценность симулятора A/B-тестов, чем отличаются 2 версии и какие темы вам предстоит освоить.
ПОДРОБНЕЕ О СИМУЛЯТОРЕ
Программа >>
В первый рабочий день в новой компании познакомимся с данными и платформой А/B-тестирования, а также изучим основы статистики, которых будет достаточно для прохождения курса.
10 практических заданий
+ 6 практических заданий на Python
10 практических заданий
+ 6 практических заданий на Python
Научимся применять стратификацию — продвинутый метод повышения чувствительности A/B-тестов, основанный на использовании дополнительной информации.
12 практических заданий
+ 3 практических задания на Python
12 практических заданий
+ 3 практических задания на Python
Узнаем, как появилась идея проверять гипотезы. Создадим собственный критерий принятия решений. Рассмотрим популярные критерии для типичных метрик и
поговорим об их ограничениях.
16 практических заданий
+ 3 практических задания на Python
поговорим об их ограничениях.
16 практических заданий
+ 3 практических задания на Python
Научимся применять CUPED — продвинутый метод повышения чувствительности A/B-тестов, основанный на использовании дополнительной информации.
8 практических заданий
+ 2 практических задания на Python
8 практических заданий
+ 2 практических задания на Python
Научимся подбирать оптимальные параметры для запуска эксперимента. Определять продолжительность, размер выборки и минимальный эффект, который возможно обнаружить.
6 практических заданий
+ 3 практических задания на Python
6 практических заданий
+ 3 практических задания на Python
Иногда для решения одной проблемы выдвигается сразу несколько гипотез, одновременная проверка которых влияет на дизайн эксперимента. Познакомимся с техниками множественного тестирования и параллельным проведением большого числа экспериментов.
4 практических заданий
+ 2 практических задания на Python
4 практических заданий
+ 2 практических задания на Python
Разберёмся как проверять корректность дизайна. Узнаем, зачем нужно проводить синтетические A/A и A/B эксперименты на исторических данных.
6 практических заданий
+ 5 практических заданий на Python
6 практических заданий
+ 5 практических заданий на Python
Гипотез становится всё больше, и нам не хватает наблюдений, чтобы проверять их все одновременно. Обсудим, когда можно использовать пользователей одновременно в нескольких экспериментах и как это делать.
4 практических заданий
+ 2 практических задания на Python
4 практических заданий
+ 2 практических задания на Python
Познакомимся с методом бутстрэп. Научимся строить доверительные интервалы для произвольных метрик и узнаем, как принимать решения на основе доверительных интервалов.
7 практических заданий
+ 2 практических задания на Python
7 практических заданий
+ 2 практических задания на Python
При проверке гипотез о равенстве метрик отношения (например, CTR) обычные тесты применять некорректно, так как наблюдения не являются независимыми. Изучим подходы для проверки таких гипотез и закрепим новые знания на практике.
4 практических заданий
+ 2 практических задания на Python
4 практических заданий
+ 2 практических задания на Python
Рассмотрим актуальные способы повышения чувствительности A/B-тестов и применим их на практике. Научимся сокращать размер выборки, необходимый для проведения эксперимента.
5 практических заданий
+ 3 практических задания на Python
5 практических заданий
+ 3 практических задания на Python
Вспомним пройденные темы и структурируем полученные знания для применения их в реальных задачах. Обсудим проблему подглядывания в результаты до окончания эксперимента.
+ Финальное тестирование из 26 вопросов
+ Финальное тестирование из 26 вопросов
Выбрать метрику для эксперимента не всегда просто. Разберёмся, какие бывают метрики, научимся выбирать наиболее подходящие для эксперимента и узнаем, как отслеживать «здоровье» A/B-теста.
8 практических заданий
+ 3 практических задания на Python
8 практических заданий
+ 3 практических задания на Python
В первый рабочий день в новой компании познакомимся с данными и платформой А/B-тестирования, а также изучим основы статистики, которых будет достаточно для прохождения курса.
10 практических заданий
+ 6 практических заданий на Python
10 практических заданий
+ 6 практических заданий на Python
Узнаем, как появилась идея проверять гипотезы. Создадим собственный критерий принятия решений. Рассмотрим популярные критерии для типичных метрик и
поговорим об их ограничениях.
16 практических заданий
+ 3 практических задания на Python
поговорим об их ограничениях.
16 практических заданий
+ 3 практических задания на Python
Научимся подбирать оптимальные параметры для запуска эксперимента. Определять продолжительность, размер выборки и минимальный эффект, который возможно обнаружить.
6 практических заданий
+ 3 практических задания на Python
6 практических заданий
+ 3 практических задания на Python
Разберёмся как проверять корректность дизайна. Узнаем, зачем нужно проводить синтетические A/A и A/B эксперименты на исторических данных.
6 практических заданий
+ 5 практических заданий на Python
6 практических заданий
+ 5 практических заданий на Python
Познакомимся с методом бутстрэп. Научимся строить доверительные интервалы для произвольных метрик и узнаем, как принимать решения на основе доверительных интервалов.
7 практических заданий
+ 2 практических задания на Python
7 практических заданий
+ 2 практических задания на Python
Рассмотрим актуальные способы повышения чувствительности A/B-тестов и применим их на практике. Научимся сокращать размер выборки, необходимый для проведения эксперимента.
5 практических заданий
+ 3 практических задания на Python
5 практических заданий
+ 3 практических задания на Python
Выбрать метрику для эксперимента не всегда просто. Разберёмся, какие бывают метрики, научимся выбирать наиболее подходящие для эксперимента и узнаем, как отслеживать «здоровье» A/B-теста.
8 практических заданий
+ 3 практических задания на Python
8 практических заданий
+ 3 практических задания на Python
Научимся применять стратификацию — продвинутый метод повышения чувствительности A/B-тестов, основанный на использовании дополнительной информации.
12 практических заданий
+ 3 практических задания на Python
12 практических заданий
+ 3 практических задания на Python
Научимся применять CUPED — продвинутый метод повышения чувствительности A/B-тестов, основанный на использовании дополнительной информации.
8 практических заданий
+ 2 практических задания на Python
8 практических заданий
+ 2 практических задания на Python
Иногда для решения одной проблемы выдвигается сразу несколько гипотез, одновременная проверка которых влияет на дизайн эксперимента. Познакомимся с техниками множественного тестирования и параллельным проведением большого числа экспериментов.
4 практических заданий
+ 2 практических задания на Python
4 практических заданий
+ 2 практических задания на Python
Гипотез становится всё больше, и нам не хватает наблюдений, чтобы проверять их все одновременно. Обсудим, когда можно использовать пользователей одновременно в нескольких экспериментах и как это делать.
4 практических заданий
+ 2 практических задания на Python
4 практических заданий
+ 2 практических задания на Python
При проверке гипотез о равенстве метрик отношения (например, CTR) обычные тесты применять некорректно, так как наблюдения не являются независимыми. Изучим подходы для проверки таких гипотез и закрепим новые знания на практике.
4 практических заданий
+ 2 практических задания на Python
4 практических заданий
+ 2 практических задания на Python
Вспомним пройденные темы и структурируем полученные знания для применения их в реальных задачах. Обсудим проблему подглядывания в результаты до окончания эксперимента.
+ Финальное тестирование из 26 вопросов
+ Финальное тестирование из 26 вопросов
По итогам обучения вы //
> Освоите полный пайплайн A/B-тестирования
Head of DA/DS
в X5 Retail Group
в X5 Retail Group
АЛЕКСАНДР САХНОВ
> Научитесь разрабатывать оптимальный дизайн онлайн и офлайн экспериментов
> Разберётесь, как проверять гипотезы со сложными метриками, для которых стандартные тесты не работают
> Сможете применить современные методы повышения чувствительности A/B-тестов
> Поймёте, как проводить множество экспериментов параллельно
* Сможете переиспользовать выполненные задания продвинутой версии при построении платформы A/B-тестирования
КАК ПРОХОДИТ ОБУЧЕНИЕ >>
— Представьте, что вы устроились аналитиком в пиццерию, которая активно переходит в онлайн и проводит эксперименты для повышения качества сервиса
— Последовательно разберите тонкости каждого этапа проведения A/B-теста в удобном темпе
// Изучите полный пайплайн проведения A/B-теста
— Запускайте A/B-тесты на учебной платформе, анализируйте их результаты и помогайте бизнесу принимать оптимальные решения на основе данных
— Закрепляйте теорию практикой в Google Sheets или Python
// Сразу закрепляйте практикой
— Обсуждайте любые вопросы по A/B-тестированию с менторами и другими студентами в чате
— Разбирайте собственные кейсы на ежемесячных Q&A-сессиях с Александром Сахновым
// Получайте обратную связь
— Изучайте базу знаний из уже разобранных вопросов на нашей платформе
— Обсуждайте любые вопросы по A/B-тестированию с менторами и другими студентами в чате
— Разбирайте собственные кейсы на ежемесячных Q&A-сессиях с Александром Сахновым
// Получайте обратную связь
— Изучайте базу знаний из уже разобранных вопросов на нашей платформе
— Представьте, что вы устроились аналитиком в пиццерию, которая активно переходит в онлайн и проводит эксперименты для повышения качества сервиса
— Последовательно разберите тонкости каждого этапа проведения A/B-теста в удобном темпе
// Изучите полный пайплайн проведения A/B-теста
— Запускайте A/B-тесты на учебной платформе, анализируйте их результаты и помогайте бизнесу принимать оптимальные решения на основе данных
— Закрепляйте теорию практикой в Google Sheets или Python
// Сразу закрепляйте практикой
учитесь у лучших //
АЛЕКСАНДР САХНОВ
Head of DA/DS
в X5 Retail Group
в X5 Retail Group
ВАЛЕРИЙ БАБУШКИН
Senior Principal в BP
НИКОЛАЙ НАЗАРОВ
Senior Data Scientist в X5 Retail Group
АЛЕКСАНДР САХНОВ
Head of DA/DS в X5 Retail Group
За более чем два года работы в компании повысил чувствительность A/B-тестов в 100 раз. Преподаёт в Школе анализа данных Яндекса.
ВАЛЕРИЙ БАБУШКИН
Senior Principal в BP
Работал в WhatsApp, руководил отделом Data Science and Engineering в X5 Retail Group, был директором по аналитике и машинному обучению в компаниях Яндекс и Alibaba. Ведёт курс Data Science в Высшей Школе Экономики. Консультирует центральный банк Казахстана по вопросам анализа данных. Имеет звание Grandmaster на платформе Kaggle.
НИКОЛАЙ НАЗАРОВ
Senior Data Scientist в X5 Retail Group
Работал ML-специалистом в Severstal Digital и S7 Airlines. Победитель соревнования Yandex Cup по направлению «Аналитика».
налоговый вычет
Начните учиться сейчас, оформите налоговый вычет и верните до 13% стоимости обучения.
гарантия возврата
Если в течение двух недель решите, что курс вам не подходит — вернём деньги.
стоимость>>
Беспроцентная рассрочка от наших партнёров
38 500 ₽ *
ПОЛНАЯ ОПЛАТА:
3 722 ₽ / мес. *
ПОЭТАПНАЯ ОПЛАТА ИЛИ РАССРОЧКА ОТ ПАРТНёРА:
* При рассрочке на 12 месяцев
> 14 уроков
> Q&A сессия с преподавателями каждый месяц
> Доступ к поддержке и инструментам на 1 год
> Доступ к материалам навсегда
базовая версия
Скидка 6 160 ₽ при единовременной оплате
49 500 ₽ *
ПОЛНАЯ ОПЛАТА:
4 785 ₽ / мес. *
ПОЭТАПНАЯ ОПЛАТА ИЛИ РАССРОЧКА ОТ ПАРТНёРА:
* При рассрочке на 12 месяцев
> 14 уроков
> Q&A сессия с преподавателями каждый месяц
> Доступ к поддержке и инструментам на 1 год
> Доступ к материалам навсегда
продвинутая версия
Скидка 7 920 ₽ при единовременной оплате
> Дополнительные задания на Python к каждому уроку
Больше практики
УДОБНЫЙ ЕЖЕМЕСЯЧНЫЙ ПЛАТЕЖ С БЕСПРОЦЕНТНОЙ РАССРОЧКОЙ ИЛИ ОПЛАТА ЧАСТЯМИ ОТ НАШИХ ПАРТНЁРОВ
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
записаться на курс или задать вопрос
Мы свяжемся с вами и ответим на все ваши вопросы по курсу.
за счёт компании
Этот курс может оплатить ваш работодатель. Оставьте заявку, и мы поможем оформить сделку.
Международная оплата
Если вы хотите оплатить обучение из-за рубежа, оставьте заявку — мы с вами свяжемся и подскажем, как это сделать.
ещё варианты оплаты:
ОСТАВИТЬ ЗАЯВКУ
Мы свяжемся с вами для того, чтобы ответить на все вопросы по ней.
ОСТАВИТЬ ЗАЯВКУ
ОТЗЫВЫ СТУДЕНТОВ //
- Самое главное — это структура!
На этом уже можно закончить :)
Десятки ранее просмотренных видео, сотни часов контента (без преувеличения) не давали такого ощущения, что всё по полочкам. Примерно до 12-го урока я прямо «преисполнялся в знании», что всё получается, всё могу. Писал бывшим коллегам в стиле «вон оно как!», советовал.
Читать полностью →Виктор ПанькивБазовая версия
Телеграм - После симулятора у меня сложился пазл в голове.
В сети практически нет последовательных материалов как разобраться в этой теме. Читал статьи, смотрел видео, а картинка «как именно делать по шагам 1−2-3» так и не складывалась.
Симулятор как раз закрыл этот пробел. Буквально на пальцах объясняется «что делать», «как делать» и «почему делать». Без лишнего углубления в математику.
Читать полностью →Алексей АверьяновПродвинутая версия
Телеграм
Виктор Панькив
«Экономист по образованию, работал 8 лет в одном и том же банке, как окончил универ.
Изначально работал кредитным инспектором, андеррайтером, оценивал всякие дорогие машины и дома в залогах, выезжал на бизнес клиента — лесопилки, молочные фермы… В общем такая неинтересная банковская специфика. Ещё писал роботов на RPA, чего только не делал :)
Потом постепенно перешёл в аналитику (от VBA/Excel до ML/PySpark), так как хотелось автоматизации и ухода от рутины + благодаря прошлому опыту неплохо понимал устройство банковской сферы и слабости/возможности наших продуктов. Считаю прикладной опыт в области более важным, чем хард скиллы (с оговорками, конечно).
Последние полтора года работал лидом небольшой команды аналитики в том же банке.
Проводил A/B-тесты на работе, но больше со стороны бизнес-заказчика, без возможности технической реализации. При этом по своей инициативе писал Python скрипты для проверки «соседей», пытался разобраться в специфике. Много всего смотрел, читал даже «Trustworthy Online Controlled Experiment», но почти не понимал, как это применить в жизни. Теперь после симулятора — думаю, что понимаю. Конечно, в реальности всё гораздо сложнее :)
Недавно пришлось покинуть организацию, появилось свободное время + зарубежные компании требуют этот навык. В wait листе на курс был давно, но продвинутую, к сожалению, так и не дождался. Теперь думаю и её приобрести, когда появится.
Самое главное — это структура! На этом уже можно закончить :)
Десятки ранее просмотренных видео, сотни часов контента (без преувеличения) не давали такого ощущения, что всё по полочкам. Примерно до 12-го урока я прямо «преисполнялся в знании», что всё получается, всё могу. Писал бывшим коллегам в стиле «вон оно как!», советовал. Два предпоследних урока немного тяжелее пошли, планирую вернуться к ним, закрепить. Старался каждое занятие переводить формулы из таблиц в Python скрипты, что вызывало эйфорию, когда все сходилось. И это даже лучше, чем если бы дали готовое решение.
Получается, что прошёл симулятор за 5 дней (я и отдыхал, если что). Но оговорюсь, что до этого очень много смотрел ваши видео и читал прочих хаброписцев. Был западающий момент, когда на конференции показывают, например, ту же CUPED, но тяжело продраться через формулы, перематываешь обратно туда-сюда, вроде бы понял, а как проверить? А у вас посмотрел формулы и понимаешь, что абсолютно ничего сложного в этом нет (кстати, хотелось бы понять разницу между курсом и жизнью).
Планирую дать посмотреть курс супруге (она что-то около продакта/проджекта). Она «с нуля», и очень интересно, что она скажет.
Спасибо преподавателям, не было желания Вас перематывать (sic!) :)
Александр показался очень компетентным и, я бы сказал, человечным, говоришь с ним на одном языке. Боялся математики, а там так все разжёвано, очень доволен! Все недостатки расписал ранее в отзывах к урокам.»
Изначально работал кредитным инспектором, андеррайтером, оценивал всякие дорогие машины и дома в залогах, выезжал на бизнес клиента — лесопилки, молочные фермы… В общем такая неинтересная банковская специфика. Ещё писал роботов на RPA, чего только не делал :)
Потом постепенно перешёл в аналитику (от VBA/Excel до ML/PySpark), так как хотелось автоматизации и ухода от рутины + благодаря прошлому опыту неплохо понимал устройство банковской сферы и слабости/возможности наших продуктов. Считаю прикладной опыт в области более важным, чем хард скиллы (с оговорками, конечно).
Последние полтора года работал лидом небольшой команды аналитики в том же банке.
Проводил A/B-тесты на работе, но больше со стороны бизнес-заказчика, без возможности технической реализации. При этом по своей инициативе писал Python скрипты для проверки «соседей», пытался разобраться в специфике. Много всего смотрел, читал даже «Trustworthy Online Controlled Experiment», но почти не понимал, как это применить в жизни. Теперь после симулятора — думаю, что понимаю. Конечно, в реальности всё гораздо сложнее :)
Недавно пришлось покинуть организацию, появилось свободное время + зарубежные компании требуют этот навык. В wait листе на курс был давно, но продвинутую, к сожалению, так и не дождался. Теперь думаю и её приобрести, когда появится.
Самое главное — это структура! На этом уже можно закончить :)
Десятки ранее просмотренных видео, сотни часов контента (без преувеличения) не давали такого ощущения, что всё по полочкам. Примерно до 12-го урока я прямо «преисполнялся в знании», что всё получается, всё могу. Писал бывшим коллегам в стиле «вон оно как!», советовал. Два предпоследних урока немного тяжелее пошли, планирую вернуться к ним, закрепить. Старался каждое занятие переводить формулы из таблиц в Python скрипты, что вызывало эйфорию, когда все сходилось. И это даже лучше, чем если бы дали готовое решение.
Получается, что прошёл симулятор за 5 дней (я и отдыхал, если что). Но оговорюсь, что до этого очень много смотрел ваши видео и читал прочих хаброписцев. Был западающий момент, когда на конференции показывают, например, ту же CUPED, но тяжело продраться через формулы, перематываешь обратно туда-сюда, вроде бы понял, а как проверить? А у вас посмотрел формулы и понимаешь, что абсолютно ничего сложного в этом нет (кстати, хотелось бы понять разницу между курсом и жизнью).
Планирую дать посмотреть курс супруге (она что-то около продакта/проджекта). Она «с нуля», и очень интересно, что она скажет.
Спасибо преподавателям, не было желания Вас перематывать (sic!) :)
Александр показался очень компетентным и, я бы сказал, человечным, говоришь с ним на одном языке. Боялся математики, а там так все разжёвано, очень доволен! Все недостатки расписал ранее в отзывах к урокам.»
Алексей Аверьянов
«В IT и в разработке я давно. Больше 10 лет опыта в 1С. В последние 2 года переключился в Data Science. Сейчас работаю в роли DS над созданием рекомендательных систем в ритейле.
A/B-тесты давно не давали мне покоя. Коллеги в индустрии говорят об их важности. В вакансиях отмечают пунктом «должен уметь». Но в сети практически нет последовательных материалов как разобраться в этой теме. Читал статьи, смотрел видео, а картинка «как именно делать по шагам 1−2-3» так и не складывалась.
Симулятор как раз закрыл этот пробел. Буквально на пальцах объясняется «что делать», «как делать» и «почему делать». Без лишнего углубления в математику. После симулятора у меня сложился пазл в голове. Прочитанные раньше статьи и просмотренные видео встали на свои места.
Но это оказалось интересно. Не отвлекаясь на код, я понял суть и порядок шагов. А дальше уже докинули и шаблоны кода на Python, и задания попрактиковаться. Так что к пазлу в голове у меня добавились и шаблоны кода для внедрения.
Сейчас работаю над тем, чтобы применять эти навыки у себя на работе и привнести культуру правильных A/B-тестов в наши проекты.»
A/B-тесты давно не давали мне покоя. Коллеги в индустрии говорят об их важности. В вакансиях отмечают пунктом «должен уметь». Но в сети практически нет последовательных материалов как разобраться в этой теме. Читал статьи, смотрел видео, а картинка «как именно делать по шагам 1−2-3» так и не складывалась.
Симулятор как раз закрыл этот пробел. Буквально на пальцах объясняется «что делать», «как делать» и «почему делать». Без лишнего углубления в математику. После симулятора у меня сложился пазл в голове. Прочитанные раньше статьи и просмотренные видео встали на свои места.
- Как делать дизайн эксперимента, на что обращать внимание
- Как правильно делить пользователей на группы
- Как проводить А/А и А/B симуляции перед самим тестом, и почему этот шаг нельзя пропускать.
- Как контролировать ошибки I и II рода, и как убедиться, что мы их контролируем
- Как правильно оценить время и размер групп для эксперимента
- Как статистически обосновано принять решение, что группа B лучше, чем группа A, или не лучше.
- Как правильно тестировать конверсии, средний чек и в чем там подвох
- И еще много других «Как».
Но это оказалось интересно. Не отвлекаясь на код, я понял суть и порядок шагов. А дальше уже докинули и шаблоны кода на Python, и задания попрактиковаться. Так что к пазлу в голове у меня добавились и шаблоны кода для внедрения.
Сейчас работаю над тем, чтобы применять эти навыки у себя на работе и привнести культуру правильных A/B-тестов в наши проекты.»
FAQ >>
Да, мы осуществляем образовательную деятельность на основании государственной лицензии № Л035-01298-77/00179689 от 11 апреля 2022 года, выданной Департаментом образования и науки города Москвы.
Да. Если вы оплатили обучение на курсе после 23 мая 2022 года, являетесь налоговым резидентом России и уплачиваете подоходный налог, вы можете оформить вычет. Однако подать документы можно только в году, следующем за годом оплаты обучения.
Налоговый вычет за обучение — это часть расходов на образование, которую государство может вам компенсировать. С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
Налоговый вычет за обучение — это часть расходов на образование, которую государство может вам компенсировать. С подробной информацией об условиях получения налогового вычета, порядком его расчёта и списком необходимых документов можно ознакомиться на сайте ФНС.
Для комфортного обучения на симуляторе базовой версии достаточно знать математику на уровне школьной программы. Во всех темах вы сможете разобраться без специальных знаний. Для прохождения продвинутой версии советуем владеть следующими пререквизитами.
Базовая версия симулятора не предполагает написание кода. В продвинутой версии для решения заданий будет использоваться язык программирования Python.
Вы получите доступ к платформе A/B-тестирования, где есть весь необходимый функционал для организации и проведения экспериментов. Также при выполнении некоторых практических заданий вы будете работать либо в Google Sheets, либо в Jupyter Notebook. Это зависит от версии, которую вы решите приобрести, подробнее можно ознакомиться здесь.
Обучение проходит на нашей образовательной платформе в текстовом формате. Уроки открываются по мере прохождения симулятора, вы можете проходить их в своём темпе. Если у вас появятся вопросы, вам ответят на них менторы или преподаватели в Discord.
Мы организовали обучение таким образом, чтобы вы могли совмещать его с работой, учёбой и личной жизнью. Заниматься вы сможете в любое время и в удобном для вас темпе.
Да. Все студенты общаются с командой поддержки и между собой в Discord. В чате можно задать любые вопросы по программе, наша команда обязательно ответит вам.
Да, останется. Теоретические материалы и домашние задания будут доступны вам всегда, даже после окончания обучения. Доступ к платформе A/B-тестирования и поддержке будет отключен через год после начала обучения.
Да, вы получите виртуальный сертификат, который будет отражать прогресс по пройденным на симуляторе темам.
Да, сможете. В течение двух недель после старта потока и при прохождении не более трёх уроков можно вернуть оплату за весь курс. В иных случаях вы сможете вернуть оплату за вычетом стоимости уже открытых уроков.
Остались вопросы?
Отправьте заявку, и мы проконсультируем вас.
