> ## Documentation Index > Fetch the complete documentation index at: https://docs.kameleoon.com/llms.txt > Use this file to discover all available pages before exploring further. # Bayesian > Erfahren Sie mehr über die statistische Methode Bayesian in Kameleoon und wie sie die Wahrscheinlichkeit, das Original zu schlagen, und die Zuverlässigkeit der Ergebnisse berechnet. ## Über die Bayesian-Methode Im Gegensatz zum frequentistischen Ansatz, der die zu schätzenden Parameter als unbekannte Konstanten behandelt, modelliert der Bayesian-Ansatz jeden Parameter als Zufallsvariable. Die Methode verdankt ihren Namen der Bayes-Regel, die es Ihnen ermöglicht, Größen zu berechnen, die der frequentistische Rahmen nicht liefern kann. Die Bayes-Regel kombiniert Ihre Experimentergebnisse mit allen verfügbaren Vorinformationen. Kameleoons A/B-Tests verwenden jedoch standardmäßig nicht-informative Priors. Durch die Wahl der A-priori-Verteilung können Sie die daraus resultierende A-posteriori-Verteilung nutzen, um Werte zu berechnen, wie zum Beispiel die Wahrscheinlichkeit, dass eine Variante das Original verbessert. ## Bayesian-Methode aktivieren Wenn Sie im Dashboard auf **Ergebnisse** klicken, zeigt Kameleoon standardmäßig die klassische Ergebnisseite an. So aktivieren Sie die Bayesian-Statistikmethode für ein Experiment: 1. Öffnen Sie das Experiment und klicken Sie in der Seitenleiste auf den Tab **Data**. 2. Klicken Sie unter **Statistical methods** auf **Bayesian**. 3. Klicken Sie auf **Apply**. Die Ergebnisseite zeigt anschließend die von der Bayesian-Statistik generierten Ergebnisse anstelle der klassischen Methode an. Sie können nicht auf die Bayesian-Ergebnisseite zugreifen, wenn Sie 100 % des Traffics auf das Original umleiten oder wenn das Experiment keine Besucher hat. ## Die Bayesian-Ergebnisseite Die Struktur der Bayesian-Reporting-Seite ähnelt der klassischen Ergebnisseite. Einige Elemente unterscheiden sich jedoch: * Neue Indikatoren erscheinen, wie die Wahrscheinlichkeit, die Originalvariation zu schlagen, und die Zuverlässigkeit der Ergebnisse gemäß Bayes. * Mehrere Diagramme erscheinen nicht auf der Seite, und die Seite zeigt nur die Conversion-Rate an. ## Definitionen ### Wahrscheinlichkeit, das Original zu schlagen Dieser Wert stellt die Wahrscheinlichkeit dar, dass eine Variation die Originalseite mit einer höheren Conversion-Rate für ein bestimmtes Ziel übertrifft. Wenn Sie dem Original 0 % des Traffics zuweisen, erhalten die Variationen 100 % des Traffics und konkurrieren nicht mit dem Original. In diesem Fall wird der Indikator zur **Wahrscheinlichkeit, die Gewinner-Variation zu sein**. ### Kontinuierliche Bayesian-Metriken Wenn Sie den Mauszeiger über nicht-binomiale Metriken bewegen (wie Umsatz pro Besuch/Besucher oder durchschnittlicher Warenkorbwert), wird eine Überlagerung angezeigt. Überlagerung mit Bayesian-Metriken für kontinuierliche Werte beim Überfahren einer nicht-binomialen Metrik * **Verbesserungsrate:** Dieser Wert gibt die Verbesserungsrate für die Metrik an. Er erscheint in Grün, wenn positiv, und in Rot, wenn negativ, zusammen mit einem Glaubwürdigkeitsintervall. * **Wahrscheinlichkeit, die Referenz zu schlagen:** Dieser Wert zeigt die Wahrscheinlichkeit, dass die Variation die Kontrollvariation übertrifft. Er erscheint in Grün, wenn er höher ist als der in der Konfiguration festgelegte Zuverlässigkeitsschwellenwert; andernfalls erscheint er in Rot. * **Tabelle des Glaubwürdigkeitsintervalls:** Die Min- und Max-Werte definieren die Grenzen des Glaubwürdigkeitsintervalls um die Verbesserungsrate. Es besteht eine Wahrscheinlichkeit von 95 %, dass die Verbesserungsrate zwischen diesen Werten liegt. Die Werte erscheinen in Grün, wenn positiv, und in Rot, wenn negativ. ## Ergebnisunterschiede Die Bayesian- und die klassische (frequentistische) Methode liefern grundsätzlich äquivalente Ergebnisse, garantieren jedoch keine identische Ausgabe. Sie können Unterschiede zwischen bestimmten Raten beobachten, und in manchen Fällen können die beiden Methoden im selben Experiment unterschiedliche Variationen als Gewinner deklarieren. Stellen Sie sicher, dass die Konfidenzniveaus in beiden Methoden ihr Maximum erreichen, bevor Sie Daten vergleichen. Wenn sie auf Maximum sind und Zweifel bestehen, verwenden Sie die Ergebnisse der klassischen Methode. ## Weiterführende Literatur Weitere Details zur Kameleoon-Statistik-Engine finden Sie im [Kameleoon Statistical paper](https://storage.googleapis.com/kameleoon-storage-documentation/user-manual/pdf/statistics-at-kameleoon.pdf).