Как проверить эффективность алгоритма ценообразования для физического ритейла с помощью A/B-теста

Для проверки эффективности алгоритма ценообразования в ритейле можно провести A/B-тест:

1. Разделение аудитории: случайным образом разделить магазины/товары на контрольную (старый алгоритм) и тестовую (новый алгоритм) группы. Важно обеспечить сопоставимость групп по ключевым метрикам (локация, трафик, ассортимент).

2. Метрики для оценки:

   • Основная: средний чек, выручка на товар/группу
   • Дополнительные: конверсия в покупку, маржинальность, объем продаж

3. Статистическая проверка:
   • Проверить нормальность распределения (Shapiro-Wilk)
   • Для нормальных данных - t-тест, иначе U-тест Манна-Уитни
   • Рассчитать размер эффекта (Cohen's d)

from scipy import stats
import numpy as np

# Пример данных: выручка в двух группах
control = np.random.normal(100, 15, 1000)
test = np.random.normal(110, 15, 1000)

# Проверка нормальности
print(stats.shapiro(control)[1] < 0.05)  # False - распределение нормальное

# T-тест
t_stat, p_val = stats.ttest_ind(control, test)
print(f"p-value: {p_val:.4f}")  # Должно быть < 0.05 для значимости

4. Длительность теста: минимум 2 недели для учета недельной сезонности, лучше 4 недели.

5. Доп. анализ: проверить эффект на разных категориях товаров, сегментах покупателей.