Hier haben Sie ein Beispiel. Ein Arzt kann ein medizinisches Problem bei einem Patienten diagnostizieren, indem er einen der beiden Ans\u00e4tze befolgt. Wie bei Common h\u00e4tten Sie f\u00fcr die Diagnose ein festes Muster, das den spezifischen Symptomen eines Patienten zugeordnet w\u00e4re. Sie k\u00f6nnen den Patienten danach untersuchen und die Ursache anhand des von Ihnen verwendeten festen Modells ermitteln. <\/p>\n
Im Gegensatz dazu h\u00e4tte der Arzt als Bayesianer immer noch ein Modell. Ich w\u00fcrde den Patienten untersuchen, um seinen Zustand zu beurteilen und Symptome zu identifizieren. Daher umfasst Ihre Diagnose aktuelle und historische Symptome, um die wahre Ursache zu ermitteln. Durch diesen Ansatz wird Ihr bestehendes Modell mit neuen Informationen aktualisiert, was zu schnelleren Innovationen f\u00fchren kann, ohne dass zus\u00e4tzliche Kosten, Zeit oder Energie f\u00fcr den Diagnoseprozess aufgewendet werden. <\/p>\n
Ein Beispiel von StackExchange vereinfacht dieses Konzept noch weiter. <\/p>\n
Nehmen wir an, Sie haben Ihr Telefon verloren und da dies st\u00e4ndig passiert, haben Sie einen Telefonortungsger\u00e4t gekauft. An die Basis Ihres Telefons ist ein Instrument angeschlossen, das es anweist, einen Piepton zu ert\u00f6nen, wenn Sie eine Taste auf dem Telefonpager dr\u00fccken. Das Problem ist: Wo sollten Sie mit der Haussuche beginnen?<\/p>\n
Wenn Sie h\u00e4ufig unterwegs sind, erkennt Ihr eingebautes Modell den Bereich anhand der Richtung des Pieptons. Daher wird es nach den Signalt\u00f6nen laufen, um den Standort des Ger\u00e4ts im Haus zu ermitteln.<\/p>\n
Als Bayesianer w\u00fcrden Sie sich jedoch an die Orte erinnern, an denen Sie es gefunden haben, als es das letzte Mal verschwunden ist. Haben Sie es auf dem K\u00fcchenboden gefunden oder unter der Waschk\u00fcche vergraben? Sie werden Gr\u00fcnde haben, Ihr Telefon an diesen Orten zu platzieren. Abgesehen vom Piepton ist das Merken dieser Informationen ein erster Schritt, der Ihnen dabei helfen kann, eine evidenzbasierte Entscheidung zu treffen. In diesem Fall erfahren Sie, wo Sie mit der Suche beginnen k\u00f6nnen.<\/p>\n
Der entscheidende Aspekt des Bayes’schen Denkens besteht darin, dass es Ihnen erm\u00f6glicht, bereits bestehende \u00dcberzeugungen (a priori) w\u00e4hrend Ihrer Untersuchung zu untersuchen und diese \u00dcberzeugungen mit Beweisdaten zu aktualisieren, was zu neuen \u00dcberzeugungen f\u00fchrt (a posteriori). <\/p>\n
Warum ist im Zusammenhang mit A\/B-Tests der Bayes’sche Ansatz vorteilhafter als der frequentistische?<\/h2>\n
Man h\u00f6rt einen Frequentisten, der nicht gerne \u00fcber einzelne Ereignisse spricht, murmeln: \u201eHabe ich die Wahrheit richtig verstanden?\u201c Im Gegensatz dazu h\u00f6rt man einen Bayesianer, dem die Aktualisierung datengest\u00fctzter Meinungen wichtiger ist als die Suche nach der ultimativen Wahrheit, lautstark erkl\u00e4ren: \u201eIch wei\u00df nicht, was die Wahrheit ist, aber ich denke, meine urspr\u00fcngliche Meinung w\u00fcrde sich jetzt \u00e4ndern. Das habe ich.\u201c Neue Informationen bei mir! ” Ziemlich sicher? Ok ja!<\/p>\n
Wir haben mit VWO einen A\/B-Test durchgef\u00fchrt, um zu pr\u00fcfen, ob ein Banner, das bei der Ausstiegsabsicht der Besucher erscheint, die Lead-Generierung auf unserem Blog steigern kann. Wenn wir es durch die Bayes’sche Linse betrachten, sehen wir in der grafischen Darstellung ein unterschiedliches Ma\u00df an Vertrauen in alle m\u00f6glichen Conversion-Raten. Wir kommen zu dem Schluss, dass die Kontrolle (kein Banner) der Gewinner ist, und dar\u00fcber hinaus gab es eine \u00dcberschneidung bei der Conversion-Rate zwischen 0,25 % und 0,6 %.<\/p>\n Andererseits ergab der Frequentist-Ansatz a = 0,042, was ebenfalls zu dem Schluss f\u00fchrte, dass die Kontrolle der Gewinner ist. <\/p>\n Der Frequentist-Ansatz legt Wert darauf, eine signifikante Besucherzahl zu erreichen, um einen Mehrwert zu erzielen, was sich nur schwer in einen gesch\u00e4ftlichen Kontext einordnen l\u00e4sst. Was k\u00f6nnen Sie hier mit a = 0,042 erkennen? Es wird Sie wahrscheinlich verwirren. <\/p>\n Als Vermarkter oder Wachstumsf\u00fchrer m\u00f6chten Sie, dass Ihr Tool die schwere Arbeit in Sachen Statistiken \u00fcbernimmt und Ihnen Ergebnisse liefert, die Ihnen dabei helfen, gute Gesch\u00e4ftsentscheidungen zu treffen. <\/p>\n Bayesian bietet eine sinnvollere und intuitivere M\u00f6glichkeit, Ihre CRO-Bem\u00fchungen zu optimieren. Sie aktualisieren Ihre evidenzgest\u00fctzten Meinungen, wenn Sie Ihre Vorhersage ableiten und im Experimentzyklus mit einer Wissensaktualisierung Lernen anregen, wie in der Abbildung unten dargestellt.<\/p>\n VWO geht den bayesianischen Weg mit SmartStats, einer auf Bayesian basierenden Statistik-Engine f\u00fcr A\/B-Tests. Diese Engine liefert Ihnen intelligente Ergebnisse, um intelligentere Gesch\u00e4ftsentscheidungen zu treffen und verk\u00fcrzt die Testzeit. <\/p>\n Der Bayes’sche Ansatz erm\u00f6glicht es Ihnen, Wissen iterativ in Ihre Experimente einzubeziehen. SmartStats katalysiert diesen Ansatz mithilfe einer nicht-informativen Priorisierung, bei der alle Conversion-Rate-M\u00f6glichkeiten gleich wahrscheinlich sind. Dar\u00fcber hinaus stellt es sicher, dass Sie die Kontrolle behalten und den Fortschritt des Tests \u00fcberwachen und \u00fcber einen bestimmten Zeitraum hinweg seine Signifikanz erreichen k\u00f6nnen, bevor er abgeschlossen wird. <\/p>\n Kehren wir zum Exit-Intent-Banner-Beispiel zur\u00fcck, das im Blog besprochen wurde. Zum Testen stellten wir fest, dass die Verteilungen anfangs breiter waren. Wie unten gezeigt, k\u00f6nnen Sie jedoch erkennen, dass sie mit zunehmender Datenmenge zu schrumpfen begannen. Wenn Sie sich den Fortschritt dieses Experiments in Bezug auf Zeit und Verkehr ansehen, sieht es bei der geringsten Besucherzahl wie folgt aus und zeigt eine f\u00fchrende (nicht signifikante) Variation:<\/p>\n Und das bei ~1000 Besuchern, die Variation nimmt stark ab und die Kontrolle weitet sich aus:<\/p>\n Das letzte Diagramm, das die Kontrolle zum Gewinner erkl\u00e4rt:<\/p>\n Durch die M\u00f6glichkeit, \u00dcberzeugungen als Teil des Experiments einzubeziehen, k\u00f6nnen Sie mit dem Bayes\u2019schen Ansatz im Vergleich zu einem frequentistischen Ansatz schnellere Entscheidungen mit geringeren Experimentierkosten treffen. <\/p>\n Es ist \u00fcblich, einen Bayes’schen Ansatz zu verwenden, wenn die Durchf\u00fchrung eines Experiments teurer ist und nicht gen\u00fcgend Daten f\u00fcr eine Entscheidung vorliegen, sei es ein medizinischer Diagnosetest zur Feststellung der Wahrscheinlichkeit einer Krebserkrankung oder eine E-Mail als Spam.<\/p>\n Dar\u00fcber hinaus erm\u00f6glicht Ihnen der Bayes’sche Ansatz, sowohl einen sp\u00e4teren Teil eines Experiments als auch vor einem anderen zu f\u00fcttern. Daher erm\u00f6glicht Ihnen ein auf diesem Modell basierendes A\/B-Testtool eine konsistente und schnelle Optimierung Ihrer Experimente f\u00fcr Conversions. Sie m\u00fcssen nicht jedes Mal neue Daten aus Ihrem Experiment lernen, sondern die sp\u00e4teren Daten (sprich: Aktualisierung) iterativ mit den fr\u00fcheren Daten verkn\u00fcpfen, um eine deutliche Verbesserung mit weniger Daten zu ermitteln.<\/p>\n Beim Exit-Intent-Banner-Experiment, das im Blog ausf\u00fchrlich besprochen wurde, haben wir eine schnelle Entscheidung getroffen, indem wir uns den Fortschritt des Tests angesehen haben, sobald er Bedeutung erlangte. Wir haben dies getan, um den Verlust der Chancenmetrik, in diesem Fall MQLs, abzumildern. Der Test endete mit der Feststellung, dass ein Exit-Intent-Banner auf unserem Blog nicht funktioniert. Diese Beobachtung kann als datengest\u00fctzter (Post-)Beweis dienen, der vor unseren nachfolgenden Blogging-Experimenten gespeist wird.<\/p>\n Also warten Sie nicht. Machen Sie einen Schritt, scheitern Sie schnell, lernen Sie effektiv und wachsen Sie exponentiell mit iterativen A\/B-Tests, die Innovationsm\u00f6glichkeiten in Ihrem Unternehmen versprechen und astronomische Konvertierungen bewirken.<\/p>\n A\/B-Tests gehen Hand in Hand mit der CRO-Strategie jedes Vermarkters. Als Vermarkter oder CRO-Experte k\u00f6nnen Sie den Wert der Einf\u00fchrung einer Experimentierkultur in Ihrem Unternehmen nicht untersch\u00e4tzen. Allerdings bleibt es f\u00fcr Online-Unternehmen eine st\u00e4ndige Herausforderung, eine optimale Variante zu finden, um h\u00f6here Conversions zu erzielen. In seiner klassischen Form funktioniert A\/B-Testing als bin\u00e4res Modell, eine […]<\/p>\n","protected":false},"author":1,"featured_media":850203,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","fifu_image_url":"https:\/\/blogging-techies.com\/wp-content\/uploads\/2023\/06\/56n-1-1-768x432-1.png","fifu_image_alt":""},"categories":[7],"tags":[],"_links":{"self":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts\/850202"}],"collection":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/comments?post=850202"}],"version-history":[{"count":0,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/posts\/850202\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/media\/850203"}],"wp:attachment":[{"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/media?parent=850202"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/categories?post=850202"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blogging-techies.com\/ge\/wp-json\/wp\/v2\/tags?post=850202"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"Bayesianischer](\"https:\/\/blogging-techies.com\/wp-content\/uploads\/2021\/12\/1639497667_988_Pruebas-bayesianas-A-B-un-modelo-de-razonamiento-poderoso.png\")
<\/figure>\n![\"Bayesianischer](\"https:\/\/blogging-techies.com\/wp-content\/uploads\/2021\/12\/1639497667_659_Pruebas-bayesianas-A-B-un-modelo-de-razonamiento-poderoso.png\")
<\/figure>\nVWO SmartStats: der Bayes’sche Weg<\/h3>\n
![\"Blog-Banner](\"https:\/\/blogging-techies.com\/wp-content\/uploads\/2021\/12\/1639497667_417_Pruebas-bayesianas-A-B-un-modelo-de-razonamiento-poderoso.png\")
<\/figure>\n
Die Wahrscheinlichkeit, den Ausgangswert zu Beginn des Tests zu \u00fcberschreiten, lag bei nahezu 50 %, doch im weiteren Verlauf des Tests erreichte sie nach Erreichen von 1.000 Besuchern eine Konfidenz von 95 %, wodurch die Kontrolle zum Gewinner erkl\u00e4rt wurde.<\/p>\n![\"Bayesianischer](\"https:\/\/blogging-techies.com\/wp-content\/uploads\/2021\/12\/1639497667_810_Pruebas-bayesianas-A-B-un-modelo-de-razonamiento-poderoso.png\")
<\/figure>\n![\"Bayesianischer](\"https:\/\/blogging-techies.com\/wp-content\/uploads\/2021\/12\/1639497667_188_Pruebas-bayesianas-A-B-un-modelo-de-razonamiento-poderoso.png\")
<\/figure>\n![\"Bayesianischer](\"https:\/\/blogging-techies.com\/wp-content\/uploads\/2021\/12\/1639497667_179_Pruebas-bayesianas-A-B-un-modelo-de-razonamiento-poderoso.png\")
<\/figure>\nWie erm\u00f6glicht Bayesianisches A\/B-Testen schnellere Innovationen?<\/h2>\n
![\"End](\"https:\/\/blogging-techies.com\/wp-content\/uploads\/2021\/12\/1639497667_510_Pruebas-bayesianas-A-B-un-modelo-de-razonamiento-poderoso.png\")
<\/figure>\n ","protected":false},"excerpt":{"rendered":"