AB测试分析技能（AB Testing Analyzer）是一个功能完整的智能 AB 测试分析工具，基于“数据分析咖哥十话”的 AB 测试模块开发。按照项目说明，它覆盖从实验设计到结果分析的完整 AB 测试解决方案，支持多种统计检验方法、用户分群分析和可视化报告生成。
一、用途定位 该技能用于分析产品改版、营销活动、功能优化等 AB 测试结果，提供统计显著性检验和深度洞察。典型应用场景包括：产品优化方面，如网页改版效果评估、功能上线影响分析、用户界面优化测试、性能改进验证；营销活动方面，如广告创意测试、促销策略评估、邮件营销优化、社交媒体活动分析；运营策略方面，如定价策略测试、推荐算法优化、用户注册流程改进、客户服务策略评估。
二、主要能力
- 完整 AB 测试流程：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。
- 统计方法：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。
- 用户分群：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、交互效应分析。
- 可视化：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，并支持生成交互式仪表板。
- 高级分析：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。
三、使用方式 环境依赖：pip install pandas numpy scipy matplotlib seaborn statsmodels。基础用法为导入 scripts/ab_test_analyzer.py 的 ABTestAnalyzer、scripts/statistical_tests.py 的 StatisticalTests、scripts/visualizer.py 的 ABTestVisualizer，初始化后加载 AB 测试数据（如 ab_test_data.csv），调用 analyze_conversion 进行转化率分析、t_test 进行统计检验、plot_conversion_comparison 生成可视化报告。项目还提供快速运行入口：python quick_test.py、python examples/basic_ab_test_example.py、python examples/advanced_segmentation_example.py、python examples/comprehensive_analysis_example.py。分群分析需从 scripts/segment_analyzer.py 导入 SegmentAnalyzer，并使用 value_based_segmentation、segment_conversion_analysis、interaction_analysis 等方法。高级配置支持 set_significance_level、set_statistical_power、set_multiple_comparison_correction，以及自定义分群规则与图表样式配置。
四、数据格式 AB 测试数据示例字段包括：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。用户分群数据示例字段包括：用户ID、RFM分群、行为分群、人口统计分群、综合分群。
五、技术原理与常见问题 统计检验基于假设检验理论，通过计算检验统计量和 p 值判断统计显著性；中心极限定理为许多统计方法提供理论基础；贝叶斯推断结合先验信息与观测数据进行参数估计和假设检验；多重比较校正用于控制总体错误率。文档中还就样本量确定、p 值解读、多重比较处理、贝叶斯方法适用时机等问题给出说明。
六、项目结构与许可 项目结构包含 SKILL.md、README.md、quick_test.py、test_skill.py、scripts 目录（ab_test_analyzer.py、statistical_tests.py、segment_analyzer.py、visualizer.py）以及 examples 目录（含 sample_data 与多个示例脚本）。许可证为 MIT License。性能优化方面提到向量化操作、增量统计更新、并行计算、结果缓存和内存优化。
七、限制 资料未提供该技能的收费、价格、平台支持范围与效果保证等信息；示例代码中的函数名、参数与数据字段来自资料原文，实际运行结果与适用性需结合具体数据验证。