Vanguard A/B Test - Team 14

Este proyecto es el análisis de un test A/B realizado en el sitio web de Vanguard, donde se comparan dos grupos de usuarios: un grupo de control (interfaz tradicional) y un grupo de test (nueva interfaz).

Equipo:

Carlos Vergara

Oscar Paul Sanchez

Enlaces:

• Presentación en Canva
• Tablero en Trello
• Dashboard en Tableau

---

Información del Proyecto

Objetivo del Proyecto

El objetivo de este proyecto es analizar los resultados de un test A/B en el sitio web de Vanguard, mediante la comparación de la interacción de usuarios con la interfaz tradicional (grupo de control) frente a una nueva interfaz (grupo de test).

Herramientas Utilizadas:

• Python (Pandas, Matplotlib, Seaborn): Para el análisis y la limpieza de datos.
• Tableau: Para la visualización de resultados y creación de dashboards.
• Trello: Para la organización y distribución de tareas.

Procesos Realizados:

1. Extracción y Limpieza de Datos: A partir de archivos .txt en data/raw.
2. Análisis Estadístico: Refutación de hipótesis basadas en el comportamiento de los usuarios.
3. Visualización en Tableau: Dashboards que ilustran las diferencias de rendimiento entre los grupos.

Requisitos previos:

Python: Este proyecto se hizo con la versión 3.11.9 de Python. Puedes descargarla desde la página oficial de Python.

---

Instrucciones de Instalación

Paso 1: Clonar el repositorio

Clona este repositorio en tu máquina local:

git clone https://github.com/PoeMadara/vanguard-ab-test-team-14.git
cd vanguard-ab-test-team-14

Paso 2: Crear y activar un entorno virtual

Usando Conda

1. Crear el entorno: Elige un nombre para tu entorno (por ejemplo, mi_entorno):

   conda create --name mi_entorno python=3.11.9

2. Activar el entorno:

   conda activate mi_entorno

Paso 3: Instalar dependencias

Al ejecutar el archivo main.ipynb, se instalarán automáticamente todas las dependencias necesarias.

---

Estructura del Proyecto

Directorios Clave

• data/raw: Contiene los archivos de datos en formato .txt que serán limpiados y estructurados.
• data/clean: Archivos limpios generados tras la manipulación de los datos.
• data/tableau: Archivos finales que se usarán en los dashboards de Tableau.
• scripts: Contiene los archivos de código:
  • functions.py: Funciones para la limpieza y manipulación de datos.
  • install_requirements.py: Script que asegura la instalación automática de las dependencias.
• notebooks: Contiene el archivo principal main.ipynb, que realiza el procesamiento de datos y genera los archivos finales.

Archivos Clave

• main.ipynb: El archivo principal que realiza las siguientes tareas:
  • Lee los archivos de datos en data/raw.
  • Limpia y transforma los datos.
  • Genera archivos en data/clean y data/tableau para su uso en Tableau.

---

Instrucciones para Ejecutar el Proyecto

1. Ejecutar el Jupyter Notebook: Abre main.ipynb en Jupyter Notebook y ejecuta todas las celdas para procesar los datos.

   • Nota: Durante la ejecución, el script install_requirements.py comprobará si las dependencias están instaladas, y las instalará si no es así.

2. Archivos de Salida:

   • Archivos Limpios: Se guardarán en data/clean:
     • df_final_demo_clean.csv
     • df_final_experiment_clients_clean.csv
     • merged_df_clean.csv
   • Archivos para Tableau: Se generarán en data/tableau:
     • dim_client.csv
     • dim_visitor.csv
     • dim_visit.csv
     • fact_process.csv

---

Agradecimientos:

Queremos expresar nuestro sincero agradecimiento a Ironhack y a todos los profesores que nos guiaron durante este proyecto. Gracias a su apoyo y recursos, hemos podido mejorar en aspectos clave como:

• Semana 1: Desarrollo de habilidades en Exploratory Data Analysis (EDA), limpieza de datos, y estadísticas inferenciales, lo que nos permitió abordar el análisis de manera profunda y eficiente.

• Semana 2: Aplicación de herramientas de Business Intelligence (BI), como Tableau, para la creación de dashboards interactivos y visualizaciones efectivas que apoyaron nuestras conclusiones.

Gracias a Ironhack, hemos adquirido una visión más clara y estructurada de cómo realizar un análisis de datos completo, desde la limpieza hasta la visualización, y estamos entusiasmados por aplicar estos conocimientos en futuros proyectos.

---