用途
AB测试分析技能用于分析产品改版、营销活动、功能优化等AB测试结果，提供从实验设计到结果分析的完整解决方案，支持统计显著性检验和深度洞察。该技能基于“数据分析咖哥十话”的AB测试模块开发。
主要能力
完整的AB测试流程：支持实验设计和样本量计算、随机分组验证、转化率和留存率分析、统计显著性检验。
全面的统计方法：提供t检验（独立样本、配对样本）、卡方检验（拟合优度、独立性）、置信区间估计、效应量计算、多重比较校正。
智能用户分群：支持价值分群（高/低价值客户）、人口统计学分群、行为模式分群、自定义分群策略以及交互效应分析。
可视化功能：可生成转化率对比图、留存率曲线图、用户分群热力图、交互效应可视化、统计检验结果图，以及交互式仪表板。
高级分析功能：包括多变量AB测试、贝叶斯AB测试、时间序列分析、稳健性检查、因果推断支持。
使用方式
环境依赖安装：
pip install pandas numpy scipy matplotlib seaborn statsmodels
基础使用示例：
from scripts.ab_test_analyzer import ABTestAnalyzer
from scripts.statistical_tests import StatisticalTests
from scripts.visualizer import ABTestVisualizer
# 初始化分析器
analyzer = ABTestAnalyzer()
stats_tests = StatisticalTests()
visualizer = ABTestVisualizer()
# 加载AB测试数据
data = analyzer.load_data('ab_test_data.csv')
# 基础转化率分析
conversion_results = analyzer.analyze_conversion(
data,
group_col='页面版本',
conversion_col='是否购买'
)
# 统计显著性检验
t_test_result = stats_tests.t_test(
data,
group_col='页面版本',
metric_col='是否购买'
)
# 生成可视化报告
fig = visualizer.plot_conversion_comparison(conversion_results)
运行示例：
python quick_test.py
python examples/basic_ab_test_example.py
python examples/advanced_segmentation_example.py
python examples/comprehensive_analysis_example.py
数据格式方面，AB测试数据CSV包含用户ID、实验组别、转化状态、留存状态、累计消费金额、性别、年龄、价值组别、设备类型等字段；用户分群数据CSV包含用户ID、RFM分群、行为分群、人口统计分群、综合分群等字段。
项目结构包含核心功能模块（ab_test_analyzer.py、statistical_tests.py、segment_analyzer.py、visualizer.py）、示例脚本和样本数据目录。
高级配置方面，可设置显著性水平（alpha）、统计功效（power）、多重比较校正方法（如bonferroni），支持自定义分群规则和高级可视化配置（图表风格、figsize、dpi、格式等）。
适用场景
- 产品优化：网页改版效果评估、功能上线影响分析、用户界面优化测试、性能改进验证。
- 营销活动：广告创意测试、促销策略评估、邮件营销优化、社交媒体活动分析。
- 运营策略：定价策略测试、推荐算法优化、用户注册流程改进、客户服务策略评估。
限制
资料未提供具体收费、价格或平台限制等信息。常见问题中说明：p值小于0.05需结合效应量和实际意义解释；多重比较可使用Bonferroni校正、FDR校正等方法调整p值；贝叶斯方法适用于需要先验信息、样本量较小或想要获得概率性结论的场景。项目采用MIT License。