S'inscrire gratuitement

Concevoir un classeur de résultats de test A/B

Auteur: AILesson9 min de préparationTesté avec:ChatGPTRévisé: 2026-08-28

Réponse rapide

Structurer l’affectation, l’exposition, les résultats, les exclusions, l’incertitude et les règles de décision sans exagérer la portée du test. Fournir: Plan expérimental, Schéma des données et effectifs, Indicateurs et règles d’analyse. Résultat attendu: Un classeur d’expérimentation auditable comprenant les définitions des indicateurs, les formules, les contrôles d’équilibre et les notes de décision.

1

Ajouter votre contexte

Votre texte reste dans ce navigateur. AILesson Prompts ne l’envoie ni à un modèle ni à un serveur.

2

Votre prompt

Les champs non remplis restent visibles sous forme d’espaces réservés, afin que vous puissiez quand même copier et modifier le prompt.

Concevez un classeur Excel pour le test A/B fourni sans transformer une association en une affirmation causale plus forte que ne le permet le plan expérimental.

Hypothèse, variantes, randomisation, éligibilité, dates, arrêt, exclusions et responsable :
[design]

Champs, granularité, identifiants, affectation, exposition, résultats, horodatages, données manquantes, doublons, effectifs et exemples :
[data]

Indicateurs, dénominateurs, population, méthode de confiance, seuil pratique, segments, multiplicité et limites de la revue :
[analysis]

Séparez le plan expérimental des résultats observés. Définissez une ligne par unité de randomisation ou une agrégation reproductible à partir des données d’événements. Conservez le groupe attribué même en cas d’échec de l’exposition pour l’analyse principale en intention de traiter ; qualifiez toute analyse per protocol de secondaire. Précisez les formules pour le dénominateur, le taux ou le résultat continu, la différence absolue et relative, l’incertitude et les garde-fous. Ajoutez des contrôles du ratio d’échantillonnage, de l’éligibilité, des identifiants en double, des résultats manquants, de la chronologie, de la contamination et de l’équilibre avant l’expérience. Ne désignez pas de gagnant sur la seule base de la valeur p, ne consultez pas les résultats de manière répétée en dehors de la règle d’arrêt prévue, ne déduisez pas d’effets au niveau utilisateur à partir de lignes d’événements et ne prétendez pas à une causalité si l’affectation n’était pas randomisée. Fournissez : l’architecture des feuilles ; le dictionnaire de données ; le registre des indicateurs ; les formules utilisant les cellules ou tables fournies ; les contrôles de qualité ; la table de résultats ; la politique de segmentation ; le modèle de décision ; les limites ; et des tests qui recalculent un petit exemple connu.
Essayer dans le Playground
Privé par défautL’assemblage du prompt se fait localement dans votre navigateur. Évitez de placer des informations confidentielles dans un service d’IA, sauf si votre organisation l’autorise.

De l'entrée au résultat

Un exemple détaillé

Voyez comment un contexte concret transforme cette recette en résultat utilisable.

Entrée réelle

Plan expérimental
Test randomisé de l’objet d’un e-mail auprès des abonnés admissibles à une lettre d’information. A, témoin, est l’objet actuel ; B est plus court. Unité de randomisation : identifiant d’abonné, répartition 1:1 le 3 août 2026 avant l’envoi. Un e-mail par abonné admissible. Hypothèse principale : B augmente le taux de clic unique sous 72 heures. Une seule exécution sur toute la liste admissible ; aucun arrêt anticipé. Exclure uniquement les identifiants internes/de test préétablis et les rejets permanents selon la règle d’indicateur approuvée. La direction marketing décide.
Schéma des données et effectifs
L’exportation brute des événements peut contenir plusieurs lignes par abonné. Champs : SubscriberID, AssignedVariant, Eligible, Sent, HardBounce, UniqueClick72h, Unsubscribe72h, Revenue72h, AssignmentTime, SendTime. Agréger à une ligne par SubscriberID. Effectifs attribués attendus A=5,012, B=4,988. Rejets permanents A=102, B=98. Clics uniques A=421, B=455. Désabonnements A=23, B=31. Le revenu est asymétrique et manque pour 14 lignes à cause d’un échec du suivi. Un SubscriberID dupliqué dans l’attribution est invalide. Une contamination d’exposition est détectable si l’objet envoyé diffère de l’attribution.
Indicateurs et règles d’analyse
Le dénominateur principal du CTR unique est le nombre envoyé moins les rejets permanents, par variante attribuée ; consigner que cela diffère d’une analyse ITT pure sur tous les attribués et fournir une sensibilité sur tous les attribués. Test principal : intervalle de confiance bilatéral à 95 % pour la différence de proportions. Seuil pratique : +0.5 point de pourcentage absolu. Garde-fou : taux de désabonnement avec envoyés au dénominateur, marge de non-infériorité de +0.2 point. Revenu secondaire, descriptif uniquement. Segments exploratoires avec n et sans déclaration de gagnant ; aucun ajustement de multiplicité prévu.

Exemple de sortie

Classeur : Plan (hypothèse, population, règle d’arrêt et seuils verrouillés), UnitData (une ligne par SubscriberID), MetricRegistry, QualityChecks, Results et DecisionLog. UnitData doit être agrégée à partir des événements au moyen de règles MAX explicites pour les résultats binaires et d’un blocage en cas de double affectation ; ne comptez jamais les clics comme des lignes indépendantes.

Les dénominateurs principaux sont A 5,012−102=4,910 et B 4,988−98=4,890. Les CTR sont A 421/4,910=8.574% et B 455/4,890=9.305% ; la différence absolue B−A=0.731 point de pourcentage et l’amélioration relative est d’environ 8.53%. Les formules de taux Excel peuvent utiliser =SUMIFS(UnitData[UniqueClick72h],UnitData[AssignedVariant],A2)/SUMIFS(UnitData[PrimaryDenominatorFlag],UnitData[AssignedVariant],A2). Utilisez un calcul préalablement approuvé de l’intervalle de confiance de la différence entre deux proportions ou un outil d’analyse révisé ; n’improvisez pas la méthode statistique après avoir vu les résultats. L’estimation ponctuelle dépasse le seuil pratique de +0.5 pp, mais la décision exige également l’intervalle et le garde-fou.

Garde-fou : désabonnements A 23/5,012=0.459% ; B 31/4,988=0.622% ; différence +0.163 pp, inférieure mais proche de la marge de non-infériorité de +0.2 pp. Présentez son intervalle avant de conclure que le garde-fou est respecté. QualityChecks : répartition attribuée de 50.12%/49.88% ; comparez-la à l’allocation prévue au moyen du contrôle approuvé du ratio d’échantillonnage ; aucune affectation en double ; toutes les affectations sont antérieures à l’envoi ; énumérez par groupe les changements d’exposition entre variantes, les cas inéligibles, les non-envois, les suivis manquants et les exclusions. Les CTR de l’analyse de sensibilité sur toutes les personnes affectées sont de 8.400% contre 9.122%. Le chiffre d’affaires reste descriptif, avec n/données manquantes et la médiane ou les quantiles, et ne constitue pas une affirmation causale de réussite. Modèle de décision : poursuivre, suspendre ou rejeter, en citant l’intervalle principal, le seuil pratique, l’intervalle du garde-fou, les problèmes de qualité et toute divergence entre les définitions des dénominateurs.

Pourquoi cela fonctionne

  1. 1

    L’explicitation de l’unité de randomisation et du dénominateur empêche le volume d’événements de se faire passer pour une taille d’échantillon indépendante.

  2. 2

    Les seuils de décision et les garde-fous maintiennent le lien entre l’incertitude statistique et les conséquences pratiques.

Vérifier le résultat

  • Chaque ligne d’analyse représente-t-elle l’unité de randomisation, l’affectation étant conservée indépendamment de l’exposition ?

  • L’indicateur principal, le dénominateur, la méthode d’incertitude, la règle d’arrêt et le seuil pratique sont-ils définis avant la lecture des résultats ?

  • Le déséquilibre, les données manquantes, la contamination, la multiplicité et les garde-fous sont-ils visibles à côté du résultat ?

Utilisez-la en toute confiance

Questions fréquentes

Des réponses pratiques sur le bon moment pour utiliser cette recette, ce qu’il faut fournir et les cas où une vérification humaine reste nécessaire.

Que dois-je préparer avant d’utiliser « Concevoir un classeur de résultats de test A/B » ?

Pour « Concevoir un classeur de résultats de test A/B », préparez le plan expérimental, le schéma des données et les effectifs, ainsi que les indicateurs et les règles d’analyse. Ne remplacez les variables que par des informations vérifiables. Si un détail est inconnu, signalez explicitement cette incertitude au lieu de demander au modèle de le déduire.

Dans quels cas le résultat de « Concevoir un classeur de résultats de test A/B » n’est-il pas prêt à être utilisé ?

Le résultat n’est pas prêt s’il ne produit pas encore, à partir des éléments fournis, le résultat annoncé — un classeur d’expérimentation auditable comprenant les définitions des indicateurs, les formules, les contrôles d’équilibre et les notes de décision — ou s’il repose sur des hypothèses non résolues, des approbations manquantes ou des détails inventés. Utilisez les contrôles comme critères de validation : révisez les données d’entrée ou désignez une personne habilitée et nommément identifiée pour effectuer la revue, au lieu de peaufiner un résultat non étayé.

Quels outils d’IA disposent de tests consignés pour « Concevoir un classeur de résultats de test A/B » ?

Le registre de tests publié pour « Concevoir un classeur de résultats de test A/B » mentionne ChatGPT à la date du 2026-08-28. Cela confirme l’existence d’essais consignés, mais ne garantit ni la compatibilité ni des résultats identiques dans les versions ultérieures du produit. Avec un autre outil ou une autre version, gardez toutes les contraintes visibles et répétez les contrôles du résultat avant utilisation.

Plus de façons d'explorer

Où se situe cette recette

Prompts texteAnalyse de donnéesExcel et feuilles de calcul

Faites avancer votre travail

AILesson · Cours recommandés

Votre prochaine étape : mettez l’IA à contribution

Passez de la compréhension de l'IA à l'action. Entraînez-vous à formuler des requêtes, à évaluer et à améliorer les résultats grâce à des leçons interactives pour le travail et la vie quotidienne.

Découvrir tous les cours
Image de couverture de L’IA pour débutants

15 leçons interactives

L’IA pour débutants

Lancez une conversation utile avec une IA, améliorez sa réponse, vérifiez l’essentiel et sachez quand c’est à vous d’agir.

Découvrir ce cours
Image de couverture de Les bases de ChatGPT

10 leçons interactives

Les bases de ChatGPT

Découvrez ChatGPT à travers trois flux de travail pratiques : mener une première conversation, travailler à partir d’un fichier, puis utiliser Projects pour réutiliser un plan vérifié dans une nouvelle conversation.

Découvrir ce cours
Image de couverture de Comment fonctionne l’IA générative

7 leçons interactives

Comment fonctionne l’IA générative

Comprenez comment les systèmes courants de chat IA apprennent des structures linguistiques, utilisent les messages actuels, construisent leurs réponses et intègrent des sources et des outils.

Découvrir ce cours