Multi-armed bandit
Ein multi-armed bandit verteilt den Traffic adaptiv auf gut abschneidende Varianten, während er weiterhin andere Varianten stichprobenartig testet. Er reduziert die Kosten für das Testen minderwertiger Optionen, auf Kosten einer weniger präzisen Schätzung des wahren Effekts jeder Variante.
Warum es für ARPU wichtig ist
Bandits eignen sich für hochvolumige Entscheidungen mit geringem Risiko, wie die Auswahl von Creatives. Pricing, Incentives und Retention-Angebote verdienen stattdessen normalerweise ein sauberes Experiment.
Verwandte Begriffe
A/B testEin A/B test weist Kunden zufällig zwei oder mehr Varianten zu und vergleicht eine vorher deklarierte Metrik zwischen ihnen.Reinforcement learning für marketingReinforcement learning behandelt Kundenentscheidungen als eine Sequenz und optimiert die kumulative langfristige Belohnung anstelle des nächsten Klicks.Sequential testingSequential testing ermöglicht es, Ergebnisse kontinuierlich zu überwachen und frühzeitig zu stoppen, ohne falsche Positive zu erhöhen, indem immer gültige Konfidenzintervalle anstelle einer einzelnen feste-Horizonte-Überprüfung verwendet werden.NeuheitseffektDer novelty effect ist ein temporärer Response uplift, der dadurch entsteht, dass eine Änderung neu statt besser ist.