Интерактивные модели реальных систем — двусторонних рынков, аукционов, экспериментальных дизайнов. Каждый симулятор показывает, как ведёт себя система при изменении параметров: что у неё за динамика, где границы, что ломается при стрессе.
Системы, где две стороны рынка влияют друг на друга. Здесь классический A/B-эксперимент часто ломается на network effects, а интуиция «больше водителей → больше заказов» работает только до определённой точки.
Живая 2D-симуляция платформы такси: водители, заказы, surge pricing, отмены. Как дисбаланс спроса и предложения превращается в потерю выручки и отказ пассажиров.
↗Покупатели, продавцы, ранжирование выдачи, доставка, доверие. Как меняется экономика маркетплейса при сдвиге одной из сторон.
↗Где деньги конвертируются в показы и обратно. Аукционные механики, давление рекламной нагрузки, насыщение каналов — всё то, что отличает «выручку платформы» от обычного e-commerce.
Механика рекламного аукциона: CPM, CTR, floor price, спрос и предложение слотов. Как формируется цена показа в second-price аукционе и где она сваливается в дисбаланс.
↗Живая симуляция: что происходит с выручкой и пользователем, когда рекламная нагрузка растёт. Граница, за которой давление перестаёт окупаться.
↗CTR-деградация при повторных показах, насыщение каналов привлечения, monetization cliff. Где находится экономический потолок и как он сдвигается.
↗Симуляторы для понимания механики A/B-тестов: как считать, какой критерий выбрать, как уменьшить дисперсию. Часть инструментов привязана к курсу Статистика A/B-тестирования.
Живой A/B: метрики, p-value, доверительные интервалы в динамике. Сценарии Big Early Win, Early Spike, факторы риска (SUTVA, imbalance) — что покажет ваш дашборд при типовых проблемах.
↗Сгенерируйте данные, увидьте форму распределения и получите рекомендацию по статтесту. Heavy tail, zero-inflation, асимметрия — как они влияют на выбор критерия.
↗Определите тип метрики (бинарная, счётная, непрерывная, ratio) и подходящий статкритерий для A/B-теста.
↗Сравните raw и CUPED-adjusted оценки эффекта. Увидьте, как корреляция pre-post определяет выигрыш в чувствительности теста.
↗Увидьте, как ICC и размер кластера раздувают дисперсию и ломают наивный t-test. Почему рандомизация на уровне города ≠ рандомизация на уровне пользователя.
↗Определите подходящий тест, метод снижения дисперсии и поправки для вашего эксперимента — через интерактивный decision tree.
↗См. также: Калькуляторы · Глоссарий