மேம்பட்ட A/B சோதனை

எங்களது முறைமையில் புள்ளிவிவரச் செல்லுபடியைப் பராமரிக்கும் அதே வேளையில் பரிசோதனையின் காலத்தைக் குறைக்கும் வரிசைமுறை கருதுகோள் சோதனை, எந்த வாடிக்கையாளர் பிரிவுகள் சிகிச்சைகளிலிருந்து அதிகம் பயனடைகின்றன என்பதை அடையாளம் காண [காஜல் ஃபாரஸ்ட் முறைகள்](/research#heterogeneous-treatment-effects) மற்றும் பயனர்கள் ஒருவருக்கொருவர் செல்வாக்கு செலுத்தும் சந்தர்ப்பங்களில் நெட்வொர்க் விளைவு கண்டறிதல் ஆகியவை அடங்கும். சந்தைகள் மற்றும் சமூகத் தளங்களுக்கு, ஒரு பயனரின் சீரற்றமயமாக்கல் மற்ற பயனர்களின் விளைவுகளைப் பாதிக்கும் தலையீட்டை நாங்கள் கண்டறிந்து கணக்கில் கொள்கிறோம், இது பாரம்பரிய A/B சோதனைகள் உருவாக்கும் பக்கச்சார்பான மதிப்பீடுகளைத் தவிர்க்க உதவுகிறது.

எங்களது தளத்தை இயக்கும் இ-காமர்ஸ் நிறுவனங்கள் துல்லியத்தைப் பராமரிக்கும் அதே வேளையில் பரிசோதனை வேகத்தை அதிகரிக்கின்றன. குழுக்கள் "செக்அவுட் மேம்படுத்தல் புதிய பயனர்களுக்குப் பயனளிக்கிறது ஆனால் பழைய வாடிக்கையாளர்களுக்குப் பாதிப்பை ஏற்படுத்துகிறது" போன்ற நுணுக்கமான நுண்ணறிவுகளை அடையாளம் காண்கின்றன, இவற்றை எளிய A/B சோதனை சுருக்கங்கள் தவறவிடுகின்றன. நிறுவனங்கள் எப்படியும் மாறியிருக்கக்கூடிய பிரிவுகளின் முடிவுகளுக்கு அதிக முக்கியத்துவம் கொடுப்பதைத் தவிர்த்து, அதற்குப் பதிலாக அதிக செல்வாக்கு உள்ள மக்கள் தொகையில் மறுபரிசீலனை செய்வதில் கவனம் செலுத்துகின்றன.

மல்டி-ஆர்மடு பாண்டிட் (Multi-armed bandit) திறன்கள் உங்களை ஆய்வு மற்றும் பயன்பாட்டைச் சமநிலைப்படுத்த அனுமதிக்கின்றன, பரிசோதனைகள் நடக்கும்போது சிறப்பாகச் செயல்படும் மாறுபாடுகளுக்கு டிராஃபிக்கை மாறும் வகையில் ஒதுக்கி, ஒட்டுமொத்த தாக்கத்தை அதிகப்படுத்துகின்றன.