[{"data":1,"prerenderedAt":876},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fru\u002Fmarketing\u002Fbayes-a-b-testi-hizli-karar-verme":13},{"i18nKey":4,"paths":5},"marketing-002-2026-06",{"de":6,"en":7,"es":8,"fr":9,"it":10,"ru":11,"tr":12},"\u002Fde\u002Fmarketing\u002Fbayesian-ab-test-schnelle-entscheidungsfindung","\u002Fen\u002Fmarketing\u002Ffast-decision-making-with-bayesian-ab-testing","\u002Fes\u002Fmarketing\u002Fprueba-bayesiana-ab-toma-rapida-decisiones","\u002Ffr\u002Fmarketing\u002Fbayesian-ab-testi-hizli-karar-verme","\u002Fit\u002Fmarketing\u002Ftest-bayesiano-ab-decisione-veloce","\u002Fru\u002Fmarketing\u002Fbayes-a-b-testi-hizli-karar-verme","\u002Ftr\u002Fmarketing\u002Fbayesian-a-b-test-ile-hizli-karar-verme",{"_path":11,"_dir":14,"_draft":15,"_partial":15,"_locale":16,"title":17,"description":18,"publishedAt":19,"modifiedAt":19,"category":14,"i18nKey":4,"tags":20,"readingTime":26,"author":27,"body":28,"_type":870,"_id":871,"_source":872,"_file":873,"_stem":874,"_extension":875},"marketing",false,"","Bayesian A\u002FB Test для Быстрого Принятия Решений","Вместо жестких правил частотника о размере выборки используйте байесовский подход с последовательным тестированием. Обновляйте распределение вероятностей в реальном времени, принимайте решения раньше.","2026-06-18",[21,22,23,24,25],"ab-testing","bayesian-statistics","conversion-optimization","sequential-testing","performance-marketing",9,"Roibase",{"type":29,"children":30,"toc":859},"root",[31,39,46,51,56,61,67,72,87,92,97,104,540,553,559,564,569,604,620,626,631,636,743,748,754,764,774,784,794,800,805,810,834,839,844,848,853],{"type":32,"tag":33,"props":34,"children":35},"element","p",{},[36],{"type":37,"value":38},"text","Классический метод A\u002FB тестирования привязан к фиксированному размеру выборки. Вы ждёте, пока накопится N пользователей, проводите t-тест, проверяете p-value. Но рыночная реальность такова: если вариант B явно проигрывает каждый день, то сжигать трафик ещё две недели — это расточительство. Байесовский подход решает эту проблему — в ходе теста каждый день обновляйте апостериорное распределение и говорите «сейчас вероятность победы варианта A составляет 94%». Вы сами определяете порог принятия решения, не привязаны к жесткому частотистскому p\u003C0,05.",{"type":32,"tag":40,"props":41,"children":43},"h2",{"id":42},"структурные-ограничения-частотистского-теста",[44],{"type":37,"value":45},"Структурные Ограничения Частотистского Теста",{"type":32,"tag":33,"props":47,"children":48},{},[49],{"type":37,"value":50},"Традиционный A\u002FB тест основан на рамках Неймана—Пирсона. Вы формулируете нулевую гипотезу (H₀: различий между вариантами нет), устанавливаете уровень alpha (обычно 0,05), определяете минимально обнаруживаемый эффект (MDE), проводите анализ мощности (80%), рассчитываете требуемый размер выборки и тестируете до его достижения. Подглядывание в результаты до завершения теста увеличивает ошибку первого рода — поэтому это считается недопустимым.",{"type":32,"tag":33,"props":52,"children":53},{},[54],{"type":37,"value":55},"Проблема: в цифровых кампаниях стоимость трафика означает деньги каждый день. Если расчёт требует 12 000 пользователей, а в день приходит 800, вы ждёте 15 дней. Но на 5-й день показатель конверсии варианта B упал с 2,1% до 1,3% — и вам всё равно нужно ждать ещё 10 дней. Частотистская методология это оправдывает, потому что «ранняя остановка = систематическая ошибка». На деле же сценарий теста нестабилен — бюджет кампании конечен, есть сезонность, конкуренты могут действовать. Жесткое требование размера выборки не обеспечивает гибкости.",{"type":32,"tag":33,"props":57,"children":58},{},[59],{"type":37,"value":60},"Есть ещё один момент: p-value показывает лишь «какова вероятность увидеть эти данные, если H₀ верна». Он не говорит о вероятности того, что вариант A действительно лучше. Если p=0,03, вы отклоняете H₀, но не можете сказать «шанс A победить B составляет 97%». Частотистский язык дает вам только «статистическую значимость», чего недостаточно для принятия решения.",{"type":32,"tag":40,"props":62,"children":64},{"id":63},"логика-байесовского-подхода",[65],{"type":37,"value":66},"Логика Байесовского Подхода",{"type":32,"tag":33,"props":68,"children":69},{},[70],{"type":37,"value":71},"Байесовский фреймворк преобразует предварительное знание в апостериорное распределение. Prior (приоритет) — это ваше убеждение о коэффициенте конверсии до начала теста. По мере поступления данных теорема Байеса обновляет prior. Posterior — это распределение коэффициента конверсии на основе накопленных данных.",{"type":32,"tag":33,"props":73,"children":74},{},[75,77,81],{"type":37,"value":76},"Формула:",{"type":32,"tag":78,"props":79,"children":80},"br",{},[],{"type":32,"tag":82,"props":83,"children":84},"strong",{},[85],{"type":37,"value":86},"P(θ | data) ∝ P(data | θ) × P(θ)",{"type":32,"tag":33,"props":88,"children":89},{},[90],{"type":37,"value":91},"θ = коэффициент конверсии, data = наблюдаемое число успехов и неудач. Правдоподобие (вероятность данных) × prior → posterior. Бета-распределение является сопряженным приором, поэтому вычисления просты: если для варианта A наблюдается α успехов и β неудач, апостериор = Beta(α+1, β+1).",{"type":32,"tag":33,"props":93,"children":94},{},[95],{"type":37,"value":96},"Каждый день при поступлении новых данных обновляйте апостериор. Критическое преимущество последовательного теста именно в этом: вы сравниваете апостериорные распределения и рассчитываете через Монте-Карло симуляцию «вероятность того, что коэффициент конверсии A выше, чем B». Если это превысит 95%, принимайте решение. Не как в частотистском подходе — «достигни N, затем смотри», а «смотри каждый день, и если порог превышен, останови».",{"type":32,"tag":98,"props":99,"children":101},"h3",{"id":100},"пример-расчёта-апостериора",[102],{"type":37,"value":103},"Пример Расчёта Апостериора",{"type":32,"tag":105,"props":106,"children":110},"pre",{"className":107,"code":108,"language":109,"meta":16,"style":16},"language-python shiki shiki-themes github-dark","import numpy as np\nfrom scipy.stats import beta\n\n# Вариант A: 120 конверсий, 1200 показов\nalpha_A = 120 + 1  # +1 для uniform приора\nbeta_A = (1200 - 120) + 1\n\n# Вариант B: 95 конверсий, 1150 показов\nalpha_B = 95 + 1\nbeta_B = (1150 - 95) + 1\n\n# Монте-Карло: 10,000 выборок\nsamples_A = beta.rvs(alpha_A, beta_A, size=10000)\nsamples_B = beta.rvs(alpha_B, beta_B, size=10000)\n\n# Вероятность A > B\nprob_A_wins = (samples_A > samples_B).mean()\nprint(f\"P(A > B) = {prob_A_wins:.3f}\")\n","python",[111],{"type":32,"tag":112,"props":113,"children":114},"code",{"__ignoreMap":16},[115,143,166,176,186,221,268,276,285,310,352,360,369,407,441,449,458,486],{"type":32,"tag":116,"props":117,"children":120},"span",{"class":118,"line":119},"line",1,[121,127,133,138],{"type":32,"tag":116,"props":122,"children":124},{"style":123},"--shiki-default:#F97583",[125],{"type":37,"value":126},"import",{"type":32,"tag":116,"props":128,"children":130},{"style":129},"--shiki-default:#E1E4E8",[131],{"type":37,"value":132}," numpy ",{"type":32,"tag":116,"props":134,"children":135},{"style":123},[136],{"type":37,"value":137},"as",{"type":32,"tag":116,"props":139,"children":140},{"style":129},[141],{"type":37,"value":142}," np\n",{"type":32,"tag":116,"props":144,"children":146},{"class":118,"line":145},2,[147,152,157,161],{"type":32,"tag":116,"props":148,"children":149},{"style":123},[150],{"type":37,"value":151},"from",{"type":32,"tag":116,"props":153,"children":154},{"style":129},[155],{"type":37,"value":156}," scipy.stats ",{"type":32,"tag":116,"props":158,"children":159},{"style":123},[160],{"type":37,"value":126},{"type":32,"tag":116,"props":162,"children":163},{"style":129},[164],{"type":37,"value":165}," beta\n",{"type":32,"tag":116,"props":167,"children":169},{"class":118,"line":168},3,[170],{"type":32,"tag":116,"props":171,"children":173},{"emptyLinePlaceholder":172},true,[174],{"type":37,"value":175},"\n",{"type":32,"tag":116,"props":177,"children":179},{"class":118,"line":178},4,[180],{"type":32,"tag":116,"props":181,"children":183},{"style":182},"--shiki-default:#6A737D",[184],{"type":37,"value":185},"# Вариант A: 120 конверсий, 1200 показов\n",{"type":32,"tag":116,"props":187,"children":189},{"class":118,"line":188},5,[190,195,200,206,211,216],{"type":32,"tag":116,"props":191,"children":192},{"style":129},[193],{"type":37,"value":194},"alpha_A ",{"type":32,"tag":116,"props":196,"children":197},{"style":123},[198],{"type":37,"value":199},"=",{"type":32,"tag":116,"props":201,"children":203},{"style":202},"--shiki-default:#79B8FF",[204],{"type":37,"value":205}," 120",{"type":32,"tag":116,"props":207,"children":208},{"style":123},[209],{"type":37,"value":210}," +",{"type":32,"tag":116,"props":212,"children":213},{"style":202},[214],{"type":37,"value":215}," 1",{"type":32,"tag":116,"props":217,"children":218},{"style":182},[219],{"type":37,"value":220},"  # +1 для uniform приора\n",{"type":32,"tag":116,"props":222,"children":224},{"class":118,"line":223},6,[225,230,234,239,244,249,253,258,263],{"type":32,"tag":116,"props":226,"children":227},{"style":129},[228],{"type":37,"value":229},"beta_A ",{"type":32,"tag":116,"props":231,"children":232},{"style":123},[233],{"type":37,"value":199},{"type":32,"tag":116,"props":235,"children":236},{"style":129},[237],{"type":37,"value":238}," (",{"type":32,"tag":116,"props":240,"children":241},{"style":202},[242],{"type":37,"value":243},"1200",{"type":32,"tag":116,"props":245,"children":246},{"style":123},[247],{"type":37,"value":248}," -",{"type":32,"tag":116,"props":250,"children":251},{"style":202},[252],{"type":37,"value":205},{"type":32,"tag":116,"props":254,"children":255},{"style":129},[256],{"type":37,"value":257},") ",{"type":32,"tag":116,"props":259,"children":260},{"style":123},[261],{"type":37,"value":262},"+",{"type":32,"tag":116,"props":264,"children":265},{"style":202},[266],{"type":37,"value":267}," 1\n",{"type":32,"tag":116,"props":269,"children":271},{"class":118,"line":270},7,[272],{"type":32,"tag":116,"props":273,"children":274},{"emptyLinePlaceholder":172},[275],{"type":37,"value":175},{"type":32,"tag":116,"props":277,"children":279},{"class":118,"line":278},8,[280],{"type":32,"tag":116,"props":281,"children":282},{"style":182},[283],{"type":37,"value":284},"# Вариант B: 95 конверсий, 1150 показов\n",{"type":32,"tag":116,"props":286,"children":287},{"class":118,"line":26},[288,293,297,302,306],{"type":32,"tag":116,"props":289,"children":290},{"style":129},[291],{"type":37,"value":292},"alpha_B ",{"type":32,"tag":116,"props":294,"children":295},{"style":123},[296],{"type":37,"value":199},{"type":32,"tag":116,"props":298,"children":299},{"style":202},[300],{"type":37,"value":301}," 95",{"type":32,"tag":116,"props":303,"children":304},{"style":123},[305],{"type":37,"value":210},{"type":32,"tag":116,"props":307,"children":308},{"style":202},[309],{"type":37,"value":267},{"type":32,"tag":116,"props":311,"children":313},{"class":118,"line":312},10,[314,319,323,327,332,336,340,344,348],{"type":32,"tag":116,"props":315,"children":316},{"style":129},[317],{"type":37,"value":318},"beta_B ",{"type":32,"tag":116,"props":320,"children":321},{"style":123},[322],{"type":37,"value":199},{"type":32,"tag":116,"props":324,"children":325},{"style":129},[326],{"type":37,"value":238},{"type":32,"tag":116,"props":328,"children":329},{"style":202},[330],{"type":37,"value":331},"1150",{"type":32,"tag":116,"props":333,"children":334},{"style":123},[335],{"type":37,"value":248},{"type":32,"tag":116,"props":337,"children":338},{"style":202},[339],{"type":37,"value":301},{"type":32,"tag":116,"props":341,"children":342},{"style":129},[343],{"type":37,"value":257},{"type":32,"tag":116,"props":345,"children":346},{"style":123},[347],{"type":37,"value":262},{"type":32,"tag":116,"props":349,"children":350},{"style":202},[351],{"type":37,"value":267},{"type":32,"tag":116,"props":353,"children":355},{"class":118,"line":354},11,[356],{"type":32,"tag":116,"props":357,"children":358},{"emptyLinePlaceholder":172},[359],{"type":37,"value":175},{"type":32,"tag":116,"props":361,"children":363},{"class":118,"line":362},12,[364],{"type":32,"tag":116,"props":365,"children":366},{"style":182},[367],{"type":37,"value":368},"# Монте-Карло: 10,000 выборок\n",{"type":32,"tag":116,"props":370,"children":372},{"class":118,"line":371},13,[373,378,382,387,393,397,402],{"type":32,"tag":116,"props":374,"children":375},{"style":129},[376],{"type":37,"value":377},"samples_A ",{"type":32,"tag":116,"props":379,"children":380},{"style":123},[381],{"type":37,"value":199},{"type":32,"tag":116,"props":383,"children":384},{"style":129},[385],{"type":37,"value":386}," beta.rvs(alpha_A, beta_A, ",{"type":32,"tag":116,"props":388,"children":390},{"style":389},"--shiki-default:#FFAB70",[391],{"type":37,"value":392},"size",{"type":32,"tag":116,"props":394,"children":395},{"style":123},[396],{"type":37,"value":199},{"type":32,"tag":116,"props":398,"children":399},{"style":202},[400],{"type":37,"value":401},"10000",{"type":32,"tag":116,"props":403,"children":404},{"style":129},[405],{"type":37,"value":406},")\n",{"type":32,"tag":116,"props":408,"children":410},{"class":118,"line":409},14,[411,416,420,425,429,433,437],{"type":32,"tag":116,"props":412,"children":413},{"style":129},[414],{"type":37,"value":415},"samples_B ",{"type":32,"tag":116,"props":417,"children":418},{"style":123},[419],{"type":37,"value":199},{"type":32,"tag":116,"props":421,"children":422},{"style":129},[423],{"type":37,"value":424}," beta.rvs(alpha_B, beta_B, ",{"type":32,"tag":116,"props":426,"children":427},{"style":389},[428],{"type":37,"value":392},{"type":32,"tag":116,"props":430,"children":431},{"style":123},[432],{"type":37,"value":199},{"type":32,"tag":116,"props":434,"children":435},{"style":202},[436],{"type":37,"value":401},{"type":32,"tag":116,"props":438,"children":439},{"style":129},[440],{"type":37,"value":406},{"type":32,"tag":116,"props":442,"children":444},{"class":118,"line":443},15,[445],{"type":32,"tag":116,"props":446,"children":447},{"emptyLinePlaceholder":172},[448],{"type":37,"value":175},{"type":32,"tag":116,"props":450,"children":452},{"class":118,"line":451},16,[453],{"type":32,"tag":116,"props":454,"children":455},{"style":182},[456],{"type":37,"value":457},"# Вероятность A > B\n",{"type":32,"tag":116,"props":459,"children":461},{"class":118,"line":460},17,[462,467,471,476,481],{"type":32,"tag":116,"props":463,"children":464},{"style":129},[465],{"type":37,"value":466},"prob_A_wins ",{"type":32,"tag":116,"props":468,"children":469},{"style":123},[470],{"type":37,"value":199},{"type":32,"tag":116,"props":472,"children":473},{"style":129},[474],{"type":37,"value":475}," (samples_A ",{"type":32,"tag":116,"props":477,"children":478},{"style":123},[479],{"type":37,"value":480},">",{"type":32,"tag":116,"props":482,"children":483},{"style":129},[484],{"type":37,"value":485}," samples_B).mean()\n",{"type":32,"tag":116,"props":487,"children":489},{"class":118,"line":488},18,[490,495,500,505,511,516,521,526,531,536],{"type":32,"tag":116,"props":491,"children":492},{"style":202},[493],{"type":37,"value":494},"print",{"type":32,"tag":116,"props":496,"children":497},{"style":129},[498],{"type":37,"value":499},"(",{"type":32,"tag":116,"props":501,"children":502},{"style":123},[503],{"type":37,"value":504},"f",{"type":32,"tag":116,"props":506,"children":508},{"style":507},"--shiki-default:#9ECBFF",[509],{"type":37,"value":510},"\"P(A > B) = ",{"type":32,"tag":116,"props":512,"children":513},{"style":202},[514],{"type":37,"value":515},"{",{"type":32,"tag":116,"props":517,"children":518},{"style":129},[519],{"type":37,"value":520},"prob_A_wins",{"type":32,"tag":116,"props":522,"children":523},{"style":123},[524],{"type":37,"value":525},":.3f",{"type":32,"tag":116,"props":527,"children":528},{"style":202},[529],{"type":37,"value":530},"}",{"type":32,"tag":116,"props":532,"children":533},{"style":507},[534],{"type":37,"value":535},"\"",{"type":32,"tag":116,"props":537,"children":538},{"style":129},[539],{"type":37,"value":406},{"type":32,"tag":33,"props":541,"children":542},{},[543,545,551],{"type":37,"value":544},"Пример результата: ",{"type":32,"tag":112,"props":546,"children":548},{"className":547},[],[549],{"type":37,"value":550},"P(A > B) = 0.983",{"type":37,"value":552}," — с уверенностью 98,3% A побеждает. Частотистский t-тест на тех же данных может дать p=0,06 (не значимо), а байесовский говорит 98%. Какой результат более полезен для деловой практики?",{"type":32,"tag":40,"props":554,"children":556},{"id":555},"последовательное-тестирование-и-ранняя-остановка",[557],{"type":37,"value":558},"Последовательное Тестирование и Ранняя Остановка",{"type":32,"tag":33,"props":560,"children":561},{},[562],{"type":37,"value":563},"Байесовский тест организован как последовательная процедура. Обновляйте апостериор каждый день, проверяйте порог принятия решения. Метрика «вероятность быть лучшим» (Probability to be best) превышает 95% — останавливайте, развёртывайте победителя. Эта ранняя остановка не увеличивает ошибку первого рода, как в частотизме, потому что критерий — апостериорная вероятность, а не p-value.",{"type":32,"tag":33,"props":565,"children":566},{},[567],{"type":37,"value":568},"Практическое применение:",{"type":32,"tag":570,"props":571,"children":572},"ol",{},[573,579,584,589,594,599],{"type":32,"tag":574,"props":575,"children":576},"li",{},[577],{"type":37,"value":578},"Определите prior (обычно используется неинформативный Beta(1,1) — равномерное распределение)",{"type":32,"tag":574,"props":580,"children":581},{},[582],{"type":37,"value":583},"Собирайте данные о конверсиях каждый день",{"type":32,"tag":574,"props":585,"children":586},{},[587],{"type":37,"value":588},"Рассчитывайте апостериор",{"type":32,"tag":574,"props":590,"children":591},{},[592],{"type":37,"value":593},"Вычислите P(A > B) и P(B > A)",{"type":32,"tag":574,"props":595,"children":596},{},[597],{"type":37,"value":598},"Если любой показатель превысит 95%, остановите тест",{"type":32,"tag":574,"props":600,"children":601},{},[602],{"type":37,"value":603},"Если спустя 14 дней не достигли 95% — завершите как «неокончательный» (недостаточно данных)",{"type":32,"tag":33,"props":605,"children":606},{},[607,609,618],{"type":37,"value":608},"Этот подход критически важен для ",{"type":32,"tag":610,"props":611,"children":615},"a",{"href":612,"rel":613},"https:\u002F\u002Fwww.roibase.com.tr\u002Fru\u002Fcro",[614],"nofollow",[616],{"type":37,"value":617},"оптимизации коэффициента конверсии",{"type":37,"value":619},". Если при тестировании целевой страницы вариант B показывает на 30% ниже кликов по CTA за первые 3 дня, апостериор Байеса показывает 96% вероятность того, что B хуже. Правило размера выборки частотника заставило бы ждать ещё 10 дней, но вы останавливаете на 3-й день, перенаправляете трафик на A. Снижается упущенная выгода.",{"type":32,"tag":98,"props":621,"children":623},{"id":622},"динамика-размера-выборки",[624],{"type":37,"value":625},"Динамика Размера Выборки",{"type":32,"tag":33,"props":627,"children":628},{},[629],{"type":37,"value":630},"В байесовском методе фиксированного размера выборки нет, но вы можете предсказать «ожидаемый размер выборки». Зависит от того, насколько информативен приор. Если из истории известно, что коэффициент конверсии около 10%, используйте информативный prior вроде Beta(10,90) — потребуется меньше данных. При неинформативном приоре процесс займёт больше времени, но всё равно зачастую быстрее, чем частотистский подход.",{"type":32,"tag":33,"props":632,"children":633},{},[634],{"type":37,"value":635},"Таблица симуляции (пример):",{"type":32,"tag":637,"props":638,"children":639},"table",{},[640,669],{"type":32,"tag":641,"props":642,"children":643},"thead",{},[644],{"type":32,"tag":645,"props":646,"children":647},"tr",{},[648,654,659,664],{"type":32,"tag":649,"props":650,"children":651},"th",{},[652],{"type":37,"value":653},"True Δ",{"type":32,"tag":649,"props":655,"children":656},{},[657],{"type":37,"value":658},"Frequentist N",{"type":32,"tag":649,"props":660,"children":661},{},[662],{"type":37,"value":663},"Bayesian Expected N",{"type":32,"tag":649,"props":665,"children":666},{},[667],{"type":37,"value":668},"Bayesian 90th percentile N",{"type":32,"tag":670,"props":671,"children":672},"tbody",{},[673,697,720],{"type":32,"tag":645,"props":674,"children":675},{},[676,682,687,692],{"type":32,"tag":677,"props":678,"children":679},"td",{},[680],{"type":37,"value":681},"+10%",{"type":32,"tag":677,"props":683,"children":684},{},[685],{"type":37,"value":686},"4,800",{"type":32,"tag":677,"props":688,"children":689},{},[690],{"type":37,"value":691},"3,200",{"type":32,"tag":677,"props":693,"children":694},{},[695],{"type":37,"value":696},"5,100",{"type":32,"tag":645,"props":698,"children":699},{},[700,705,710,715],{"type":32,"tag":677,"props":701,"children":702},{},[703],{"type":37,"value":704},"+20%",{"type":32,"tag":677,"props":706,"children":707},{},[708],{"type":37,"value":709},"1,200",{"type":32,"tag":677,"props":711,"children":712},{},[713],{"type":37,"value":714},"800",{"type":32,"tag":677,"props":716,"children":717},{},[718],{"type":37,"value":719},"1,400",{"type":32,"tag":645,"props":721,"children":722},{},[723,728,733,738],{"type":32,"tag":677,"props":724,"children":725},{},[726],{"type":37,"value":727},"+5%",{"type":32,"tag":677,"props":729,"children":730},{},[731],{"type":37,"value":732},"19,200",{"type":32,"tag":677,"props":734,"children":735},{},[736],{"type":37,"value":737},"14,000",{"type":32,"tag":677,"props":739,"children":740},{},[741],{"type":37,"value":742},"22,000",{"type":32,"tag":33,"props":744,"children":745},{},[746],{"type":37,"value":747},"На малых эффектах Байес требует много времени, как и частотизм, но не так строго. На больших эффектах вероятность получить результат на 30-40% быстрее весьма реальна.",{"type":32,"tag":40,"props":749,"children":751},{"id":750},"контраргументы-и-компромиссы",[752],{"type":37,"value":753},"Контраргументы и Компромиссы",{"type":32,"tag":33,"props":755,"children":756},{},[757,762],{"type":32,"tag":82,"props":758,"children":759},{},[760],{"type":37,"value":761},"1. Выбор приора субъективен:",{"type":37,"value":763}," Да, вы вносите предварительное знание. Но неинформативный prior (Beta(1,1)) минимизирует эту проблему. Кроме того, при накоплении достаточного объёма данных prior теряет влияние — доминирует правдоподобие. Частотизм выглядит «объективным», но выбор alpha, мощности и MDE тоже субъективен.",{"type":32,"tag":33,"props":765,"children":766},{},[767,772],{"type":32,"tag":82,"props":768,"children":769},{},[770],{"type":37,"value":771},"2. Вычислительные затраты:",{"type":37,"value":773}," Байесовский тест требует ежедневного обновления апостериора + Монте-Карло симуляции. Частотистский t-тест — одноразовый расчёт. Но современные инструменты (pymc, Stan, Google Optimize в режиме Байеса) автоматизируют это. Извлечение 10 000 выборок — это миллисекунды, серьёзной проблемы нет.",{"type":32,"tag":33,"props":775,"children":776},{},[777,782],{"type":32,"tag":82,"props":778,"children":779},{},[780],{"type":37,"value":781},"3. Нормативная совместимость:",{"type":37,"value":783}," В регулируемых областях (например, испытания лекарств, требующие одобрения FDA) частотистский метод — стандарт. В цифровом маркетинге таких ограничений нет. Инструменты A\u002FB тестирования (Optimizely, VWO, AB Tasty) предлагают опцию Байеса.",{"type":32,"tag":33,"props":785,"children":786},{},[787,792],{"type":32,"tag":82,"props":788,"children":789},{},[790],{"type":37,"value":791},"4. Путаница с многорукими бандитами:",{"type":37,"value":793}," Байесовский тест часто путают с алгоритмами бандитов (Thompson sampling). Бандит балансирует изучение и использование, в ходе теста направляя больше трафика на победителя. Байесовский A\u002FB тест использует фиксированное разделение трафика и решение принимает по апостериору. Это разные сценарии — бандит подходит для высокочастотных кампаний, Байес для долгосрочных изменений продукта.",{"type":32,"tag":40,"props":795,"children":797},{"id":796},"реальный-сценарий-тестирование-креативов-в-meta-ads",[798],{"type":37,"value":799},"Реальный Сценарий: Тестирование Креативов в Meta Ads",{"type":32,"tag":33,"props":801,"children":802},{},[803],{"type":37,"value":804},"Вы тестируете 3 варианта креатива (A, B, C) в Meta Ads. Ежедневный бюджет $500, целевая CPA $25. Частотистский подход требует 1 000 конверсий на каждый креатив (мощность 80%, MDE 15%). При 60 конверсиях в день нужно 50 дней. Но на 10-й день CPA креатива C поднялась до $40 — он явно плох.",{"type":32,"tag":33,"props":806,"children":807},{},[808],{"type":37,"value":809},"Байесовский подход работает так:",{"type":32,"tag":811,"props":812,"children":813},"ul",{},[814,819,824,829],{"type":32,"tag":574,"props":815,"children":816},{},[817],{"type":37,"value":818},"Каждый день накапливайте затраты и конверсии по каждому крективу",{"type":32,"tag":574,"props":820,"children":821},{},[822],{"type":37,"value":823},"Рассчитайте апостериорное распределение CPA (используется гамма-правдоподобие, так как CPA непрерывна и положительна)",{"type":32,"tag":574,"props":825,"children":826},{},[827],{"type":37,"value":828},"Вычислите P(CPA_C > $30) — получится 92%",{"type":32,"tag":574,"props":830,"children":831},{},[832],{"type":37,"value":833},"На 10-й день приостановите C, направьте бюджет на A и B",{"type":32,"tag":33,"props":835,"children":836},{},[837],{"type":37,"value":838},"На 20-й день P(CPA_A \u003C CPA_B) = 96%. Объявите A победителем — решение принято за 20 дней вместо 30. Сэкономили $5 000 бюджета + 10 дней с лучшей CPA во время кампании.",{"type":32,"tag":33,"props":840,"children":841},{},[842],{"type":37,"value":843},"Этот тип динамического принятия решений критически важен в эпоху после iOS 14. Из-за потери сигнала надёжность теста снизилась — апостериор Байеса явно показывает неопределённость. Вы можете сказать «данных недостаточно, апостериор слишком широк», чего не может выразить частотистский p-value.",{"type":32,"tag":845,"props":846,"children":847},"hr",{},[],{"type":32,"tag":33,"props":849,"children":850},{},[851],{"type":37,"value":852},"Байесовский A\u002FB тест разрешает проблемы частотистской методологии со жесткими требованиями к размеру выборки и запретом на подглядывание. Последовательное тестирование позволяет вам измерять уверенность в решении каждый день и останавливаться при достижении требуемого уровня уверенности. Выбор приора вносит субъективность, но неинформативный prior с обилием данных миним­изирует эту проблему. Если в перформанс-маркетинге вам нужна гибкость кампаний, эффективность бюджета и скорость, байесовский фреймворк — правильный подход. Спроектируйте тестовую инфраструктуру соответственно — не на основе статических расчётов N, а на конвейере динамического обновления апостериора.",{"type":32,"tag":854,"props":855,"children":856},"style",{},[857],{"type":37,"value":858},"html .default .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}html .shiki span {color: var(--shiki-default);background: var(--shiki-default-bg);font-style: var(--shiki-default-font-style);font-weight: var(--shiki-default-font-weight);text-decoration: var(--shiki-default-text-decoration);}",{"title":16,"searchDepth":168,"depth":168,"links":860},[861,862,865,868,869],{"id":42,"depth":145,"text":45},{"id":63,"depth":145,"text":66,"children":863},[864],{"id":100,"depth":168,"text":103},{"id":555,"depth":145,"text":558,"children":866},[867],{"id":622,"depth":168,"text":625},{"id":750,"depth":145,"text":753},{"id":796,"depth":145,"text":799},"markdown","content:ru:marketing:bayes-a-b-testi-hizli-karar-verme.md","content","ru\u002Fmarketing\u002Fbayes-a-b-testi-hizli-karar-verme.md","ru\u002Fmarketing\u002Fbayes-a-b-testi-hizli-karar-verme","md",1782079494827]