La hoja de ruta de los datos de autoservicio

Capítulo 14. Servicio de Pruebas A/B

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Ahora estamos listos para poner en funcionamiento nuestras canalizaciones de datos y ML para generar perspectivas en producción. Hay varias formas de generar información, y los usuarios de datos tienen que elegir cuál implementar en producción. Considera el ejemplo de un modelo de ML que pronostica los precios de la vivienda para los clientes finales. Supongamos que se desarrollan dos modelos igual de precisos para esta información: ¿cuál es mejor? Este capítulo se centra en una práctica cada vez más extendida en la que se implementan varios modelos y se presentan a distintos grupos de clientes. Basándose en los datos de comportamiento de uso de los clientes, el objetivo es seleccionar un modelo mejor. Las pruebas A/B (también conocidas como bucket testing, split testing, o experimento controlado) se están convirtiendo en un enfoque estándar para evaluar la satisfacción del usuario a partir de un cambio de producto, una nueva función o cualquier hipótesis relacionada con el crecimiento del producto. Las pruebas A/B se están convirtiendo en una norma, y se utilizan ampliamente para tomar decisiones basadas en datos. Es fundamental integrar las pruebas A/B como parte de la plataforma de datos para garantizar que se aplican definiciones de métricas coherentes en los modelos de ML, los informes empresariales y la experimentación. ...