Saltar al contenido principal
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.