Podcast o Testovanie štatistických hypotéz v marketingu

Kapitoly

Úvod do hypotéz

Nulová a alternatívna hypotéza

Chyby a P-hodnota

Praktické testy a intervaly

Výber správneho testu

Príklad ANOVA

Testovanie a Personalizácia

Optimalizácia Kampaní

Přepis

Šimon: …počkaj, takže celá pointa je vlastne v tom, že sa snažíme dokázať opak toho, čo si myslíme, že je pravda? To je neuveriteľné!

Barbora: Presne tak! V štatistike nejdeme priamo dokazovať našu teóriu, ale snažíme sa vyvrátiť takzvanú nulovú hypotézu. Je to trochu obrátená logika, ale funguje to.

Šimon: Dobre, toto si musíme rozobrať. Vitajte pri Studyfi Podcast, kde robíme zložité témy jednoduchými. Barbora, čo je to vlastne tá hypotéza?

Barbora: Hypotéza je v podstate len kvalifikovaný odhad. Je to tvrdenie o tom, ako si myslíme, že veci fungujú. Napríklad, „študenti, ktorí používajú Studyfi, majú lepšie výsledky“.

Šimon: Okej, to dáva zmysel. A čo tá „nulová“ hypotéza, ktorú si spomínala?

Barbora: To je kľúčové. Vždy pracujeme s dvoma. Nulová hypotéza, alebo H0, je predpoklad statusu quo. Teda, že sa nič nedeje, nie je žiadny rozdiel. V našom príklade by H0 bola: „Používanie Studyfi nemá vplyv na výsledky študentov.“

Šimon: Aha! Takže my sa vlastne snažíme túto nudnú H0 hypotézu zamietnuť?

Barbora: Presne! A ak sa nám ju podarí zamietnuť, môžeme prijať tú druhú, alternatívnu hypotézu, H1, ktorá hovorí: „Áno, je tam rozdiel! Studyfi má vplyv!“

Šimon: Ale čo ak sa pri tom zamietaní pomýlime?

Barbora: Dobrá otázka. Môžu nastať dva typy chýb. Chyba prvého druhu, alebo alfa, je keď zamietneme nulovú hypotézu, aj keď je v skutočnosti pravdivá. Je to taký „falošný poplach“.

Šimon: Ako keď hasiči prídu a zistia, že som len pripálil toast.

Barbora: Presne tak! A chyba druhého druhu, beta, je opak. Nezistíme rozdiel, ktorý tam v skutočnosti je. Hasiči neprídu, aj keď ti horí kuchyňa.

Šimon: Tomu chápem. A ako teda vieme, kedy máme niečo zamietnuť? Spomína sa nejaká P-hodnota.

Barbora: P-hodnota, alebo Sig. v programoch ako SPSS, je náš hlavný rozhodca. Predstav si, že sme si stanovili hranicu, povedzme 5 percent, alebo 0,05. Ak je naša vypočítaná P-hodnota nižšia ako táto hranica, zamietame H0 a oslavujeme!

Šimon: Takže malé P znamená veľký objav!

Barbora: Dá sa to tak povedať. Znamená to, že náš výsledok je štatisticky významný a je veľmi nepravdepodobné, že by bol spôsobený len náhodou.

Šimon: Dobre, a na toto všetko používame rôzne testy, ako T-test alebo Z-test, však?

Barbora: Áno, podľa toho, čo presne testujeme – či priemer, podiel alebo rozptyl – si vyberieme správny nástroj. Napríklad T-test je super na porovnávanie priemerov dvoch skupín.

Šimon: Ako v tom príklade, či sa líši priemerný vek žien z mesta a z dediny?

Barbora: Presne. Tam nám P-hodnota vyšla 0,132, čo je viac ako naša hranica 0,05. Takže H0 prijímame – medzi vekom žien z mesta a dediny nie je štatisticky významný rozdiel.

Šimon: Posledná vec – intervaly spoľahlivosti. Ako tie do toho zapadajú?

Barbora: Sú ako bezpečnostná sieť pre náš odhad. Namiesto jedného čísla povieme: „S 95% istotou sa skutočný priemer nachádza v tomto rozsahu.“ Ak naša nulová hypotéza leží mimo tohto intervalu, môžeme ju s kľudom zamietnuť.

Šimon: Fantastické. Takže hypotézy nie sú len o hádaní, ale o systematickom overovaní našich predpokladov. Cítim sa o dosť múdrejší. Poďme sa pozrieť na ďalšiu tému.

Barbora: Presne tak. A na to overovanie máme celý arzenál štatistických testov. Každý je ako špeciálny nástroj na inú prácu. Máme T-testy, chi-kvadrát testy, a napríklad aj ANOVA test.

Šimon: ANOVA. To znie ako nejaká nová talianska automobilka. Na čo presne sa používa?

Barbora: Je to skratka pre analýzu rozptylu, z anglického Analysis of Variance. Použijeme ju, keď chceme porovnať priemery troch alebo viacerých skupín. Predstav si, že skúmame, či je vek rovnaký pre ľudí s rôznym stupňom vzdelania.

Šimon: Jasné. Napríklad základné, stredoškolské a vysokoškolské vzdelanie. To sú tri skupiny.

Barbora: Presne. V softvéri ako SPSS by sme dostali tabuľku a v nej je pre nás kľúčová takzvaná p-hodnota. Ak je menšia ako naša hladina významnosti, napríklad 0.05, je to signál.

Šimon: A v tom našom príklade z tabuľky je p-hodnota 0.001. To je výrazne menej!

Barbora: Exaktne! Keďže 0.001 je menej ako 0.05, zamietame nulovú hypotézu. To znamená, že priemerný vek sa medzi skupinami líši. Aspoň jedna kategória je iná.

Šimon: Super, takže vieme, že tam je rozdiel. Je to veľmi priamočiare. A čo by sme použili, ak by sme mali len dve skupiny?

Barbora: Výborná otázka! Ak by sme porovnávali len dve skupiny, napríklad personalizovaný email verzus generický, použili by sme t-test. A to nás privádza priamo k marketingu!

Šimon: Super! Takže t-test by mi povedal, či sa oplatí investovať do softvéru, ktorý oslovuje ľudí menom?

Barbora: Presne tak. Zistil by si, či je nárast tržieb štatisticky významný, alebo len náhoda. Podobne funguje aj A/B testovanie webov.

Šimon: To je to, keď mi ukáže inú verziu stránky ako kamarátovi?

Barbora: Áno, presne to! Testuješ napríklad krátky a dlhý formulár a Z-testom zistíš, ktorý má lepší konverzný pomer. Získaš viac leadov, ale možno menej kvalitných. Je to vždy o kompromise.

Šimon: Chápem. A čo ak mám viac možností? Povedzme, že chcem porovnať úspešnosť reklamy na Facebooku, Tiktoku a v Google Ads.

Barbora: Tak tam sa vraciame k našej známej ANOVA-e. Pomôže ti zistiť, ktorý kanál prináša zákazníkov s najvyššou priemernou hodnotou objednávky. Vieš tak efektívne presunúť rozpočet.

Šimon: To je geniálne. A posledná vec... viem štatistikou zistiť, či rôzne vekové skupiny preferujú iné produkty?

Barbora: Určite! Na to je skvelý chí-kvadrát test. Zistíš ním, či je napríklad tvoja nová eko rada produktov naozaj populárnejšia u mileniálov ako u generácie X.

Šimon: Takže štatistika nie je len suchá teória, ale extrémne silný nástroj pre biznis. Vďaka za skvelý prehľad, Bára!

Barbora: Nemáš za čo, Šimon. Dúfam, že sme poslucháčom ukázali, aká vie byť štatistika užitočná. Majte sa pekne!

Šimon: Aj vy sa majte, dopočutia nabudúce!