Что такое статистика A/B-тестирования
Статистика A/B-тестирования относится к статистической модели, используемой при проведении A/B-теста (контролируемого эксперимента), который в магазинах приложений представляет собой сравнение производительности двух вариантов страницы магазина. A/B-тест используется для подтверждения или опровержения гипотезы, путем тестирования только выборочной части всего населения в живом магазине, а затем использования собранных наблюдений для прогнозирования с разумной точностью поведения всего населения в живых магазинах приложений.
У каждой статистической модели есть ряд предварительных требований (параметров теста), которые должны быть выполнены для проведения надежного теста, показывающего, какая итерация работает лучше.
Существует три статистических метода A/B-тестирования, которыми можно пользоваться по-разному. Первый - "частотный" подход, который игнорирует любые предыдущие выводы или знания из аналогичных тестов, используя только данные из текущего эксперимента.
Зачем нужна статистика A/B-тестирования
Статистика является важной частью процесса планирования, проведения и оценки A/B-тестов.
Просто говоря: если не использовать правильную статистическую модель при A/B-тестировании, это будет пустой тратой времени и денег. Эффективное использование статистики A/B-тестирования должно привести к увеличению установок для протестированной аудитории, когда более успешная страница применяется к всему населению в живых магазинах приложений.
Статистика A/B-тестирования и ASO
Команды ASO должны быть в курсе используемой статистической модели при A/B-тестировании, чтобы убедиться, что она может быть доверена для наилучшего обслуживания целей тестирования. Она должна давать результаты, которые можно реализовать с уверенностью в реальном магазине приложений или Google Play, принося видимые выгоды. Использование неправильного статистического метода, не подходящего для измеряемых метрик, может привести к тому, что придется пройти обескураживающий процесс проведения тестов, внедрения результатов, но без получения ожидаемых изначально полезных результатов.
COVID-19 UPDATE 
