Skip to main content
Este artículo explica cómo funcionan los grupos mutuamente excluyentes para feature experiments, por qué son esenciales para un análisis fiable y cómo configurarlos en Kameleoon.
Para leer sobre cómo utilizar grupos mutuamente excluyentes para web experimentation en su lugar, consulte este documento de ayuda.
Ejecutar varios feature experiments simultáneamente puede provocar efectos superpuestos, especialmente cuando distintos equipos prueban cambios que afectan a las mismas áreas de su producto.

​
Configuración de grupos mutuamente excluyentes

  1. Defina el grupo de experimentos: determine qué feature flags (y sus experimentos) deben ser mutuamente excluyentes. Por ejemplo, todos los experimentos que modifican el flujo de pago podrían agruparse.
  2. Etiquete el experimento: utilice la convención de nomenclatura «ME-GROUP-{NOMBRE DEL GRUPO}» para etiquetar cada experimento del grupo, por ejemplo ME-GROUP-A. Esto indica a Kameleoon que debe aplicar la exclusividad mutua dentro del grupo.
  3. Puede etiquetar los flags en el momento de su creación o haciendo clic en el menú de tres puntos de un flag existente y seleccionando Manage tags.
Una vez hecho esto, cada visitante quedará expuesto a un único experimento de cada grupo mutuamente excluyente, lo que garantiza resultados precisos y sin solapamientos.

​
Ejemplo de un grupo mutuamente excluyente

Imagine que está probando distintas variaciones de su experiencia de pago:
  • Grupo A: Experimento 1 (nuevo flujo de pago) y Experimento 2 (pago en un clic)
  • Grupo B: Experimento 3 (recomendaciones de up-sell) y Experimento 4 (posición del banner de descuento)
Con una configuración mutuamente excluyente:
  • Un visitante verá el Experimento 1 o el Experimento 2 del Grupo A, pero no ambos.
  • El mismo visitante puede ver el Experimento 3 o el Experimento 4 del Grupo B, pero no ambos.
Esta configuración garantiza que los visitantes no experimenten varios cambios contradictorios dentro de cada grupo, lo que permite una medición más precisa del impacto de cada experimento. Para mantener la coherencia, si un visitante había sido asignado previamente a un experimento dentro de un grupo, permanecerá asignado a ese experimento. Si es nuevo en el grupo, la asignación será aleatoria, lo que garantiza una distribución uniforme. Esta configuración no requiere condiciones de targeting adicionales, lo que facilita su implementación para los flags que contienen reglas de experimento y le ayuda a mantener la integridad de sus feature experiments, dando lugar a datos más limpios y a una toma de decisiones más segura.

​
Cómo interactúan los porcentajes de exposición con un MEG

Los porcentajes de exposición definidos en experimentos individuales no se aplican de forma independiente al tráfico completo de cada experimento cuando esos experimentos pertenecen al mismo grupo mutuamente excluyente. El MEG decide primero a qué único experimento es elegible un visitante dentro del grupo, y el porcentaje de exposición propio del experimento se aplica posteriormente sobre esa asignación. Cada experimento de un MEG recibe aproximadamente una parte igual de la población elegible del grupo (por ejemplo, un tercio si el grupo contiene tres experimentos), independientemente de los ajustes de exposición individuales.

​
Ejemplo

Imagine tres experimentos en el mismo MEG, cada uno ejecutándose en una página distinta que recibe 200.000 solicitudes: El resultado no es 20k / 60k / 120k. Ese resultado supondría que cada experimento recibe todo el tráfico de su página antes de aplicar el porcentaje de exposición, lo cual no es como funciona un MEG.
Como un MEG reparte el tráfico elegible entre los experimentos del grupo antes de aplicar la exposición, los MEG son más adecuados para experimentos que pueden solaparse y que deben hacerse mutuamente excluyentes — normalmente experimentos que se ejecutan en la misma página o superficie.