[{"data":1,"prerenderedAt":1042},["ShallowReactive",2],{"article-alternates":3,"article-\u002Fru\u002Fmarketing\u002Fbayesian-ab-test-hizli-karar-verme":13},{"i18nKey":4,"paths":5},"marketing-002-2026-07",{"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-tests","\u002Fes\u002Fmarketing\u002Fprueba-bayesiana-ab-toma-rapida-decisiones","\u002Ffr\u002Fmarketing\u002Ftest-bayesien-prise-de-decision-rapide","\u002Fit\u002Fmarketing\u002Fdecisione-veloce-test-bayesiano-ab","\u002Fru\u002Fmarketing\u002Fbayesian-ab-testirovanie-bystrye-resheniya","\u002Ftr\u002Fmarketing\u002Fbayesian-a-b-test-ile-hizli-karar-verme",{"_path":14,"_dir":15,"_draft":16,"_partial":16,"_locale":17,"title":18,"description":19,"publishedAt":20,"modifiedAt":20,"category":15,"i18nKey":4,"tags":21,"readingTime":27,"author":28,"body":29,"_type":1036,"_id":1037,"_source":1038,"_file":1039,"_stem":1040,"_extension":1041},"\u002Fru\u002Fmarketing\u002Fbayesian-ab-test-hizli-karar-verme","marketing",false,"","Быстрое принятие решений с помощью Bayesian A\u002FB-тестирования","Узнайте, как использовать Bayesian-подход для последовательного принятия решений вместо строгих требований к размеру выборки в частотных тестах и ускорить процесс тестирования.","2026-07-07",[22,23,24,25,26],"ab-testing","bayesian-statistics","conversion-optimization","sequential-testing","data-driven-marketing",8,"Roibase",{"type":30,"children":31,"toc":1029},"root",[32,40,47,52,57,62,68,73,83,88,96,101,106,112,117,128,138,148,156,847,852,858,863,871,976,981,997,1003,1008,1013,1018,1023],{"type":33,"tag":34,"props":35,"children":36},"element","p",{},[37],{"type":38,"value":39},"text","Классическая методология A\u002FB-тестирования основана на фиксированном размере выборки: вы ждёте, пока трафик достигнет предварительно рассчитанного количества посещений, затем вычисляете статистическую значимость и принимаете решение. Этот подход работал в 2010-х годах, потому что трафик был дорогостоящим, а тесты могли длиться месяцами. В 2026 году перформанс-маркетинг работает в недельных циклах — обновление креативов занимает 14 дней, стратегия кампании меняется ежемесячно. Тестировать вариант лэндинга в течение 6 недель — уже не роскошь, а упущенная выгода. Bayesian A\u002FB-тестирование решает эту проблему с помощью механизма последовательного принятия решений: апостериорное распределение обновляется каждый день, и как только вы достигаете порога уверенности, вы останавливаете тест и публикуете победителя.",{"type":33,"tag":41,"props":42,"children":44},"h2",{"id":43},"ловушка-размера-выборки-в-частотном-тестировании",[45],{"type":38,"value":46},"Ловушка размера выборки в частотном тестировании",{"type":33,"tag":34,"props":48,"children":49},{},[50],{"type":38,"value":51},"Классический частотный A\u002FB-тест основан на условии p-value \u003C 0,05. Чтобы достичь этого порога, вы выполняете анализ мощности: если целевой базовый коэффициент конверсии составляет 5%, относительный лифт 10%, а статистическая мощность 80%, вам потребуется минимум 3100 пользователей на вариант. При 500 уникальных посещений в день тест займёт 12 дней. Проблема в том: на 5-й день вариант B явно побеждает, но статистическая значимость отсутствует — нужно ждать. На 12-й день значимость достигается, но конкурент уже запустил новую лэндинг-страницу, сообщение устарело. Частотное тестирование наносит двойной ущерб: если принять решение рано, возникает ошибка первого рода (ложный положительный результат), если опоздать — упущенная выгода.",{"type":33,"tag":34,"props":53,"children":54},{},[55],{"type":38,"value":56},"Последовательное тестирование существует и в частотном фреймворке (коррекция Бонферони, функции траты альфа), но оно сложное. Вам нужно выделить альфа-бюджет для каждого промежуточного анализа — если захотите остановиться рано, критическое значение становится строже. Результат: тест либо удлиняется, либо снижается доверие.",{"type":33,"tag":34,"props":58,"children":59},{},[60],{"type":38,"value":61},"Bayesian-подход избавляет от этой дилеммы, потому что каждое наблюдение — это новая информация. Размер выборки не фиксирован, он последовательный. Апостериорное распределение обновляется каждый день, и когда вероятность того, что B лучше A, превысит 95%, вы останавливаете тест и публикуете результат. Ранняя остановка — не штраф, а особенность.",{"type":33,"tag":41,"props":63,"children":65},{"id":64},"апостериорное-распределение-и-последовательное-обновление",[66],{"type":38,"value":67},"Апостериорное распределение и последовательное обновление",{"type":33,"tag":34,"props":69,"children":70},{},[71],{"type":38,"value":72},"Bayesian-тест начинается с априорного распределения — вашего предварительного убеждения о коэффициенте конверсии. При тестировании лэндинга в электронной коммерции базовый коэффициент может быть 3% со стандартным отклонением 0,5% (на основе исторических данных). Это соответствует бета-распределению Beta(30, 970). За первые 100 посещений вариант B показывает 4 конверсии. Апостериорное распределение обновляется так:",{"type":33,"tag":74,"props":75,"children":77},"pre",{"code":76},"Априор: Beta(α=30, β=970)\nВероятность: 4 успеха, 96 неудач\nАпостериор: Beta(α=30+4, β=970+96) = Beta(34, 1066)\n",[78],{"type":33,"tag":79,"props":80,"children":81},"code",{"__ignoreMap":17},[82],{"type":38,"value":76},{"type":33,"tag":34,"props":84,"children":85},{},[86],{"type":38,"value":87},"Апостериорное среднее = 34\u002F(34+1066) = 0,0309 (3,09%). На следующий день приходят ещё 200 посещений, 7 конверсий. Вчерашний апостериор становится сегодняшним априором:",{"type":33,"tag":74,"props":89,"children":91},{"code":90},"Априор: Beta(34, 1066)\nВероятность: 7 успехов, 193 неудачи\nАпостериор: Beta(41, 1259)\n",[92],{"type":33,"tag":79,"props":93,"children":94},{"__ignoreMap":17},[95],{"type":38,"value":90},{"type":33,"tag":34,"props":97,"children":98},{},[99],{"type":38,"value":100},"Апостериорное среднее = 0,0316 (3,16%). Для варианта A за тот же период 500 посещений, 14 конверсий. Апостериор A = Beta(44, 1456), среднее = 0,0293. На этом этапе вы сравниваете два апостериорных распределения: вычисляете P(B > A) — берёте 10000 выборок через Монте-Карло и подсчитываете, сколько раз B больше. Если вероятность составляет 73%, вы ещё недостаточно уверены. На 5-й день P(B > A) = 96%, и вы достигли порога решения (95%) — тест прекращается.",{"type":33,"tag":34,"props":102,"children":103},{},[104],{"type":38,"value":105},"В частотном тесте это невозможно. Каждый промежуточный взгляд создаёт риск инфляции альфа и проблему множественного сравнения. В Bayesian-подходе апостериор обновляется каждый день, но критерий решения остаётся неизменным: уровень уверенности. Ранняя остановка не создаёт систематическую ошибку, потому что Bayesian-вывод основан на функции правдоподобия — требование фиксирования размера выборки отсутствует.",{"type":33,"tag":41,"props":107,"children":109},{"id":108},"практическое-применение-правило-остановки-и-выбор-порога",[110],{"type":38,"value":111},"Практическое применение: правило остановки и выбор порога",{"type":33,"tag":34,"props":113,"children":114},{},[115],{"type":38,"value":116},"Bayesian A\u002FB-тест легко настраивается, но требует дисциплины в правилах остановки. Нужно определить три порога:",{"type":33,"tag":34,"props":118,"children":119},{},[120,126],{"type":33,"tag":121,"props":122,"children":123},"strong",{},[124],{"type":38,"value":125},"1. Минимальный размер выборки (подушка безопасности):",{"type":38,"value":127}," Предотвращает слишком раннюю остановку. Без просмотра минимум 100 пользователей на вариант решение принимать нельзя — апостериорная дисперсия слишком велика, риск ложного положительного результата высок. В whitepaper Google Optimize 2019 рекомендовалось минимум 250 конверсий; на практике достаточно 50–100 конверсий (в зависимости от силы априора).",{"type":33,"tag":34,"props":129,"children":130},{},[131,136],{"type":33,"tag":121,"props":132,"children":133},{},[134],{"type":38,"value":135},"2. Порог уверенности:",{"type":38,"value":137}," P(B > A) > 0,95 — классический выбор. Для агрессивного решения используйте 0,90, для консервативного — 0,97. Если влияние на бизнес высоко (изменение flow оплаты), выберите 0,99.",{"type":33,"tag":34,"props":139,"children":140},{},[141,146],{"type":33,"tag":121,"props":142,"children":143},{},[144],{"type":38,"value":145},"3. Практическая значимость (порог лифта):",{"type":38,"value":147}," Статистическая разница в 0,5% может быть значимой, но не иметь влияния на бизнес. Установите практический порог, например лифт > 5%. Вычисляйте не только P(B > A), но и P(B > A * 1,05).",{"type":33,"tag":34,"props":149,"children":150},{},[151],{"type":33,"tag":121,"props":152,"children":153},{},[154],{"type":38,"value":155},"Пример кода (Python + PyMC):",{"type":33,"tag":74,"props":157,"children":161},{"code":158,"language":159,"meta":17,"className":160,"style":17},"import pymc as pm\nimport numpy as np\n\n# Априор: Beta(30, 970) — 3% базовая конверсия\nwith pm.Model() as model:\n    p_A = pm.Beta(\"p_A\", alpha=30, beta=970)\n    p_B = pm.Beta(\"p_B\", alpha=30, beta=970)\n    \n    # Наблюдаемые данные\n    obs_A = pm.Binomial(\"obs_A\", n=500, p=p_A, observed=14)\n    obs_B = pm.Binomial(\"obs_B\", n=500, p=p_B, observed=18)\n    \n    trace = pm.sample(5000, return_inferencedata=True)\n\n# Апостериорное сравнение\np_B_samples = trace.posterior[\"p_B\"].values.flatten()\np_A_samples = trace.posterior[\"p_A\"].values.flatten()\nprob_B_better = np.mean(p_B_samples > p_A_samples)\nprob_lift_5pct = np.mean(p_B_samples > p_A_samples * 1.05)\n\nprint(f\"P(B > A) = {prob_B_better:.2%}\")\nprint(f\"P(B > A*1.05) = {prob_lift_5pct:.2%}\")\n","python","language-python shiki shiki-themes github-dark",[162],{"type":33,"tag":79,"props":163,"children":164},{"__ignoreMap":17},[165,193,215,225,235,258,327,385,393,402,478,550,558,603,611,620,647,672,700,740,748,801],{"type":33,"tag":166,"props":167,"children":170},"span",{"class":168,"line":169},"line",1,[171,177,183,188],{"type":33,"tag":166,"props":172,"children":174},{"style":173},"--shiki-default:#F97583",[175],{"type":38,"value":176},"import",{"type":33,"tag":166,"props":178,"children":180},{"style":179},"--shiki-default:#E1E4E8",[181],{"type":38,"value":182}," pymc ",{"type":33,"tag":166,"props":184,"children":185},{"style":173},[186],{"type":38,"value":187},"as",{"type":33,"tag":166,"props":189,"children":190},{"style":179},[191],{"type":38,"value":192}," pm\n",{"type":33,"tag":166,"props":194,"children":196},{"class":168,"line":195},2,[197,201,206,210],{"type":33,"tag":166,"props":198,"children":199},{"style":173},[200],{"type":38,"value":176},{"type":33,"tag":166,"props":202,"children":203},{"style":179},[204],{"type":38,"value":205}," numpy ",{"type":33,"tag":166,"props":207,"children":208},{"style":173},[209],{"type":38,"value":187},{"type":33,"tag":166,"props":211,"children":212},{"style":179},[213],{"type":38,"value":214}," np\n",{"type":33,"tag":166,"props":216,"children":218},{"class":168,"line":217},3,[219],{"type":33,"tag":166,"props":220,"children":222},{"emptyLinePlaceholder":221},true,[223],{"type":38,"value":224},"\n",{"type":33,"tag":166,"props":226,"children":228},{"class":168,"line":227},4,[229],{"type":33,"tag":166,"props":230,"children":232},{"style":231},"--shiki-default:#6A737D",[233],{"type":38,"value":234},"# Априор: Beta(30, 970) — 3% базовая конверсия\n",{"type":33,"tag":166,"props":236,"children":238},{"class":168,"line":237},5,[239,244,249,253],{"type":33,"tag":166,"props":240,"children":241},{"style":173},[242],{"type":38,"value":243},"with",{"type":33,"tag":166,"props":245,"children":246},{"style":179},[247],{"type":38,"value":248}," pm.Model() ",{"type":33,"tag":166,"props":250,"children":251},{"style":173},[252],{"type":38,"value":187},{"type":33,"tag":166,"props":254,"children":255},{"style":179},[256],{"type":38,"value":257}," model:\n",{"type":33,"tag":166,"props":259,"children":261},{"class":168,"line":260},6,[262,267,272,277,283,288,294,298,304,308,313,317,322],{"type":33,"tag":166,"props":263,"children":264},{"style":179},[265],{"type":38,"value":266},"    p_A ",{"type":33,"tag":166,"props":268,"children":269},{"style":173},[270],{"type":38,"value":271},"=",{"type":33,"tag":166,"props":273,"children":274},{"style":179},[275],{"type":38,"value":276}," pm.Beta(",{"type":33,"tag":166,"props":278,"children":280},{"style":279},"--shiki-default:#9ECBFF",[281],{"type":38,"value":282},"\"p_A\"",{"type":33,"tag":166,"props":284,"children":285},{"style":179},[286],{"type":38,"value":287},", ",{"type":33,"tag":166,"props":289,"children":291},{"style":290},"--shiki-default:#FFAB70",[292],{"type":38,"value":293},"alpha",{"type":33,"tag":166,"props":295,"children":296},{"style":173},[297],{"type":38,"value":271},{"type":33,"tag":166,"props":299,"children":301},{"style":300},"--shiki-default:#79B8FF",[302],{"type":38,"value":303},"30",{"type":33,"tag":166,"props":305,"children":306},{"style":179},[307],{"type":38,"value":287},{"type":33,"tag":166,"props":309,"children":310},{"style":290},[311],{"type":38,"value":312},"beta",{"type":33,"tag":166,"props":314,"children":315},{"style":173},[316],{"type":38,"value":271},{"type":33,"tag":166,"props":318,"children":319},{"style":300},[320],{"type":38,"value":321},"970",{"type":33,"tag":166,"props":323,"children":324},{"style":179},[325],{"type":38,"value":326},")\n",{"type":33,"tag":166,"props":328,"children":330},{"class":168,"line":329},7,[331,336,340,344,349,353,357,361,365,369,373,377,381],{"type":33,"tag":166,"props":332,"children":333},{"style":179},[334],{"type":38,"value":335},"    p_B ",{"type":33,"tag":166,"props":337,"children":338},{"style":173},[339],{"type":38,"value":271},{"type":33,"tag":166,"props":341,"children":342},{"style":179},[343],{"type":38,"value":276},{"type":33,"tag":166,"props":345,"children":346},{"style":279},[347],{"type":38,"value":348},"\"p_B\"",{"type":33,"tag":166,"props":350,"children":351},{"style":179},[352],{"type":38,"value":287},{"type":33,"tag":166,"props":354,"children":355},{"style":290},[356],{"type":38,"value":293},{"type":33,"tag":166,"props":358,"children":359},{"style":173},[360],{"type":38,"value":271},{"type":33,"tag":166,"props":362,"children":363},{"style":300},[364],{"type":38,"value":303},{"type":33,"tag":166,"props":366,"children":367},{"style":179},[368],{"type":38,"value":287},{"type":33,"tag":166,"props":370,"children":371},{"style":290},[372],{"type":38,"value":312},{"type":33,"tag":166,"props":374,"children":375},{"style":173},[376],{"type":38,"value":271},{"type":33,"tag":166,"props":378,"children":379},{"style":300},[380],{"type":38,"value":321},{"type":33,"tag":166,"props":382,"children":383},{"style":179},[384],{"type":38,"value":326},{"type":33,"tag":166,"props":386,"children":387},{"class":168,"line":27},[388],{"type":33,"tag":166,"props":389,"children":390},{"style":179},[391],{"type":38,"value":392},"    \n",{"type":33,"tag":166,"props":394,"children":396},{"class":168,"line":395},9,[397],{"type":33,"tag":166,"props":398,"children":399},{"style":231},[400],{"type":38,"value":401},"    # Наблюдаемые данные\n",{"type":33,"tag":166,"props":403,"children":405},{"class":168,"line":404},10,[406,411,415,420,425,429,434,438,443,447,451,455,460,465,469,474],{"type":33,"tag":166,"props":407,"children":408},{"style":179},[409],{"type":38,"value":410},"    obs_A ",{"type":33,"tag":166,"props":412,"children":413},{"style":173},[414],{"type":38,"value":271},{"type":33,"tag":166,"props":416,"children":417},{"style":179},[418],{"type":38,"value":419}," pm.Binomial(",{"type":33,"tag":166,"props":421,"children":422},{"style":279},[423],{"type":38,"value":424},"\"obs_A\"",{"type":33,"tag":166,"props":426,"children":427},{"style":179},[428],{"type":38,"value":287},{"type":33,"tag":166,"props":430,"children":431},{"style":290},[432],{"type":38,"value":433},"n",{"type":33,"tag":166,"props":435,"children":436},{"style":173},[437],{"type":38,"value":271},{"type":33,"tag":166,"props":439,"children":440},{"style":300},[441],{"type":38,"value":442},"500",{"type":33,"tag":166,"props":444,"children":445},{"style":179},[446],{"type":38,"value":287},{"type":33,"tag":166,"props":448,"children":449},{"style":290},[450],{"type":38,"value":34},{"type":33,"tag":166,"props":452,"children":453},{"style":173},[454],{"type":38,"value":271},{"type":33,"tag":166,"props":456,"children":457},{"style":179},[458],{"type":38,"value":459},"p_A, ",{"type":33,"tag":166,"props":461,"children":462},{"style":290},[463],{"type":38,"value":464},"observed",{"type":33,"tag":166,"props":466,"children":467},{"style":173},[468],{"type":38,"value":271},{"type":33,"tag":166,"props":470,"children":471},{"style":300},[472],{"type":38,"value":473},"14",{"type":33,"tag":166,"props":475,"children":476},{"style":179},[477],{"type":38,"value":326},{"type":33,"tag":166,"props":479,"children":481},{"class":168,"line":480},11,[482,487,491,495,500,504,508,512,516,520,524,528,533,537,541,546],{"type":33,"tag":166,"props":483,"children":484},{"style":179},[485],{"type":38,"value":486},"    obs_B ",{"type":33,"tag":166,"props":488,"children":489},{"style":173},[490],{"type":38,"value":271},{"type":33,"tag":166,"props":492,"children":493},{"style":179},[494],{"type":38,"value":419},{"type":33,"tag":166,"props":496,"children":497},{"style":279},[498],{"type":38,"value":499},"\"obs_B\"",{"type":33,"tag":166,"props":501,"children":502},{"style":179},[503],{"type":38,"value":287},{"type":33,"tag":166,"props":505,"children":506},{"style":290},[507],{"type":38,"value":433},{"type":33,"tag":166,"props":509,"children":510},{"style":173},[511],{"type":38,"value":271},{"type":33,"tag":166,"props":513,"children":514},{"style":300},[515],{"type":38,"value":442},{"type":33,"tag":166,"props":517,"children":518},{"style":179},[519],{"type":38,"value":287},{"type":33,"tag":166,"props":521,"children":522},{"style":290},[523],{"type":38,"value":34},{"type":33,"tag":166,"props":525,"children":526},{"style":173},[527],{"type":38,"value":271},{"type":33,"tag":166,"props":529,"children":530},{"style":179},[531],{"type":38,"value":532},"p_B, ",{"type":33,"tag":166,"props":534,"children":535},{"style":290},[536],{"type":38,"value":464},{"type":33,"tag":166,"props":538,"children":539},{"style":173},[540],{"type":38,"value":271},{"type":33,"tag":166,"props":542,"children":543},{"style":300},[544],{"type":38,"value":545},"18",{"type":33,"tag":166,"props":547,"children":548},{"style":179},[549],{"type":38,"value":326},{"type":33,"tag":166,"props":551,"children":553},{"class":168,"line":552},12,[554],{"type":33,"tag":166,"props":555,"children":556},{"style":179},[557],{"type":38,"value":392},{"type":33,"tag":166,"props":559,"children":561},{"class":168,"line":560},13,[562,567,571,576,581,585,590,594,599],{"type":33,"tag":166,"props":563,"children":564},{"style":179},[565],{"type":38,"value":566},"    trace ",{"type":33,"tag":166,"props":568,"children":569},{"style":173},[570],{"type":38,"value":271},{"type":33,"tag":166,"props":572,"children":573},{"style":179},[574],{"type":38,"value":575}," pm.sample(",{"type":33,"tag":166,"props":577,"children":578},{"style":300},[579],{"type":38,"value":580},"5000",{"type":33,"tag":166,"props":582,"children":583},{"style":179},[584],{"type":38,"value":287},{"type":33,"tag":166,"props":586,"children":587},{"style":290},[588],{"type":38,"value":589},"return_inferencedata",{"type":33,"tag":166,"props":591,"children":592},{"style":173},[593],{"type":38,"value":271},{"type":33,"tag":166,"props":595,"children":596},{"style":300},[597],{"type":38,"value":598},"True",{"type":33,"tag":166,"props":600,"children":601},{"style":179},[602],{"type":38,"value":326},{"type":33,"tag":166,"props":604,"children":606},{"class":168,"line":605},14,[607],{"type":33,"tag":166,"props":608,"children":609},{"emptyLinePlaceholder":221},[610],{"type":38,"value":224},{"type":33,"tag":166,"props":612,"children":614},{"class":168,"line":613},15,[615],{"type":33,"tag":166,"props":616,"children":617},{"style":231},[618],{"type":38,"value":619},"# Апостериорное сравнение\n",{"type":33,"tag":166,"props":621,"children":623},{"class":168,"line":622},16,[624,629,633,638,642],{"type":33,"tag":166,"props":625,"children":626},{"style":179},[627],{"type":38,"value":628},"p_B_samples ",{"type":33,"tag":166,"props":630,"children":631},{"style":173},[632],{"type":38,"value":271},{"type":33,"tag":166,"props":634,"children":635},{"style":179},[636],{"type":38,"value":637}," trace.posterior[",{"type":33,"tag":166,"props":639,"children":640},{"style":279},[641],{"type":38,"value":348},{"type":33,"tag":166,"props":643,"children":644},{"style":179},[645],{"type":38,"value":646},"].values.flatten()\n",{"type":33,"tag":166,"props":648,"children":650},{"class":168,"line":649},17,[651,656,660,664,668],{"type":33,"tag":166,"props":652,"children":653},{"style":179},[654],{"type":38,"value":655},"p_A_samples ",{"type":33,"tag":166,"props":657,"children":658},{"style":173},[659],{"type":38,"value":271},{"type":33,"tag":166,"props":661,"children":662},{"style":179},[663],{"type":38,"value":637},{"type":33,"tag":166,"props":665,"children":666},{"style":279},[667],{"type":38,"value":282},{"type":33,"tag":166,"props":669,"children":670},{"style":179},[671],{"type":38,"value":646},{"type":33,"tag":166,"props":673,"children":675},{"class":168,"line":674},18,[676,681,685,690,695],{"type":33,"tag":166,"props":677,"children":678},{"style":179},[679],{"type":38,"value":680},"prob_B_better ",{"type":33,"tag":166,"props":682,"children":683},{"style":173},[684],{"type":38,"value":271},{"type":33,"tag":166,"props":686,"children":687},{"style":179},[688],{"type":38,"value":689}," np.mean(p_B_samples ",{"type":33,"tag":166,"props":691,"children":692},{"style":173},[693],{"type":38,"value":694},">",{"type":33,"tag":166,"props":696,"children":697},{"style":179},[698],{"type":38,"value":699}," p_A_samples)\n",{"type":33,"tag":166,"props":701,"children":703},{"class":168,"line":702},19,[704,709,713,717,721,726,731,736],{"type":33,"tag":166,"props":705,"children":706},{"style":179},[707],{"type":38,"value":708},"prob_lift_5pct ",{"type":33,"tag":166,"props":710,"children":711},{"style":173},[712],{"type":38,"value":271},{"type":33,"tag":166,"props":714,"children":715},{"style":179},[716],{"type":38,"value":689},{"type":33,"tag":166,"props":718,"children":719},{"style":173},[720],{"type":38,"value":694},{"type":33,"tag":166,"props":722,"children":723},{"style":179},[724],{"type":38,"value":725}," p_A_samples ",{"type":33,"tag":166,"props":727,"children":728},{"style":173},[729],{"type":38,"value":730},"*",{"type":33,"tag":166,"props":732,"children":733},{"style":300},[734],{"type":38,"value":735}," 1.05",{"type":33,"tag":166,"props":737,"children":738},{"style":179},[739],{"type":38,"value":326},{"type":33,"tag":166,"props":741,"children":743},{"class":168,"line":742},20,[744],{"type":33,"tag":166,"props":745,"children":746},{"emptyLinePlaceholder":221},[747],{"type":38,"value":224},{"type":33,"tag":166,"props":749,"children":751},{"class":168,"line":750},21,[752,757,762,767,772,777,782,787,792,797],{"type":33,"tag":166,"props":753,"children":754},{"style":300},[755],{"type":38,"value":756},"print",{"type":33,"tag":166,"props":758,"children":759},{"style":179},[760],{"type":38,"value":761},"(",{"type":33,"tag":166,"props":763,"children":764},{"style":173},[765],{"type":38,"value":766},"f",{"type":33,"tag":166,"props":768,"children":769},{"style":279},[770],{"type":38,"value":771},"\"P(B > A) = ",{"type":33,"tag":166,"props":773,"children":774},{"style":300},[775],{"type":38,"value":776},"{",{"type":33,"tag":166,"props":778,"children":779},{"style":179},[780],{"type":38,"value":781},"prob_B_better",{"type":33,"tag":166,"props":783,"children":784},{"style":173},[785],{"type":38,"value":786},":.2%",{"type":33,"tag":166,"props":788,"children":789},{"style":300},[790],{"type":38,"value":791},"}",{"type":33,"tag":166,"props":793,"children":794},{"style":279},[795],{"type":38,"value":796},"\"",{"type":33,"tag":166,"props":798,"children":799},{"style":179},[800],{"type":38,"value":326},{"type":33,"tag":166,"props":802,"children":804},{"class":168,"line":803},22,[805,809,813,817,822,826,831,835,839,843],{"type":33,"tag":166,"props":806,"children":807},{"style":300},[808],{"type":38,"value":756},{"type":33,"tag":166,"props":810,"children":811},{"style":179},[812],{"type":38,"value":761},{"type":33,"tag":166,"props":814,"children":815},{"style":173},[816],{"type":38,"value":766},{"type":33,"tag":166,"props":818,"children":819},{"style":279},[820],{"type":38,"value":821},"\"P(B > A*1.05) = ",{"type":33,"tag":166,"props":823,"children":824},{"style":300},[825],{"type":38,"value":776},{"type":33,"tag":166,"props":827,"children":828},{"style":179},[829],{"type":38,"value":830},"prob_lift_5pct",{"type":33,"tag":166,"props":832,"children":833},{"style":173},[834],{"type":38,"value":786},{"type":33,"tag":166,"props":836,"children":837},{"style":300},[838],{"type":38,"value":791},{"type":33,"tag":166,"props":840,"children":841},{"style":279},[842],{"type":38,"value":796},{"type":33,"tag":166,"props":844,"children":845},{"style":179},[846],{"type":38,"value":326},{"type":33,"tag":34,"props":848,"children":849},{},[850],{"type":38,"value":851},"Этот код запускается каждый день; когда prob_B_better > 0,95 и prob_lift_5pct > 0,80, тест останавливается. Если эти условия выполняются на 5-й день, то вместо 12 дней в частотном подходе вы экономите 7 дней.",{"type":33,"tag":41,"props":853,"children":855},{"id":854},"компромисс-выбор-априора-и-анализ-чувствительности",[856],{"type":38,"value":857},"Компромисс: выбор априора и анализ чувствительности",{"type":33,"tag":34,"props":859,"children":860},{},[861],{"type":38,"value":862},"Критикуемый аспект Bayesian-тестирования — субъективность выбора априора. Слабый априор (Beta(1, 1) — uniform) делает апостериор полностью зависимым от данных, но сходимость медленная. Сильный априор (Beta(300, 9700)) позволяет предыдущему знанию доминировать в апостериоре — влияние новых данных снижается. Нужен баланс.",{"type":33,"tag":34,"props":864,"children":865},{},[866],{"type":33,"tag":121,"props":867,"children":868},{},[869],{"type":38,"value":870},"Стратегия выбора априора:",{"type":33,"tag":872,"props":873,"children":874},"table",{},[875,899],{"type":33,"tag":876,"props":877,"children":878},"thead",{},[879],{"type":33,"tag":880,"props":881,"children":882},"tr",{},[883,889,894],{"type":33,"tag":884,"props":885,"children":886},"th",{},[887],{"type":38,"value":888},"Сценарий",{"type":33,"tag":884,"props":890,"children":891},{},[892],{"type":38,"value":893},"Априор",{"type":33,"tag":884,"props":895,"children":896},{},[897],{"type":38,"value":898},"Причина",{"type":33,"tag":900,"props":901,"children":902},"tbody",{},[903,922,940,958],{"type":33,"tag":880,"props":904,"children":905},{},[906,912,917],{"type":33,"tag":907,"props":908,"children":909},"td",{},[910],{"type":38,"value":911},"Новый продукт, нет данных",{"type":33,"tag":907,"props":913,"children":914},{},[915],{"type":38,"value":916},"Beta(1, 1)",{"type":33,"tag":907,"props":918,"children":919},{},[920],{"type":38,"value":921},"Uniform, пусть говорят данные",{"type":33,"tag":880,"props":923,"children":924},{},[925,930,935],{"type":33,"tag":907,"props":926,"children":927},{},[928],{"type":38,"value":929},"Есть похожая страница",{"type":33,"tag":907,"props":931,"children":932},{},[933],{"type":38,"value":934},"Beta(α=30, β=970)",{"type":33,"tag":907,"props":936,"children":937},{},[938],{"type":38,"value":939},"Знание о 3% конверсии из истории",{"type":33,"tag":880,"props":941,"children":942},{},[943,948,953],{"type":33,"tag":907,"props":944,"children":945},{},[946],{"type":38,"value":947},"Агрессивный запуск",{"type":33,"tag":907,"props":949,"children":950},{},[951],{"type":38,"value":952},"Beta(3, 97)",{"type":33,"tag":907,"props":954,"children":955},{},[956],{"type":38,"value":957},"Слабый априор, быстрая сходимость",{"type":33,"tag":880,"props":959,"children":960},{},[961,966,971],{"type":33,"tag":907,"props":962,"children":963},{},[964],{"type":38,"value":965},"Критичная оплата",{"type":33,"tag":907,"props":967,"children":968},{},[969],{"type":38,"value":970},"Beta(300, 9700)",{"type":33,"tag":907,"props":972,"children":973},{},[974],{"type":38,"value":975},"Сильный априор, консервативное обновление",{"type":33,"tag":34,"props":977,"children":978},{},[979],{"type":38,"value":980},"Чтобы оценить влияние априора, выполните анализ чувствительности: запустите те же данные через Beta(1,1), Beta(10,990) и Beta(30,970). Если апостериоры различаются более чем на 5%, априор слишком влиятельный — выберите более слабый или соберите больше данных.",{"type":33,"tag":34,"props":982,"children":983},{},[984,986,995],{"type":38,"value":985},"Другой компромисс: Bayesian-тест не столь же \"publication-ready\", как частотный. Если пишете академическую статью, нужен p-value; для презентации C-suite график апостериора достаточен. В процессах ",{"type":33,"tag":987,"props":988,"children":992},"a",{"href":989,"rel":990},"https:\u002F\u002Fwww.roibase.com.tr\u002Fru\u002Fcro",[991],"nofollow",[993],{"type":38,"value":994},"оптимизации коэффициента конверсии",{"type":38,"value":996}," скорость критична — в недельных спринтах Bayesian последовательное тестирование работает на 40% быстрее (по бенчмарку VWO 2023: медиана 8 дней вместо 5).",{"type":33,"tag":41,"props":998,"children":1000},{"id":999},"влияние-скорости-тестирования-на-бизнес",[1001],{"type":38,"value":1002},"Влияние скорости тестирования на бизнес",{"type":33,"tag":34,"props":1004,"children":1005},{},[1006],{"type":38,"value":1007},"Главная выгода Bayesian последовательного тестирования — скорость. В перформанс-маркетинге усталость от креатива наступает за 10–14 дней, цикл кампании — 30 дней. Если лэндинг-тест закрывается за 12 дней, вы выполняете 2 итерации в месяц. С Bayesian за 5 дней выполняете 6 итераций. Если каждая итерация даёт 5% лифт, то за год в частотном подходе это 12% (1,05^12), а в Bayesian — 34% (1,05^6).",{"type":33,"tag":34,"props":1009,"children":1010},{},[1011],{"type":38,"value":1012},"Последовательное тестирование особенно выигрывает в мультивариантных тестах (A\u002FB\u002FC\u002FD). В частотном подходе коррекция Бонферони увеличивает требуемый размер выборки в 3–4 раза. В Bayesian каждый вариант имеет отдельный апостериор, попарные сравнения выполняются без траты альфа. На 4 вариантах частотный подход требует 15 дней, Bayesian завершает за 6.",{"type":33,"tag":34,"props":1014,"children":1015},{},[1016],{"type":38,"value":1017},"Последний момент: ранняя остановка важна не только для победителя, но и для проигрывающего варианта. Если вариант B показывает 20% снижение конверсии, на 3-й день P(A > B) = 99% — тест останавливается, трафик больше не тратится на слабый вариант. В частотном подходе нужно ждать 12 дней, 9 дней трафик идёт на низкоконвертирующую страницу. Bayesian последовательное тестирование обеспечивает эту защиту от убытков.",{"type":33,"tag":34,"props":1019,"children":1020},{},[1021],{"type":38,"value":1022},"Последовательное Bayesian A\u002FB-тестирование — уже не роскошь, а необходимость. С deprecated cookies атрибуция затруднена, цикл кампании короче, обновление креатива ускорено. Классические частотные тесты не могут поспевать за этой скоростью. Bayesian апостериорное обновление позволяет собирать новую информацию каждый день и принимать решение при достижении порога уверенности. Ранняя остановка — не смещение, а особенность. При дисциплине в выборе априора, чёткости правил остановки и фильтре практической значимости Bayesian-тест даёт и быстрые, и надёжные результаты.",{"type":33,"tag":1024,"props":1025,"children":1026},"style",{},[1027],{"type":38,"value":1028},"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":17,"searchDepth":217,"depth":217,"links":1030},[1031,1032,1033,1034,1035],{"id":43,"depth":195,"text":46},{"id":64,"depth":195,"text":67},{"id":108,"depth":195,"text":111},{"id":854,"depth":195,"text":857},{"id":999,"depth":195,"text":1002},"markdown","content:ru:marketing:bayesian-ab-test-hizli-karar-verme.md","content","ru\u002Fmarketing\u002Fbayesian-ab-test-hizli-karar-verme.md","ru\u002Fmarketing\u002Fbayesian-ab-test-hizli-karar-verme","md",1785276307411]