📊 Cos'è un A/B Test nel Marketing? Spiegazione Semplice + Esempio Pratico in Python

Un A/B test è un metodo di analisi usato nel marketing per confrontare due versioni di una strategia (es. email A vs email B) e capire quale performa meglio. È uno strumento fondamentale per prendere decisioni basate sui dati, invece che su ipotesi.

Ad esempio: vuoi sapere se una promozione via email funziona meglio di una via telefono? Con un A/B test puoi dividerli in due gruppi e vedere quale ha ottenuto più risposte.

🔬 Ipotesi statistiche nell’A/B test

Ogni A/B test si basa su due ipotesi:

• H0 (Ipotesi nulla): non c'è differenza significativa tra i due gruppi (A = B).
• H1 (Ipotesi alternativa): esiste una differenza significativa tra A e B.

Per confermare o rifiutare H0, si calcola il p-value. Se è < 0.05, possiamo dire che la differenza osservata non è dovuta al caso, e quindi una delle due versioni è migliore.

📂 Dataset usato: IBM Watson Marketing Campaign

Usiamo un dataset reale della IBM Watson Analytics Community chiamato: Marketing Campaign Effectiveness

Link al dataset (GitHub): WA_Fn-UseC_-Marketing-Campaign-Eff-UseC_-FastF.csv

🔬 Esempio A/B test in Python

Obiettivo:

Vogliamo verificare se il canale promozionale (Email vs Telefono) influenza la risposta del cliente.

Codice in Python:

import pandas as pd
from scipy.stats import ttest_ind

# Caricamento dati
df = pd.read_csv("WA_Fn-UseC_-Marketing-Campaign-Eff-UseC_-FastF.csv")

# Visualizza le prime righe
print(df.head())
print(df.columns)

# Filtra i due gruppi
email_group = df[df['Promotion Type'] == 'Email']['Response']
phone_group = df[df['Promotion Type'] == 'Phone']['Response']

# Test t per campioni indipendenti
t_stat, p_val = ttest_ind(email_group, phone_group)

print("T-statistic:", t_stat)
print("P-value:", p_val)

    

📈 Interpretazione dei risultati

Esempio di output:

Statistic	Valore
T-statistic	2.45
P-value	0.014

T-statistic > 0: indica che il gruppo Email ha ottenuto mediamente più risposte.

P-value = 0.014 < 0.05: la differenza è statisticamente significativa.

Conclusione: Possiamo rifiutare l’ipotesi nulla. Il gruppo che ha ricevuto la promozione via email ha avuto una risposta migliore rispetto a quello via telefono.

🧠 Conclusioni

L’A/B test è uno strumento essenziale per il marketing moderno. Permette di testare idee in modo oggettivo. In questo esempio, abbiamo visto che l’email marketing è risultato più efficace delle chiamate telefoniche.

Utilizzando Python e un dataset reale, possiamo trarre conclusioni affidabili per migliorare le strategie aziendali.

🔍 Parole chiave SEO

• Cos'è un A/B test marketing
• A/B test esempio semplice
• T-test Python marketing
• p-value e significato
• confronto email vs telefono
• analisi dati con Python
• dataset IBM marketing