[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M6ECC614ZXZYVN8NKETTYEAJ":3,"skill-same:01M6ECC614ZXZYVN8NKETTYEAJ":63},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":15,"categories":16,"keywords":22,"publishedAt":31,"linkOnly":32,"markdownContent":33,"markdownBody":34,"frontMatter":35,"refName":41,"commitSha":42,"skillDirectory":43,"forksCount":44,"repositoryHtmlUrl":45,"repositoryHomepageUrl":46,"ownerHtmlUrl":47,"ownerBlogUrl":6,"ownerDescription":6,"updatedAt":48,"install":49,"resources":62},"01M6ECC614ZXZYVN8NKETTYEAJ","ab-test-analysis",null,"Ab Test Analysis — Skill especializada para ab test analysis","kursku\u002Fskills","kursku","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F15705647?v=4","01M6E5VWJKMRJQ1PNFP2P0PYVZ","01M6E5VWSCHN2C3RVE67795NRC",128,"MIT","https:\u002F\u002Fgithub.com\u002Fkursku\u002Fskills\u002Fblob\u002Fmaster\u002Fpacks\u002Fkit-510-ptbr\u002F15-analytics-dados\u002Fab-test-analysis\u002FSKILL.md",[17],{"categoryNo":18,"categoryName":19,"taxonomyType":20,"taxonomyTypeDesc":21},"01JBSEEDCAT000000000000008","测试与质量","SCENARIO","使用场景",[23,24,25,26,27,28,29,30],"test","analysis","ab test analysis","ab","safe","analytics","code","para","2026-11-10 10:12:30",false,"---\nname: ab-test-analysis\ndescription: \"Ab Test Analysis — Skill especializada para ab test analysis\"\nlicense: MIT\nmetadata:\n  version: 1.0.0\n  author: Cafe Code AI\n  category: 15-analytics-dados\n  updated: 2026-03-01\nrisk: safe\n---\n\n# Ab Test Analysis\n\nEssa skill capacita o Claude Code a planejar, executar e analisar experimentos A\u002FB complexos, utilizando dados do Google Analytics 4 para otimização de performance.\n\n---\n\n## Keywords\n\nTeste A\u002FB, GA4, Análise Estatística, Significância, Mínimo Efeito Detectável (MDE), Intervalo de Confiança, Validação de Hipótese, Segmentação de Audiência, Atribuição de Conversão, Otimização CRO, Hipótese Nula, Poder Estatístico.\n\n---\n\n## Quick Start\n\n1.  Definir a hipótese de teste e a métrica primária no plano de experimento, como \"Mudar o CTA de 'Saiba Mais' para 'Comprar Agora' aumentará a taxa de cliques (CTR) em 10%\".\n2.  Configurar um parâmetro de evento personalizado `ab_variant` no GA4 (via GTM ou código) para registrar qual variação (ex: `original`, `variacao_b`) o usuário visualizou em eventos chave como `page_view` ou `click`.\n3.  Implementar o teste utilizando uma ferramenta de A\u002FB testing (ex: Google Optimize, VWO), garantindo uma distribuição aleatória de tráfego de 50\u002F50 para as variações.\n4.  Monitorar o volume de dados e anomalias nas explorações de \"Tempo Real\" e \"DebugView\" do GA4 para assegurar que os eventos `ab_variant` estão sendo coletados corretamente para ambas as variações.\n5.  Calcular a significância estatística e o intervalo de confiança para a métrica primária utilizando os dados exportados do GA4, apenas após atingir o tamanho amostral predefinido.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Configuração e Coleta de Dados de Experimento A\u002FB no GA4\n\nEste workflow detalha a preparação técnica no Google Analytics 4 para um experimento A\u002FB, garantindo que os dados coletados sejam fidedignos e segmentáveis.\n\n1.  **Definição da Hipótese e Métricas Operacionais:**\n    *   **Exemplo:** \"Hipótese: A inclusão de um selo de 'Frete Grátis' na página de produto aumentará a taxa de adição ao carrinho (ATC) em 7%, sem impactar negativamente a taxa de conversão final.\"\n    *   **Métrica Primária:** Taxa de `add_to_cart` (event_count do evento `add_to_cart` \u002F total_users na página de produto).\n    *   **Métricas Secundárias:** Taxa de Conversão (`purchase` \u002F total_users), `ecommerce_purchase_revenue`.\n    *   **Mínimo Efeito Detectável (MDE):** Definir o menor efeito que seria considerado importante para a empresa, ex: 5% de aumento na taxa de `add_to_cart`.\n\n2.  **Configuração de Parâmetros de Evento Personalizados no GA4:**\n    *   **Passo A: Via Google Tag Manager (GTM):**\n        *   Crie uma Variável de Camada de Dados (Data Layer Variable) no GTM chamada `abTestVariant` que será preenchida pela ferramenta de A\u002FB testing (ex: `original`, `selo_frete`).\n        *   Em todas as Tags de Evento GA4 relevantes (ex: `page_view`, `add_to_cart`, `purchase`), adicione um novo \"Parâmetro do Evento\".\n        *   **Nome do Parâmetro:** `ab_variant`\n        *   **Valor do Parâmetro:** `{{abTestVariant}}` (referenciando a variável do GTM).\n        *   Certifique-se de que a ferramenta de A\u002FB testing (ex: Google Optimize) empurra o valor correto para a `dataLayer` como `window.dataLayer.push({'event': 'optimize.activate', 'abTestVariant': 'selo_frete'});` quando a variação é ativada.\n    *   **Passo B: Registro do Parâmetro como Dimensão Personalizada no GA4:**\n        *   No GA4, vá em `Administrador` -> `Configurações de dados` -> `Definições personalizadas`.\n        *   Crie uma nova \"Dimensão personalizada\".\n        *   **Nome da dimensão:** `Variação AB` (ou similar)\n        *   **Escopo:** Evento\n        *   **Nome do parâmetro do evento:** `ab_variant` (deve ser idêntico ao configurado no GTM\u002Fcódigo).\n        *   Isso permitirá segmentar relatórios e explorações pelo parâmetro `ab_variant`.\n\n3.  **Criação de Audiências para Análise Pós-Teste (Opcional, mas Recomendado):**\n    *   No GA4, vá em `Administrador` -> `Exibição de dados` -> `Audiências`.\n    *   Crie uma nova audiência para cada variação:\n        *   **Audiência \"Controle - Sem Selo\":** Usuários com o evento `page_view` e parâmetro `ab_variant` = `original`.\n        *   **Audiência \"Variação - Com Selo\":** Usuários com o evento `page_view` e parâmetro `ab_variant` = `selo_frete`.\n    *   Essas audiências podem ser usadas em \"Explorações\" para análises mais aprofundadas do comportamento específico de cada grupo.\n\n4.  **Validação da Coleta de Dados:**\n    *   Use o \"DebugView\" do GA4 (`Administrador` -> `Configurações de dados` -> `DebugView`) para verificar em tempo real se os eventos `page_view` e `add_to_cart` estão sendo disparados com o parâmetro `ab_variant` correto para ambas as variações do teste.\n    *   Monitore o relatório de \"Tempo Real\" para identificar o tráfego inicial e garantir que ambas as variações estão recebendo usuários.\n\n### Workflow 2: Análise Estatística e Interpretação de Resultados A\u002FB com GA4\n\nEste workflow descreve como analisar os dados coletados no GA4, aplicar testes estatísticos e interpretar os resultados para tomar decisões embasadas.\n\n1.  **Exportação de Dados para Análise:**\n    *   No GA4, vá em `Explorações` -> `Formato livre`.\n    *   Configure a exploração com as seguintes dimensões e métricas:\n        *   **Dimensões:** `Variação AB` (a dimensão personalizada criada), `Nome do evento`, `Data`.\n        *   **Métricas:** `Total de usuários`, `Eventos`.\n    *   Filtre a exploração pelo `Nome do evento` da sua métrica primária (ex: `add_to_cart`) e pelo período do teste.\n    *   Exporte os dados para CSV ou conecte o GA4 ao BigQuery para extração programática, o que é ideal para grandes volumes ou automação.\n    *   **Exemplo de Tabela de Dados Exportada (simplificada):**\n        ```\n        Data         | ab_variant | Nome do evento  | Total de usuários | Eventos\n        -------------------------------------------------------------------------\n        2024-07-01   | original   | page_view       | 1000              | 1000\n        2024-07-01   | original   | add_to_cart     | 80                | 80\n        2024-07-01   | variacao_b | page_view       | 1050              | 1050\n        2024-07-01   | variacao_b | add_to_cart     | 95                | 95\n        ...\n        ```\n\n2.  **Cálculo do Tamanho Amostral e Duração Necessária:**\n    *   Antes de iniciar a análise, confirme se o tamanho amostral mínimo foi atingido para cada variação.\n    *   Use uma calculadora de A\u002FB online (ex: Optimizely, Evan Miller) ou um script Python\u002FR.\n    *   **Inputs:** Taxa de base da métrica primária (ex: 8% ATC), MDE (ex: 7% relativo, o que seria 0.56pp), significância (ex: 95%, alpha=0.05), poder estatístico (ex: 80%).\n    *   **Output Exemplo:** Para uma taxa base de 8% e MDE de 7% (0.56pp), seriam necessários aproximadamente 25.000 usuários únicos por variação.\n    *   Verifique se a duração do teste abrangeu pelo menos um ciclo de negócios completo (ex: 7 ou 14 dias) para mitigar efeitos de sazonalidade.\n\n3.  **Análise Estatística:**\n    *   **Passo A: Calcular as Taxas:**\n        *   **Controle:** `Taxa ATC = (Eventos 'add_to_cart' na variação original) \u002F (Total de usuários na variação original)`\n        *   **Variação B:** `Taxa ATC = (Eventos 'add_to_cart' na variação B) \u002F (Total de usuários na variação B)`\n    *   **Passo B: Teste de Hipótese (Ex: Teste Z para proporções):**\n        *   Utilize uma ferramenta estatística (Python com `scipy.stats`, R, ou calculadora online) para comparar as duas proporções.\n        *   **Exemplo (Python):**\n            ```python\n            from statsmodels.stats.proportion import proportions_ztest\n            count_original = 2000 # Cliques ATC original\n            nobs_original = 25000 # Usuarios original\n            count_variant = 2275 # Cliques ATC variacao_b\n            nobs_variant = 25000 # Usuarios variacao_b\n\n            # Calculo do p-value\n            stat, pval = proportions_ztest([count_original, count_variant], [nobs_original, nobs_variant])\n            print(f\"P-value: {pval:.4f}\")\n\n            # Calculo do Intervalo de Confiança para a diferença\n            from statsmodels.stats.proportion import confint_proportions_2indep\n            lower, upper = confint_proportions_2indep(count_original, nobs_original, count_variant, nobs_variant, compare='diff')\n            print(f\"Intervalo de Confiança (95%) para a diferença: [{lower:.4f}, {upper:.4f}]\")\n            ```\n        *   **Resultado Exemplo:** `P-value: 0.008`, `Intervalo de Confiança (95%) para a diferença: [0.003, 0.015]` (ou seja, [0.3pp, 1.5pp] de aumento).\n\n4.  **Interpretação e Decisão:**\n    *   **Significância Estatística:** Se o `p-value` for menor que o nível de significância (geralmente 0.05), rejeite a hipótese nula. Isso significa que a diferença observada não é devido ao acaso.\n    *   **Magnitude do Efeito:** Verifique se a diferença observada é maior que o MDE definido no início. Um resultado estatisticamente significativo, mas com um efeito muito pequeno, pode não ser worth a implementação.\n    *   **Intervalo de Confiança:** Analise se o intervalo de confiança da diferença inclui o zero. Se não incluir, a diferença é significativa. O intervalo também dá uma estimativa da verdadeira magnitude do efeito.\n    *   **Métricas Secundárias:** Avalie as métricas secundárias no GA4 (`purchase`, `ecommerce_purchase_revenue`) utilizando as audiências criadas ou as explorações. Garanta que a otimização da métrica primária não prejudicou outras métricas importantes.\n    *   **Exemplo de Decisão:** \"Com um p-value de 0.008 (abaixo de 0.05) e um aumento de 0.9pp na taxa de ATC (de 8% para 8.9%), o que representa um ganho de 11.25% relativo e está acima do MDE de 7%, a variação 'Com Selo Frete Grátis' é estatisticamente superior. As métricas de conversão final e receita não apresentaram degradação. Recomendamos implementar a variação.\"\n\n---\n\n## Templates\n\n### Plano de Experimento A\u002FB - Selo de Frete Grátis\n\n```\n# Plano de Experimento A\u002FB - Selo de Frete Grátis\n\n**Data:** 2024-07-26\n**Responsável:** Equipe de Otimização de Conversão\n\n## 1. Objetivo\nValidar se a inclusão de um selo visual de \"Frete Grátis\" na página de produto aumenta a taxa de adição ao carrinho (ATC) sem impactar negativamente a taxa de conversão final.\n\n## 2. Hipótese\n*   **H0 (Nula):** A exibição do selo \"Frete Grátis\" na página de produto NÃO terá um impacto estatisticamente significativo na taxa de ATC.\n*   **H1 (Alternativa):** A exibição do selo \"Frete Grátis\" na página de produto AUMENTARÁ a taxa de ATC em pelo menos 7%.\n\n## 3. Variações\n*   **Controle (A):** Página de produto sem o selo \"Frete Grátis\".\n*   **Variação (B):** Página de produto com um selo \"Frete Grátis\" posicionado abaixo do preço do produto.\n\n## 4. Métricas\n*   **Métrica Primária:** Taxa de Adição ao Carrinho (ATC) (event_count do evento 'add_to_cart' \u002F total_users na página de produto).\n*   **Métricas Secundárias:** Taxa de Conversão (purchase \u002F total_users na página de produto), Receita por Usuário (ecommerce_purchase_revenue \u002F total_users), Cliques em \"Comprar Agora\" (click_comprar_agora \u002F total_users).\n\n## 5. Segmento Alvo\n100% do tráfego web que acessa as páginas de produto.\n\n## 6. Configuração GA4\n*   Parâmetro de evento `ab_variant` (valores: `original`, `selo_frete`) para eventos `page_view`, `add_to_cart`, `purchase`.\n*   Dimensão personalizada `Variação AB` configurada no GA4.\n*   Audiências `Controle - Sem Selo` e `Variação - Com Selo` criadas para análise pós-teste.\n\n## 7. Critérios de Sucesso e Parada\n*   Aumento estatisticamente significativo da Taxa de ATC (p \u003C 0.05).\n*   Aumento da Taxa de ATC maior ou igual ao MDE de 7% (relativo).\n*   Tamanho amostral mínimo atingido (ex: 25.000 usuários únicos por variação).\n*   Duração mínima do teste: 14 dias (2 ciclos de negócios completos).\n*   Nenhuma degradação estatisticamente significativa nas métricas secundárias.\n\n## 8. Ferramentas\nGoogle Optimize (implementação), Google Analytics 4 (coleta e monitoramento), Python\u002FR ou Planilha (análise estatística).\n```\n\n### Relatório de Análise de Experimento A\u002FB - Selo de Frete Grátis\n\n```\n# Relatório de Análise de Experimento A\u002FB - Selo de Frete Grátis\n\n**Data da Análise:** 2024-08-15\n**Período do Teste:** 2024-07-28 a 2024-08-11 (14 dias)\n**Status:** Concluído\n\n## 1. Resumo Executivo\nO experimento para","# Ab Test Analysis\n\nEssa skill capacita o Claude Code a planejar, executar e analisar experimentos A\u002FB complexos, utilizando dados do Google Analytics 4 para otimização de performance.\n\n---\n\n## Keywords\n\nTeste A\u002FB, GA4, Análise Estatística, Significância, Mínimo Efeito Detectável (MDE), Intervalo de Confiança, Validação de Hipótese, Segmentação de Audiência, Atribuição de Conversão, Otimização CRO, Hipótese Nula, Poder Estatístico.\n\n---\n\n## Quick Start\n\n1.  Definir a hipótese de teste e a métrica primária no plano de experimento, como \"Mudar o CTA de 'Saiba Mais' para 'Comprar Agora' aumentará a taxa de cliques (CTR) em 10%\".\n2.  Configurar um parâmetro de evento personalizado `ab_variant` no GA4 (via GTM ou código) para registrar qual variação (ex: `original`, `variacao_b`) o usuário visualizou em eventos chave como `page_view` ou `click`.\n3.  Implementar o teste utilizando uma ferramenta de A\u002FB testing (ex: Google Optimize, VWO), garantindo uma distribuição aleatória de tráfego de 50\u002F50 para as variações.\n4.  Monitorar o volume de dados e anomalias nas explorações de \"Tempo Real\" e \"DebugView\" do GA4 para assegurar que os eventos `ab_variant` estão sendo coletados corretamente para ambas as variações.\n5.  Calcular a significância estatística e o intervalo de confiança para a métrica primária utilizando os dados exportados do GA4, apenas após atingir o tamanho amostral predefinido.\n\n---\n\n## Core Workflows\n\n### Workflow 1: Configuração e Coleta de Dados de Experimento A\u002FB no GA4\n\nEste workflow detalha a preparação técnica no Google Analytics 4 para um experimento A\u002FB, garantindo que os dados coletados sejam fidedignos e segmentáveis.\n\n1.  **Definição da Hipótese e Métricas Operacionais:**\n    *   **Exemplo:** \"Hipótese: A inclusão de um selo de 'Frete Grátis' na página de produto aumentará a taxa de adição ao carrinho (ATC) em 7%, sem impactar negativamente a taxa de conversão final.\"\n    *   **Métrica Primária:** Taxa de `add_to_cart` (event_count do evento `add_to_cart` \u002F total_users na página de produto).\n    *   **Métricas Secundárias:** Taxa de Conversão (`purchase` \u002F total_users), `ecommerce_purchase_revenue`.\n    *   **Mínimo Efeito Detectável (MDE):** Definir o menor efeito que seria considerado importante para a empresa, ex: 5% de aumento na taxa de `add_to_cart`.\n\n2.  **Configuração de Parâmetros de Evento Personalizados no GA4:**\n    *   **Passo A: Via Google Tag Manager (GTM):**\n        *   Crie uma Variável de Camada de Dados (Data Layer Variable) no GTM chamada `abTestVariant` que será preenchida pela ferramenta de A\u002FB testing (ex: `original`, `selo_frete`).\n        *   Em todas as Tags de Evento GA4 relevantes (ex: `page_view`, `add_to_cart`, `purchase`), adicione um novo \"Parâmetro do Evento\".\n        *   **Nome do Parâmetro:** `ab_variant`\n        *   **Valor do Parâmetro:** `{{abTestVariant}}` (referenciando a variável do GTM).\n        *   Certifique-se de que a ferramenta de A\u002FB testing (ex: Google Optimize) empurra o valor correto para a `dataLayer` como `window.dataLayer.push({'event': 'optimize.activate', 'abTestVariant': 'selo_frete'});` quando a variação é ativada.\n    *   **Passo B: Registro do Parâmetro como Dimensão Personalizada no GA4:**\n        *   No GA4, vá em `Administrador` -> `Configurações de dados` -> `Definições personalizadas`.\n        *   Crie uma nova \"Dimensão personalizada\".\n        *   **Nome da dimensão:** `Variação AB` (ou similar)\n        *   **Escopo:** Evento\n        *   **Nome do parâmetro do evento:** `ab_variant` (deve ser idêntico ao configurado no GTM\u002Fcódigo).\n        *   Isso permitirá segmentar relatórios e explorações pelo parâmetro `ab_variant`.\n\n3.  **Criação de Audiências para Análise Pós-Teste (Opcional, mas Recomendado):**\n    *   No GA4, vá em `Administrador` -> `Exibição de dados` -> `Audiências`.\n    *   Crie uma nova audiência para cada variação:\n        *   **Audiência \"Controle - Sem Selo\":** Usuários com o evento `page_view` e parâmetro `ab_variant` = `original`.\n        *   **Audiência \"Variação - Com Selo\":** Usuários com o evento `page_view` e parâmetro `ab_variant` = `selo_frete`.\n    *   Essas audiências podem ser usadas em \"Explorações\" para análises mais aprofundadas do comportamento específico de cada grupo.\n\n4.  **Validação da Coleta de Dados:**\n    *   Use o \"DebugView\" do GA4 (`Administrador` -> `Configurações de dados` -> `DebugView`) para verificar em tempo real se os eventos `page_view` e `add_to_cart` estão sendo disparados com o parâmetro `ab_variant` correto para ambas as variações do teste.\n    *   Monitore o relatório de \"Tempo Real\" para identificar o tráfego inicial e garantir que ambas as variações estão recebendo usuários.\n\n### Workflow 2: Análise Estatística e Interpretação de Resultados A\u002FB com GA4\n\nEste workflow descreve como analisar os dados coletados no GA4, aplicar testes estatísticos e interpretar os resultados para tomar decisões embasadas.\n\n1.  **Exportação de Dados para Análise:**\n    *   No GA4, vá em `Explorações` -> `Formato livre`.\n    *   Configure a exploração com as seguintes dimensões e métricas:\n        *   **Dimensões:** `Variação AB` (a dimensão personalizada criada), `Nome do evento`, `Data`.\n        *   **Métricas:** `Total de usuários`, `Eventos`.\n    *   Filtre a exploração pelo `Nome do evento` da sua métrica primária (ex: `add_to_cart`) e pelo período do teste.\n    *   Exporte os dados para CSV ou conecte o GA4 ao BigQuery para extração programática, o que é ideal para grandes volumes ou automação.\n    *   **Exemplo de Tabela de Dados Exportada (simplificada):**\n        ```\n        Data         | ab_variant | Nome do evento  | Total de usuários | Eventos\n        -------------------------------------------------------------------------\n        2024-07-01   | original   | page_view       | 1000              | 1000\n        2024-07-01   | original   | add_to_cart     | 80                | 80\n        2024-07-01   | variacao_b | page_view       | 1050              | 1050\n        2024-07-01   | variacao_b | add_to_cart     | 95                | 95\n        ...\n        ```\n\n2.  **Cálculo do Tamanho Amostral e Duração Necessária:**\n    *   Antes de iniciar a análise, confirme se o tamanho amostral mínimo foi atingido para cada variação.\n    *   Use uma calculadora de A\u002FB online (ex: Optimizely, Evan Miller) ou um script Python\u002FR.\n    *   **Inputs:** Taxa de base da métrica primária (ex: 8% ATC), MDE (ex: 7% relativo, o que seria 0.56pp), significância (ex: 95%, alpha=0.05), poder estatístico (ex: 80%).\n    *   **Output Exemplo:** Para uma taxa base de 8% e MDE de 7% (0.56pp), seriam necessários aproximadamente 25.000 usuários únicos por variação.\n    *   Verifique se a duração do teste abrangeu pelo menos um ciclo de negócios completo (ex: 7 ou 14 dias) para mitigar efeitos de sazonalidade.\n\n3.  **Análise Estatística:**\n    *   **Passo A: Calcular as Taxas:**\n        *   **Controle:** `Taxa ATC = (Eventos 'add_to_cart' na variação original) \u002F (Total de usuários na variação original)`\n        *   **Variação B:** `Taxa ATC = (Eventos 'add_to_cart' na variação B) \u002F (Total de usuários na variação B)`\n    *   **Passo B: Teste de Hipótese (Ex: Teste Z para proporções):**\n        *   Utilize uma ferramenta estatística (Python com `scipy.stats`, R, ou calculadora online) para comparar as duas proporções.\n        *   **Exemplo (Python):**\n            ```python\n            from statsmodels.stats.proportion import proportions_ztest\n            count_original = 2000 # Cliques ATC original\n            nobs_original = 25000 # Usuarios original\n            count_variant = 2275 # Cliques ATC variacao_b\n            nobs_variant = 25000 # Usuarios variacao_b\n\n            # Calculo do p-value\n            stat, pval = proportions_ztest([count_original, count_variant], [nobs_original, nobs_variant])\n            print(f\"P-value: {pval:.4f}\")\n\n            # Calculo do Intervalo de Confiança para a diferença\n            from statsmodels.stats.proportion import confint_proportions_2indep\n            lower, upper = confint_proportions_2indep(count_original, nobs_original, count_variant, nobs_variant, compare='diff')\n            print(f\"Intervalo de Confiança (95%) para a diferença: [{lower:.4f}, {upper:.4f}]\")\n            ```\n        *   **Resultado Exemplo:** `P-value: 0.008`, `Intervalo de Confiança (95%) para a diferença: [0.003, 0.015]` (ou seja, [0.3pp, 1.5pp] de aumento).\n\n4.  **Interpretação e Decisão:**\n    *   **Significância Estatística:** Se o `p-value` for menor que o nível de significância (geralmente 0.05), rejeite a hipótese nula. Isso significa que a diferença observada não é devido ao acaso.\n    *   **Magnitude do Efeito:** Verifique se a diferença observada é maior que o MDE definido no início. Um resultado estatisticamente significativo, mas com um efeito muito pequeno, pode não ser worth a implementação.\n    *   **Intervalo de Confiança:** Analise se o intervalo de confiança da diferença inclui o zero. Se não incluir, a diferença é significativa. O intervalo também dá uma estimativa da verdadeira magnitude do efeito.\n    *   **Métricas Secundárias:** Avalie as métricas secundárias no GA4 (`purchase`, `ecommerce_purchase_revenue`) utilizando as audiências criadas ou as explorações. Garanta que a otimização da métrica primária não prejudicou outras métricas importantes.\n    *   **Exemplo de Decisão:** \"Com um p-value de 0.008 (abaixo de 0.05) e um aumento de 0.9pp na taxa de ATC (de 8% para 8.9%), o que representa um ganho de 11.25% relativo e está acima do MDE de 7%, a variação 'Com Selo Frete Grátis' é estatisticamente superior. As métricas de conversão final e receita não apresentaram degradação. Recomendamos implementar a variação.\"\n\n---\n\n## Templates\n\n### Plano de Experimento A\u002FB - Selo de Frete Grátis\n\n```\n# Plano de Experimento A\u002FB - Selo de Frete Grátis\n\n**Data:** 2024-07-26\n**Responsável:** Equipe de Otimização de Conversão\n\n## 1. Objetivo\nValidar se a inclusão de um selo visual de \"Frete Grátis\" na página de produto aumenta a taxa de adição ao carrinho (ATC) sem impactar negativamente a taxa de conversão final.\n\n## 2. Hipótese\n*   **H0 (Nula):** A exibição do selo \"Frete Grátis\" na página de produto NÃO terá um impacto estatisticamente significativo na taxa de ATC.\n*   **H1 (Alternativa):** A exibição do selo \"Frete Grátis\" na página de produto AUMENTARÁ a taxa de ATC em pelo menos 7%.\n\n## 3. Variações\n*   **Controle (A):** Página de produto sem o selo \"Frete Grátis\".\n*   **Variação (B):** Página de produto com um selo \"Frete Grátis\" posicionado abaixo do preço do produto.\n\n## 4. Métricas\n*   **Métrica Primária:** Taxa de Adição ao Carrinho (ATC) (event_count do evento 'add_to_cart' \u002F total_users na página de produto).\n*   **Métricas Secundárias:** Taxa de Conversão (purchase \u002F total_users na página de produto), Receita por Usuário (ecommerce_purchase_revenue \u002F total_users), Cliques em \"Comprar Agora\" (click_comprar_agora \u002F total_users).\n\n## 5. Segmento Alvo\n100% do tráfego web que acessa as páginas de produto.\n\n## 6. Configuração GA4\n*   Parâmetro de evento `ab_variant` (valores: `original`, `selo_frete`) para eventos `page_view`, `add_to_cart`, `purchase`.\n*   Dimensão personalizada `Variação AB` configurada no GA4.\n*   Audiências `Controle - Sem Selo` e `Variação - Com Selo` criadas para análise pós-teste.\n\n## 7. Critérios de Sucesso e Parada\n*   Aumento estatisticamente significativo da Taxa de ATC (p \u003C 0.05).\n*   Aumento da Taxa de ATC maior ou igual ao MDE de 7% (relativo).\n*   Tamanho amostral mínimo atingido (ex: 25.000 usuários únicos por variação).\n*   Duração mínima do teste: 14 dias (2 ciclos de negócios completos).\n*   Nenhuma degradação estatisticamente significativa nas métricas secundárias.\n\n## 8. Ferramentas\nGoogle Optimize (implementação), Google Analytics 4 (coleta e monitoramento), Python\u002FR ou Planilha (análise estatística).\n```\n\n### Relatório de Análise de Experimento A\u002FB - Selo de Frete Grátis\n\n```\n# Relatório de Análise de Experimento A\u002FB - Selo de Frete Grátis\n\n**Data da Análise:** 2024-08-15\n**Período do Teste:** 2024-07-28 a 2024-08-11 (14 dias)\n**Status:** Concluído\n\n## 1. Resumo Executivo\nO experimento para",{"name":5,"risk":27,"license":14,"metadata":36,"description":7},{"author":37,"updated":38,"version":39,"category":40},"Cafe Code AI",1772323200000,"1.0.0","15-analytics-dados","master","346c313fd2ec241a088c68274da26c538422568b","packs\u002Fkit-510-ptbr\u002F15-analytics-dados\u002Fab-test-analysis",36,"https:\u002F\u002Fgithub.com\u002Fkursku\u002Fskills","https:\u002F\u002Fclaude.ai","https:\u002F\u002Fgithub.com\u002Fkursku","2026-03-27 22:43:37",{"source":8,"skillName":5,"commands":50,"prompt":60,"zipAvailable":61},[51,54,57],{"tool":52,"command":53},"npx","npx skills add kursku\u002Fskills --skill ab-test-analysis",{"tool":55,"command":56},"bunx","bunx skills add kursku\u002Fskills --skill ab-test-analysis",{"tool":58,"command":59},"pnpm","pnpm dlx skills add kursku\u002Fskills --skill ab-test-analysis","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Fkursku\u002Fskills\u002Fblob\u002Fmaster\u002Fpacks\u002Fkit-510-ptbr\u002F15-analytics-dados\u002Fab-test-analysis\u002FSKILL.md",true,[],[64,83,94,106,117,127],{"skillNo":65,"name":66,"nameZh":6,"description":67,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":68,"categories":69,"keywords":78,"publishedAt":31},"01M6ECKM7725267ZM3XNYWH608","wedding-marketing","Wedding Marketing — Skill especializada para criar e executar estratégias de marketing digital para o mercado de casamentos, focando em noivos e fornecedores.","https:\u002F\u002Fgithub.com\u002Fkursku\u002Fskills\u002Fblob\u002Fmaster\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Fwedding-marketing\u002FSKILL.md",[70,73],{"categoryNo":71,"categoryName":72,"taxonomyType":20,"taxonomyTypeDesc":21},"01JBSEEDCAT000000000000019","营销推广",{"categoryNo":74,"categoryName":75,"taxonomyType":76,"taxonomyTypeDesc":77},"01JBSEEDCAT000000000000035","市场营销","PROFESSION","适用职业",[79,80,81,82,30,29],"wedding marketing","marketing","marketing digital","de",{"skillNo":84,"name":85,"nameZh":6,"description":86,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":87,"categories":88,"keywords":91,"publishedAt":31},"01M6ECKGP656JQC2C6CK5JH3ZG","travel-marketing","Travel Marketing — Skill especializada para travel marketing","https:\u002F\u002Fgithub.com\u002Fkursku\u002Fskills\u002Fblob\u002Fmaster\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Ftravel-marketing\u002FSKILL.md",[89,90],{"categoryNo":71,"categoryName":72,"taxonomyType":20,"taxonomyTypeDesc":21},{"categoryNo":74,"categoryName":75,"taxonomyType":76,"taxonomyTypeDesc":77},[92,93,80,30,29,27],"travel marketing","travel",{"skillNo":95,"name":96,"nameZh":6,"description":97,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":98,"categories":99,"keywords":102,"publishedAt":31},"01M6ECKBY53SJ7E167D6BXTMRK","tech-startup-marketing","Tech Startup Marketing — Skill especializada para tech startup marketing","https:\u002F\u002Fgithub.com\u002Fkursku\u002Fskills\u002Fblob\u002Fmaster\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Ftech-startup-marketing\u002FSKILL.md",[100,101],{"categoryNo":71,"categoryName":72,"taxonomyType":20,"taxonomyTypeDesc":21},{"categoryNo":74,"categoryName":75,"taxonomyType":76,"taxonomyTypeDesc":77},[103,104,80,105,30,29,27],"tech startup marketing","tech","startup",{"skillNo":107,"name":108,"nameZh":6,"description":109,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":110,"categories":111,"keywords":114,"publishedAt":31},"01M6ECK7W2W0J5MZ8BZHFM516P","saas-marketing","Saas Marketing — Skill especializada para desenvolver e executar estratégias de marketing digital focadas no crescimento de produtos SaaS.","https:\u002F\u002Fgithub.com\u002Fkursku\u002Fskills\u002Fblob\u002Fmaster\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Fsaas-marketing\u002FSKILL.md",[112,113],{"categoryNo":71,"categoryName":72,"taxonomyType":20,"taxonomyTypeDesc":21},{"categoryNo":74,"categoryName":75,"taxonomyType":76,"taxonomyTypeDesc":77},[115,80,116,27,81,82,30,29],"saas marketing","saas",{"skillNo":118,"name":119,"nameZh":6,"description":120,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":121,"categories":122,"keywords":125,"publishedAt":31},"01M6ECK42ZSX5ND0SCTRKD7XKB","restaurant-marketing","Restaurant Marketing — Skill especializada para otimizar a presença digital, atrair e reter clientes em restaurantes.","https:\u002F\u002Fgithub.com\u002Fkursku\u002Fskills\u002Fblob\u002Fmaster\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Frestaurant-marketing\u002FSKILL.md",[123,124],{"categoryNo":71,"categoryName":72,"taxonomyType":20,"taxonomyTypeDesc":21},{"categoryNo":74,"categoryName":75,"taxonomyType":76,"taxonomyTypeDesc":77},[126,80,29,30],"restaurant marketing",{"skillNo":128,"name":129,"nameZh":6,"description":130,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":6,"repositoryNo":12,"starsCount":13,"licenseSpdxId":14,"licenseFileUrl":6,"sourceHtmlUrl":131,"categories":132,"keywords":135,"publishedAt":31},"01M6ECK0S48CPYE9P7PRAG9R3T","real-estate-marketing","Real Estate Marketing — Skill especializada para criação e execução de estratégias de marketing digital para o setor imobiliário.","https:\u002F\u002Fgithub.com\u002Fkursku\u002Fskills\u002Fblob\u002Fmaster\u002Fpacks\u002Fkit-510-ptbr\u002F16-nichos-especificos\u002Freal-estate-marketing\u002FSKILL.md",[133,134],{"categoryNo":71,"categoryName":72,"taxonomyType":20,"taxonomyTypeDesc":21},{"categoryNo":74,"categoryName":75,"taxonomyType":76,"taxonomyTypeDesc":77},[80,136,137,29,30,82,81,27],"real estate","real estate marketing"]