Este proyecto es una intervención analítica estratégica para una tienda online de alto volumen. Su objetivo es maximizar los ingresos mediante la toma de decisiones basada en datos, dividiéndose en dos fases críticas:
- Priorización Estratégica (ICE / RICE): Evaluación de hipótesis de crecimiento para asegurar que el equipo de desarrollo se enfoque en las iniciativas de mayor retorno de inversión (ROI).
- Validación Experimental (A/B Testing): Ejecución y análisis riguroso de un experimento controlado para medir el impacto real en la tasa de conversión y el ticket promedio (AOV), descartando el ruido estadístico.
El análisis mediante el framework RICE reveló que el Alcance (Reach) es el factor determinante para el éxito del negocio.
- Ganador: La hipótesis sobre formularios de suscripción en páginas principales obtuvo el puntaje más alto (RICE: 112.0), superando a iniciativas de nicho gracias a su capacidad de impactar al 100% del tráfico.
El experimento comparó el desempeño del Grupo A (Control) vs. Grupo B (Variante).
| KPI | Resultado (Datos Filtrados) | Significancia Estadística | Conclusión |
|---|---|---|---|
| Tasa de Conversión | Grupo B (+18.30%) | ✅ SÍ ( |
La variante convierte mejor al usuario promedio. |
| Ticket Promedio (AOV) | Diferencia nula (+1.06%) | ❌ NO ( |
El cambio no incentiva un mayor gasto por pedido. |
Veredicto: El test se declara EXITOSO. Se recomienda el despliegue global de la variante basándose en la mejora sólida de la conversión, que compensa la neutralidad del ticket promedio.
El repositorio sigue una estructura modular diseñada para escalabilidad y mantenibilidad, separando la lógica de negocio (src/) de la narrativa (notebooks/).
ecom_revenue_optimization_ab_test/
├── data/
│ ├── raw/ # Datos crudos (inmutables)
│ └── processed/ # Datos limpios en formato Parquet (optimizado)
├── notebooks/
│ └── strategic_ab_test_analysis.ipynb # Storytelling y análisis final
├── src/
│ ├── __init__.py
│ ├── data_processing.py # Pipeline ETL (Carga, Limpieza, PyArrow)
│ ├── prioritization.py # Lógica de frameworks ICE/RICE
│ ├── statistical_tests.py # Motor estadístico (Mann-Whitney, Power, Anomalías)
│ └── visualization.py # Sistema de gráficos Plotly
├── tests/ # Suite de pruebas unitarias (Pytest)
├── environment.yml # Configuración de entorno (Conda)
├── requirements.txt # Dependencias (Pip)
└── README.md # Documentación
| Componente | Herramienta | Detalles / Uso |
|---|---|---|
| Lenguaje | Python 3.12+ | Base del proyecto |
| Core | Pandas 3.0+ | PyArrow backend & Copy-on-Write activados |
| Estadística | SciPy, Statsmodels | Tests Mann-Whitney, Potencia, Cohen's d |
| Visualización | Plotly | Gráficos interactivos de alta calidad |
| Testing | Pytest | Validación de lógica crítica |
Este proyecto utiliza Conda para la gestión de entornos.
-
Clonar el repositorio:
git clone https://github.com/IsaacEx/ab-test-ecom-revenue-optimization.git cd ecom_revenue_optimization_ab_test -
Configurar el entorno:
Opción A: Conda (Recomendado)
conda env create -f environment.yml conda activate ecom_ab_test
Opción B: Pip (Virtualenv)
python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate pip install -r requirements.txt
-
Ejecutar el análisis: Inicia Jupyter Lab (o tu IDE preferido) para explorar el notebook principal:
jupyter lab notebooks/strategic_ab_test_analysis.ipynb
-
Ejecutar pruebas (Opcional): Para verificar la integridad del código fuente:
pytest tests/
Este proyecto demuestra un flujo de trabajo moderno y eficiente ("Agentic Workflow"), donde el Analista dirige la estrategia y la lógica de negocio, mientras orquesta agentes de IA para optimizar su código y producir una implementación técnica robusta.
- Dirección & Lógica (Analista): Definición de hipótesis, selección de frameworks estadísticos (Mann-Whitney, RICE) e interpretación de resultados de negocio.
- Ingeniería & Escalabilidad (IA Agent): Refactorización del código base, creación de pruebas unitarias (
pytest) y modularización de scripts ensrc/para producción.
Este enfoque permite combinar la profundidad analítica humana con la velocidad y rigor del desarrollo de software automatizado.
Este proyecto está bajo la Licencia MIT - ver el archivo LICENSE para más detalles.
Isaac Esteban Martínez Ortega | Analista de Datos & Consultor Estratégico