Multi-armed bandit
Um multi-armed bandit aloca tráfego adaptativamente para variantes que estão a ter um bom desempenho, enquanto continua a amostrar as outras. Reduz o custo de testar opções inferiores, ao preço de uma estimativa menos precisa do efeito real de cada variante.
Por que é importante para o ARPU
Bandits são adequados para escolhas de alto volume e baixo risco, como a seleção criativa. Preços, incentivos e ofertas de retenção geralmente merecem um experimento limpo em vez disso.
Termos relacionados
A/B testUm A/B test atribui aleatoriamente clientes a duas ou mais variantes e compara uma métrica pré-declarada entre elas.Reinforcement learning para marketingReinforcement learning trata as decisões do cliente como uma sequência, otimizando a recompensa cumulativa de longo prazo em vez do próximo clique.Testagem sequencialA testagem sequencial permite que os resultados sejam monitorizados continuamente e parados mais cedo sem inflacionar falsos positivos, usando intervalos de confiança sempre válidos em vez de uma única verificação de horizonte fixo.Efeito novidadeO efeito de novidade é um uplift temporário na resposta causado por uma mudança ser nova em vez de melhor.