螢幕前的您，還在依賴直覺跟經驗優化廣告嗎？身處在大數據時代的我們，更需要利用數據驅動 (Data Driven) 的方式準確知道使用者真實的想法！
「A/B 測試」技能在數據資料分析中：
是知名企業如：Netflix、Meta 對使用者體驗做分析的工具
是職場想從事資料科學的新鮮人的必學重點技
是現今數據驅動的行銷人必備技能！
作為行銷活動方案產品經理、行銷人員，或行銷主管有時難免以主觀判斷好壞，但在這個注重客戶體驗的時代，不得不承認我們並不那麼瞭解我們的客戶。資料科學的蓬勃發展，也讓我們有更科學的方法，更貼近消費者想法與使用習慣。
「A/B 測試」就是一項非常好用的工作，它可以幫助我們驗證：
廣告之間的成效、產品之間的差異為何?
A 廣告看起來比 B 廣告效益更好，下一步該怎麼做？
在經營社群時怎麼用 A/B 測試來看廣告觸及數或互動數？
得到了檢定的證據後，如何將其用來擬定我們下一步的策略呢？
有鑑於此，臺灣行銷研究（TMR）團隊在為客戶廠商專案服務時，業界夥伴經常提出以下的問題，如圖 1 所示：
▲ 圖 1. 業界常見問題
- 如何用科學方法有效評估不同的行銷方案呢？
- 聽過 A/B 測試，但要如何將 A/B 測試應用於行銷方案的挑選呢？
- 哪些統計方法是 A/B 測試不可或缺的呢?
- 使用 A/B 測試時，又該如何避免掉入決策陷阱呢？
本門課以資料驅動的角度優化行銷策略，幫助您找到高獲利方案！
本門課是國內第一門將「A/B 測試」結合「Python 程式語言」，並深入探討不同條件下執行「A/B 測試」統計方法的線上課程。
▲圖 2. 國內第一門Python x A/B 測試的數位課程
在資料分析時，常常會需要應用不同的統計方法，但市面上沒有任何一門課程教授統計、資料科學及專案分析的落地應用，因此誕生了本門課，本門課也是國內第一門講解資料科學結合統計應用的課程。
本課程也會明確告訴您，在眾多統計檢定當中，如：變異數分析、司徒頓t檢定、Kruskal-wallis、卡方檢定、事後檢定等等，該如何將其有效的運用在對的情境！如圖 3 所示。
▲圖 3. 常見統計檢定方式
本課程也將從基本的研究方法思維切入，帶您利用司徒頓 t 檢定測試兩廣告間的效益，幫助您找出最佳的行銷方案。若我們有 3 個以上的行銷方案時，這時就可以使用 ANOVA ，來比較彼此之間的效益，以找出當中的差異。本課程期望帶給大家更多的商務洞見思維，發揮更具商務意涵的分析應用！
本課程共分六大核心特色，如圖 4. 所示：
👉 A/B 測試的重要性
👉 業界案例實作分享
👉 研究方法思維業界專案應用
👉 統計方法介紹及情境應用
👉 基礎 A/B 測試 Python 實作
👉 A/B/C/... 多重方案 Python 實作
▲圖 4. 課程核心特色
▲圖 5. 誰適合這門課
初步熟悉 Python 語法的朋友：
- 對 Python 裡頭的 pandas、for loop、if-else、各資料型態不陌生
- 欲進行不同行銷方案的成效比較的朋友
想增加評估行銷活動成效分析力的朋友
- 具有商務、行銷或銷售經驗
- 想客觀且高效率為自己行銷活動之成效評估的朋友
想學會用 A/B 測試的朋友：
- 欲加強自己在不同行銷情境下一步步執行 A/B 測試方法的朋友
想應徵商業分析師且提升履歷作品集的社會新鮮人
- 欲製作出屬於自己的商業分析動態視覺化網頁
- 替履歷作品集加分的朋友
目前 A/B 測試在各教學平台多半以英文相關資源及零碎的文章呈現，較難以系統性方式逐步教導學員如何應用。而本課程提供的教學方式及落地業界的應用，是中文市場上少見的 A/B 測試結合 Python 商務數據分析課程！
本課程與坊間最大的差異有五大面向，比較圖如圖 6. 所示：
▲圖 6. 本課程與一般 A/B 測試課程差異
- 理論兼具實務的課程教學：目前市面上的 A/B 測試課程大多著重在相應的理論與流程，缺乏用 Python 操作的實務課程。這門課程不僅會講解 A/B 測試常見的陷阱與科學研究步驟，更會透過 Python 以實務的角度出發，手把手帶大家操作 A/B 測試。
- 從實際場域出發，落地應用：以實務落地的角度出發，帶領您透過電商平台廣告的版面設計、廣告投放效益評估個案等，用科學與統計的方法從茫茫選項中，檢定不同方案的績效，找出最好的行銷方案！
- 手把手教學的中文授課：多半 A/B 測試的課程都是英語授課，而 A/B 測試在華語地區是個逐漸升溫的基本技能。這門課程能引導同學以數據實作的方式往數據驅動前進。
- Python 技能應用：Python 是現在在資料科學領域最為廣泛使用的程式語言。這門課主要教授您 A/B 測試的內涵及應用，加上 Python 操作，最後將 A/B 測試的結果以動態圖作視覺呈現，讓您可以快速了解不同方案的效益。
- 多種統計方法沿用：面對兩廣告間甚至是多個廣告間的成效驗證，我們都會教授同學如何使用相對應的統計方法，一一為您找出成效最佳的廣告，並且增加更多延伸的應用。
本課程共分為四大章節，第一章為 A/B 測試的介紹，第二章將介紹及帶您安裝所需要的環境，並於第三章開始實戰 A/B測試，了解兩廣告間的不同。接著第四章則是三者以上的廣告效果比較！課程章節圖如圖 7. 所示，詳細的各章節安排則會在以下段落說明。
▲圖 7. 課程單元大綱
章節 1 - A/B 測試介紹
在章節 1 主要分成三大部分：
第一部分：分享臺灣行銷研究在業界服務的經驗
根據 TMR 的實戰經驗，我們統整出以下常見的問題：
- 想要優化廣告、產品來吸引更多受眾，卻不知道從何處下手？
- 從電商個案了解產業痛點，發掘 A/B 測試實驗的重要性！
- 有哪些是我們應該避開的 A/B 測試陷阱?
- Ａ/B 測試的常見統計方法有哪些？
▲圖 8. A/B 測試介紹
第二部分透過電商個案介紹 A/B 測試的重要性及其效益
電商個案範例，如圖 9 所示。
▲圖 9. 從電商個案了解 A/B 測試
第三部分：如何避開 A/B 測試的陷阱
前面介紹了這麼多案例與 A/B 測試之間的關聯，難道 A/B 測試沒有任何缺點嗎？其中藏有許多陷阱，如圖 10. 中過度關注平均值的狀況，都會影響結果的判斷。在課程中，我們將詳細說明 A/B 測試常見的陷阱以及如何避免，讓我們能更精準地評估不同方案成效的好壞。
▲圖 10. 三大常見的 A/B 測試陷阱
章節 2 - 環境介紹與安裝
在章節二，我們將帶您安裝 Python 操作所需要的 Spyder 開發環境，如影片 1. 所示，讓我們後續可以：
- 順利將 Python 語言與 A/B 測試的實作相互結合
- 手把手引領您操作出本門課程所欲傳授的 A/B 測試實戰
