​​Shared.domains - ссылки с морд в складчину

Как участник, всего за $150 вы получите ссылку с главной страницы домена, который был куплен на аукционе за $2000, а продление на следующий год будет стоить $30-50 (в зависимости от числа участников).

Работает это так: ежедневно в сервисе shared.domains появляются новые домены - это уже отобранные вручную домены, с нормальными анкорами, чистой историей по web archive и с максимальным числом ссылок в главную страницу и после выкупа домена, каждый участник получает ссылку с главной страницы.

Как сервис, мы хотим дать больше value нашим клиентам, поэтому активно ищем участников для нишевых складчин, где вашими соседями будут только сайты в той же нише.

Анжела @shared_domains_support готова ответить на все ваши вопросы, а при регистрации на сайте shared.domains по промокоду 2022 можно получить $25 на счет.

​​A/B Testing Result Analysis Using Python— Beginner’s Guide

via @ABtesting

​​Mindmap for Statistic test

via @ABtesting

​​A Practical Guide to A/B Testing.

@ABtesting

​​Bayesian Hierarchical A/B Testing with PyMC3

https://medium.com/geekculture/bayesian-hierarchical-a-b-testing-with-pymc3-f2c6bab14b24

via @ABtesting

​​Optimizing Marketing Strategies using A/B Testing with Machine Learning (Part 1, Part 2)

via @ABtesting

​​Variance reduction in experiments using covariate adjustment techniques by Data Scientists at Glovo

@ABtesting

​​AB testing in real life step-by-step.

+ repository with the code on GitHub

@ABtesting

​​Валідація продуктових гіпотез

Підходи до валідації та про А/Б тестування.

@ABtesting

​​BigQuery UDF for A/B-testing

Automate the calculations of experimental results in BigQuery via User Defined Function.

@BigQuery.

​​Difference-in-Differences

Метод оцінки ефекту змін у випадку, коли немає змоги провести A/B-тест.
+ приклад реалізації на Python.

@ABtesting

​​Як обійти обмеження Google Optimize при аналізі результатів A/B-тестування використовуючи BigQuery та Python зі зразками коду.

@BigQuery

An Introduction to Bayesian A/B Testing in Stan, R, and Python workshop - цікавий воркшоп від Dariia Mykhailyshyna за донат.

Про основи байєсівського підходу до A/B тестування та теорії прийняття рішень для аналізу великомасштабних експериментів у промислових умовах.

Більше корисних воркшопів тут.

@ABtesting

​​Google продовжує навчальну програму "Розвивайте кар’єру з Google Cloud" - тепер із фокусом на машинне навчання (ML), штучний інтелект (АІ) та роботу з даними!

Програма стартує 18 вересня та націлена на програмістів, IT-інженерів, студентів IT-спеціальностей і точних наук, а також нетехнічних фахівців, які працюють із даними.

Учасники програми отримають:

✔️45 днів безкоштовного доступу до платформи Google Cloud Skills Boost
✔️практичний досвід
✔️індивідуальні напрями навчання, зокрема з фокусом на АІ, ML та дані
✔️призи від Google
✔️безкоштовні ваучери на сертифікаційний іспит Google Cloud
✔️поради від експертів із хмарних технологій

🔗 Долучайтеся до програми за посиланням!

​​The Five Types of A/B Test Decisions

https://www.harlan.harris.name/2023/07/the-five-types-of-a-b-test-decisions/

@ABtesting

​​Delusive Extrapolation and A/B Testing

Cautionary Tales of Complexity and the Dangers of Jumping to Conclusions

@ABtesting

​​When You Should Prefer “Thompson Sampling” Over A/B Tests

An in-depth explanation of “Thompson Sampling”, a more efficient alternative to A/B testing for online learning

@ABtesting

​​The downsides of experimentation

The article help you to delve into the less discussed, yet critical, aspects of experimentation.

@ProductAnalytics

​​Computing Minimum Sample Size for A/B Tests in Statsmodels: How and Why

A deep-dive into how and why Statsmodels uses numerical optimization instead of closed-form formulas.

@ABtesting

​​Ми в MacPaw шукаємо продуктового аналітика з досвідом у web-аналітиці та бажанням працювати над маркетинговими задачами.

MacPaw - продуктова ІТ компанія, розробляє macOS/iOS-додатки, продукти якої встановлені на кожному 5-му макбуці світу.

40+ аналітиків, багато різноманітних сервісних команд, які допомагають продуктовим аналітикам робити їх роботу краще. Можливість працювати віддалено.

Вакансія за посиланням:

👉 Product Analyst (Marketing).

​​Beyond the limitation of A/B Testing using Causal Inference

In the realm of product management and development, understanding the impact of new campaign (aka treatment) releases on user behavior is crucial. Campaign assessing effect on key performance indicators, such as retention metrics (specifically, Day 1 retention or D1), becomes a pivotal task.

However, this task presents several challenges. While A/B testing is commonly employed to measure such impacts, it is not always a viable option due to ethical, practical, or financial constraints.

@ProductAnalytics