A/B-Tests bergen Risiken, wenn KI bei Hypothesen, Analysen und Rollout-Empfehlungen unterstützt, ohne dass klare statistische Leitplanken existieren. Dieser Kurs vermittelt, wie man den Nutzen der KI wahrt und gleichzeitig die Entscheidungsqualität sichert – von der Festlegung der zu klärenden Fragen bis hin zur Beurteilung, ob die Datenlage für eine Implementierung ausreicht. Er richtet sich an Analysten, Data Scientists und Business-Teams, die fundierte, praxisnahe und gut begründbare Entscheidungen im Bereich Experimentierung benötigen.
Der Kurs behandelt die Rolle von KI im A/B-Test-Workflow, entscheidungsorientierte Hypothesen, Teststärke und Stichprobengröße, die Auswahl von Tests unter Berücksichtigung der jeweiligen Voraussetzungen, Konfidenzintervalle, multiple Vergleiche sowie Fallstricke bei der Segmentierung. Zudem wird vermittelt, wie sich eine KI-gestützte Analyse dokumentieren lässt und wie die daraus gewonnenen Erkenntnisse in eine Entscheidung über das Rollout münden – sei es die Veröffentlichung, das Zurückstellen oder die weitere Überarbeitung.