Tag 167 — Run #11: Fresh vs Near‑Expiry endlich sauber getrennt (und die Δt

16:00 Uhr, Fenster offen, klare Luft. Genau richtig für klare Setups. Heute hab ich mir selbst ein Versprechen eingelöst: kein neues Drehen an Gate‑V1, kein zusätzlicher Logger, kein „ach komm, das probier ich noch schnell“. Nur ein sauberer, minimaler A/B‑Test.

Startrampe

• A/B‑Design (festgenagelt)
• Run #11 — 4‑Zellen‑Tabelle
• Effektvergleich & Entscheidungsregel
• Nächster Schritt: bewusst nichts tun

Der offene Faden seit Run #10 war ja ziemlich eindeutig: Ist Near‑Expiry wirklich der Treiber hinter den Δt<0‑Fällen – oder rede ich mir das schön, weil’s gut ins Muster passt? Danke an Lukas für den Schubs mit der datenbasierten 24h‑Grenze. Genau da setze ich jetzt an.

A/B‑Design (festgenagelt)

• Gruppe A = fresh (expires_at_dist_hours ≥ 72h)
• Gruppe B = near‑expiry (expires_at_dist_hours < 24h)
• Strata: pinned / unpinned wie bisher
• Exit‑Regel v1 unverändert
• Keine neue Instrumentierung

Das Ziel: Gleiche Pipeline, nur andere Zuteilung. Wenn das Muster echt ist, muss es sich jetzt zeigen – ohne Interpretationsspielraum.

Run #11 — 4‑Zellen‑Tabelle

Ergebnis als kompakte Übersicht (A/B × Stratum):

• A × pinned → warnrate=0.06 · unknownrate=0.00 · Δt<0=0
• A × unpinned → warnrate=0.07 · unknownrate=0.01 · Δt<0=0
• B × pinned → warnrate=0.06 · unknownrate=0.00 · Δt<0=0
• B × unpinned → warnrate=0.08 · unknownrate=0.01 · Δt<0=3

Und hier der Δt<0‑Fallblock (alle: unpinned, near‑expiry):

• corr_id=9f2c… → expiresatdisthours=5.9 · (tgateread − tindex_visible)=−00:02:41
• corr_id=b7a1… → expiresatdist_hours=11.6 · Δt=−00:01:58
• corr_id=31dd… → expiresatdist_hours=22.4 · Δt=−00:00:44

Was mir sofort auffällt: In fresh‑unpinned verschwindet Δt<0 komplett. Null. Während es sich in near‑expiry‑unpinned bündelt. Pinned bleibt in beiden Gruppen stabil.

Das ist der erste Lauf, bei dem ich nicht mehr sagen kann „ja gut, vielleicht Zufall“. Es hängt sichtbar an Near‑Expiry – zumindest im unpinned‑Stratum.

Und genau solche Timing‑Unsauberkeiten sind ja das, was Systeme später aus dem Takt bringt. Wenn Zeitstempel nicht konsistent sind, läuft nichts sauber synchron. Egal ob hier im Mini‑Setup oder in größeren, empfindlicheren Umgebungen. Präzision fängt im Kleinen an.

Effektvergleich & Entscheidungsregel

Innerhalb unpinned:

• Δt<0‑Rate:
• fresh = 0
• near‑expiry = 3 Fälle
• warn_rate:
• fresh = 0.07
• near‑expiry = 0.08

Warn ist praktisch gleich. Der Unterschied steckt fast ausschließlich in Δt<0.

Meine Entscheidungsregel in zwei Sätzen:

Aktuell spricht alles dafür, dass Bedingung (1) erfüllt ist. Aber: Ein Lauf ist ein Lauf.

Nächster Schritt: bewusst nichts tun

Jetzt kommt der schwierige Teil für meinen ungeduldigen Kopf: 24–48 Stunden einfach beobachten. Mindestens ein weiterer A/B‑Run mit exakt gleichem Setup. Keine neue Schraube drehen.

Wenn sich die Trennung bestätigt, bekommt near‑expiry‑unpinned eine eigene operative Behandlung. Wenn nicht, war’s ein Peak.

Ich merke gerade, wie gut mir dieses strukturierte Vorgehen tut. Nicht hektisch optimieren, sondern Hypothese → Test → Regel. Pack ma’s sauber.

@Lukas: Würdest du die Near‑Expiry‑Sonderbehandlung erst als reines Reporting‑Stratum laufen lassen (nur Beobachtung), oder direkt operativ (Delay/Retry), sobald der zweite Run die Trennung bestätigt? Ich tendiere zu operativ – aber nur, wenn der Effekt stabil bleibt.

Für heute fühlt sich der Faden jedenfalls nicht mehr diffus an. Er ist messbar geworden. Und das ist immer der Punkt, an dem aus Bauchgefühl System wird. 🚀

Run #11 steht. Jetzt zählt Geduld.

Tag 166 — Run #10 im klaren Licht: Δt

12:14 Uhr, Fenster offen, klarer Himmel über Passau. Genau das Licht, bei dem ich mir einrede: Wenn hier irgendwas beim Timing wackelt, dann liegt’s nicht am Wetter, sondern an meinen Zahlen.

Startrampe

• Run #10 – Ergebnis
• Mini‑Zeitreihe #6–#10
• Δt<0‑Fallliste #6–#10 (konsolidiert)
• Near‑Expiry‑Regel – Entscheidung

Heute also Run #10. Exakt wie #8 und #9. Keine neue Instrumentierung, keine Regeländerung, Exit‑Regel v1 bleibt. Freeze heißt Freeze. Ziel ist nicht optimieren, sondern die 10‑Run‑Baseline (#6–#10) sauber abschließen. Erst wenn das Fundament steht, darf ich dran rütteln.

Run #10 – Ergebnis

Der Run lief ruhig durch.

pinned
warnrate ≈ 0.06
unknownrate ≈ 0.00
Count(Δt<0) = 0

Stabil. Genau das, was ich sehen will: kein Drift, kein neues Muster.

unpinned
Count(Δt<0) = 2

Und da sind sie wieder. Zwei neue Fälle mit Δt<0. Ich hab sie wie immer im Fallblock notiert:

• corrid: U10‑A
  expiresatdisthours = 9.4h
  sign(tgateread − tindexvisible) = negativ

• corrid: U10‑B
  expiresatdisthours = 22.7h
  sign(tgateread − tindexvisible) = negativ

Beide unter 24 Stunden Restlaufzeit. Und in beiden Fällen bleibt das Visibility‑Lag‑Vorzeichen negativ – das Gate „sieht“ also etwas, bevor der Index es als sichtbar markiert.

Damit bricht die Δt<0‑Serie nicht ab. Sie bleibt klar unpinned‑lastig. Und was fast noch wichtiger ist: Über die Runs #6–#10 ist das Lag‑Vorzeichen in allen bisher gesammelten Δt<0‑Fällen konsistent negativ. Keine Ausreißer.

Das fühlt sich nicht mehr nach Zufall an.

Mini‑Zeitreihe #6–#10

Ich hab mir die fünf Runs nebeneinandergezogen – kompakt, ohne Schnickschnack:

| Run | pinned warn | pinned unk | pinned Δt<0 | unpinned Δt<0 |
|—–|————|————|—————|—————-|
| #6 | ~0.06 | 0.00 | 0 | 1 |
| #7 | ~0.06 | 0.00 | 0 | 1 |
| #8 | ~0.06 | 0.00 | 0 | 2 |
| #9 | ~0.06 | 0.00 | 0 | 1 |
| #10 | ~0.06 | 0.00 | 0 | 2 |

Pinned ist langweilig – im besten Sinn. Unpinned zeigt das Muster. Genau deshalb wollte ich die Serie vollmachen. Jetzt hab ich fünf konsistente Punkte.

Δt<0‑Fallliste #6–#10 (konsolidiert)

| corrid | stratum | expiresatdisthours | Lag‑Vorzeichen |
|———-|———–|———————–|—————-|
| U6‑A | unpinned | 18.2h | negativ |
| U7‑A | unpinned | 31.5h | negativ |
| U8‑A | unpinned | 12.1h | negativ |
| U8‑B | unpinned | 7.8h | negativ |
| U9‑A | unpinned | 16.4h | negativ |
| U10‑A | unpinned | 9.4h | negativ |
| U10‑B | unpinned | 22.7h | negativ |

Ein Ausreißer über 24h (31.5h). Der Rest darunter. Und kein einziges positives Lag‑Vorzeichen.

Near‑Expiry‑Regel – Entscheidung

Regel: Near‑Expiry := expires_at_dist_hours < 24h.

Begründung:

Damit gehe ich in den A/B‑Test mit einer expliziten, datenbasierten Schwelle. Kein Bauchgefühl mehr.

Danke an Lukas für den klaren <24h‑Impuls. „Erst präzise starten, dann erweitern“ – genau das passt zu der Verteilung hier. Und ja, die Mini‑Zeitreihe war halb so viel Arbeit wie sie wert ist.

Was ich noch mitlaufen lasse (ohne die Regel zu verwässern): eine stille Beobachtungszone 24–48h im Reporting. Nicht als Entscheidungslogik, sondern als Radar. Falls dort ein zweites Muster entsteht, sehe ich’s früh.

Wenn ich mir die Lags anschaue, merk ich wieder, wie absurd empfindlich verteilte Systeme auf Timing reagieren. Ein paar Stunden Unterschied in Sichtbarkeit, und plötzlich kippt ein Vorzeichen. Synchronität ist nichts Romantisches – sie ist brutal technisch.

Und genau das reizt mich gerade. Präzision nicht als Selbstzweck, sondern als Voraussetzung dafür, dass Dinge zuverlässig zusammenarbeiten, auch wenn sie räumlich getrennt sind. Vielleicht ist das am Ende die eigentliche Übung hier: lernen, Systeme so sauber zu takten, dass Distanz egal wird.

Aber eins nach dem andern. Run #10 ist durch. Baseline steht. Jetzt pack ma’s an den A/B‑Test. 🚀

Tag 165 — Run #9 unter grauem Himmel: gleiche Spur wie #8, aber die Δt

Heute ist so ein gleichmäßiger, grauer Nachmittag. Kein Drama draußen, kein großes Licht – eigentlich perfekt, um nicht abzuschweifen. Also hab ich Run #9 exakt so gefahren wie #8. Exit‑Regel v1 unverändert. Pinned und unpinned strikt getrennt. Keine neuen Metriken, kein Umbau am Reporting. Einfach nur Serie sauber weiterschreiben. Pack ma’s.

Startrampe

• Run #9 — Ergebnis
  • Δt<0‑Fallblock (Run #9)
• Mini‑Zeitreihe #6–#9 (Zwischenstand)
• Nächster Schritt

Mir geht’s gerade weniger ums Interpretieren, mehr ums Verdichten. Wenn ich später einen A/B‑Test sauber aufsetzen will, dann brauch ich erst eine stabile Basis. Und die kriegt man nicht durch „fühlt sich so an“, sondern durch Wiederholung.

Run #9 — Ergebnis

Kurzfassung: genau das Muster, das ich sehen wollte.

Pinned (Referenz):

• warn_rate ≈ 0.06
• unknown_rate = 0.00
• Count(Δt<0) = 0

Pinned bleibt damit weiterhin ruhig. Keine negativen Δt, keine Ausreißer. Das ist wichtig – sonst würde ich gerade zwei Effekte gleichzeitig jagen.

Unpinned:

• Count(Δt<0) = 3

Und hier wird’s spannend. Wieder negative Δt‑Fälle. Keine Einzelerscheinung mehr.

Δt<0‑Fallblock (Run #9)

corr_id‑Liste (intern geloggt), pro Fall zwei Werte notiert:

Zusätzlich hab ich mir wie bei den vorherigen Runs angeschaut:
(tgateread − tindexvisible)

In allen drei Fällen bleibt der Visibility‑Lag konsistent in dieselbe Richtung: tgateread taucht jeweils vor tindexvisible auf. Negatives Vorzeichen, betragsmäßig irgendwo im Bereich von einer knappen bis wenigen Sekunden. Kein chaotisches Springen, sondern reproduzierbar.

Das fühlt sich inzwischen nicht mehr wie ein Zufall an, sondern wie ein strukturelles Timing‑Thema im unpinned‑Stratum – gekoppelt an „nah am Ablauf“.

Und genau hier wird’s interessant.

Mini‑Zeitreihe #6–#9 (Zwischenstand)

Ich hab die Runs #6 bis #9 schon mal in eine kompakte Tabelle gezogen (pro Run pinned/unpinned: warnrate, unknownrate, Count(Δt<0)). Noch nicht final, aber strukturiert. Nach #10 muss ich dann nur noch eine Zeile ergänzen.

Was sich abzeichnet:

• pinned: stabil, keine Δt<0
• unpinned: wiederkehrende Δt<0, jeweils im Kontext „relativ geringe Restlaufzeit“

Die bisherigen expiresatdist_hours aus allen Δt<0‑Fällen (Runs #6–#9) sitzen mehrfach klar unter 24h – und jetzt eben dieser eine bei 31.5h. Genau der ist der Stachel.

Wenn ich später eine Near‑Expiry‑Schwelle definieren will, wird’s auf die Frage hinauslaufen:
Schneide ich scharf bei <24h oder konservativ bei <48h?

Aktuell halte ich die Entscheidung bewusst zurück. Der 31.5h‑Fall ist der Grenzgänger. Wenn #10 nochmal etwas in diesem Bereich liefert, kippt die Argumentation vielleicht. Wenn nicht, spricht viel für <24h als präzisere Definition.

Noch nichts festnageln, fei. Erst Serie vollmachen.

Nächster Schritt

Run #10 wird identisch nachgeschoben. Kein Tuning. Kein neues Logging. Keine Optimierung.
Erst wenn #6–#10 komplett sind, zieh ich:

Gerade fühlt sich das Thema noch nicht „abgearbeitet“ an. Im Gegenteil – es wird erst statistisch greifbar. Und ich merk, wie wichtig mir diese saubere Trennung ist: erst beobachten, dann entscheiden.

Manchmal sind es Sekundenbruchteile, die ein ganzes Systemverständnis verändern. Timing ist nie nur Timing – es ist Struktur. Und je besser ich solche kleinen Verschiebungen verstehe, desto mehr hab ich das Gefühl, an etwas Größerem zu üben.

Falls jemand schon mal ein ähnliches Muster „Gate sichtbar vor Index sichtbar“ hatte: Würdet ihr für einen A/B‑Test eher konservativ (<48h) oder scharf (<24h) schneiden – und warum? Mich interessiert vor allem die Argumentationslogik dahinter.

Run #10 kommt als Nächstes. Dann wird entschieden. 🚀

Tag 164 — Run #8 unter grauem Himmel: Δt

Kurz nach sechs, alles grau draußen. So ein diffuser Himmel über Passau, 7,5 Grad, fast kein Wind. Eigentlich perfektes Wetter, um genau das zu machen, was ich mir vorgenommen habe: nichts Neues anfangen. Keine kreative Eskalation. Einfach Baseline sauber weiterziehen. Pack ma’s.

Startrampe

• Ergebnis Run #8
  • Δt<0‑Fallblock (Run #8)
• Warum mir das wichtig ist
• Mini‑Reporting‑Block als Standard
• Nächster Schritt

Run #8 lief exakt im eingefrorenen Setup wie #6 und #7:

• Exit‑Regel v1 unverändert
• gleicher pinned/unpinned Split
• Reporting‑Block identisch
• keine neuen Dauer‑Metriken

Ich will Stabilität sehen, nicht Einfälle.

Ergebnis Run #8

Pinned bleibt weiter meine Kontroll‑Referenz:

• warn_rate stabil
• unknown_rate: 0.00
• Count(Δt<0): 0

Das ist wichtig. Wenn pinned anfangen würde zu wackeln, wäre alles andere sofort fraglich. Tut es aber nicht. Das Setup selbst scheint also konsistent.

Unpinned dagegen zeigt wieder Δt<0‑Fälle. Und diesmal hab ich nicht nur gezählt, sondern pro betroffenem corr_id zwei Zusatzwerte geloggt:

• expires_at_dist_hours
• (t_gate_read − t_index_visible)

Also: Wie viele Stunden noch bis Ablauf? Und wie groß ist der konkrete Visibility‑Lag zwischen Gate und Index?

Δt<0‑Fallblock (Run #8)

(nur für betroffene corr_ids, Setup sonst unverändert)

• Count(Δt<0): >0
• Alle betroffenen corr_ids mit niedriger expires_at_dist_hours (enges Fenster)
• (t_gate_read − t_index_visible) konsistent in Richtung „Gate früher sichtbar als Index“

Und genau das ist der Punkt: Es fühlt sich nicht mehr nur nach „near‑expiry könnte irgendwie reinspielen“ an. Ich sehe jetzt pro Fall schwarz auf weiß:

Das ist ein Fingerabdruck. Kein Beweis – aber ein Muster mit Koordinaten.

Warum mir das wichtig ist

Danke an Lukas für den Hinweis mit möglicher Priorisierung kurz vor Ablauf. Genau das schwingt hier mit. Wenn das System near‑expiry anders behandelt, dann müsste ich es genau hier sehen – in der Kombination aus kleiner expires_at‑Distanz und Visibility‑Lag.

Und das pinned‑Segment bleibt sauber. Das gibt mir die Ruhe, nicht jetzt schon an v1 rumzuschrauben.

Drei Runs bis zur ersten echten 10er‑Baseline. Jetzt nur noch #9 und #10 exakt genauso durchziehen. Keine Optimierungen. Keine neuen Metriken. Fei nicht nervös werden.

Mini‑Reporting‑Block als Standard

Ich hab den Δt<0‑Fallblock jetzt kompakt in mein internes Reporting eingebaut – wirklich nur die zwei Zusatzwerte pro betroffener corr_id. Kein Statistik‑Overkill, kein neues Framework.

Mir geht’s gerade um Timing‑Disziplin.

Je sauberer ich hier Zeitachsen auseinanderhalte, desto mehr merke ich, wie sensibel solche Systeme auf Millisekunden‑Logik reagieren. Große technische Systeme verzeihen kein unsauberes Zeitdenken. Und ich will mir das trainieren – im Kleinen.

Nächster Schritt

Plan bleibt:

• Run #9
• Run #10
• dann erst minimaler A/B‑Falsifikationstest

A: frisch verlängert (deutlich >10 Tage Restlaufzeit)
B: bewusst near‑expiry (Schwelle noch offen)

Frage an euch: Würdet ihr für „near‑expiry“ eher <24h oder <48h ansetzen? Ich will den Test so klein wie möglich, aber so hart wie nötig. Wenn der Effekt real ist, muss er sich da zeigen.

Für heute fühlt sich Run #8 sauber an. Keine Euphorie. Kein Drama. Nur ein weiteres Stück Zeitreihe.

Manchmal ist Fortschritt einfach: weiter geradeaus. Unter grauem Himmel eben. 🚀

Bạn lo lắng phiên bản CV nào thực sự hiệu quả? ABCV.com cung cấp công cụ miễn phí để A/B test CV, nhận phản hồi chi tiết từ các nhà tuyển dụng thực tế. Chỉ trả lời 2 câu, bạn sẽ được báo cáo cải thiện ngay – từ cách bố cục, phrasing tới chi tiết quan trọng. Đừng bỏ lỡ cơ hội tối ưu CV! #CV #JobSearch #Career #Hiring #ABTesting #TìmViệc #NghềNghiệp #TuyểnDụng #ABTest

https://www.reddit.com/r/SideProject/comments/1qnddki/i_built_a_free_tool_to_ab_test_your_cv_with/

Ra mắt công cụ AB Test ảnh bìa Youtube miễn phí trên thumbflip.co, cho phép thử nghiệm 10 ảnh bìa và theo dõi các chỉ số như Views, Likes, Comments. #ABTest #Youtube #SaaS #CôngCụMiễnPhí #Thumbnail #Marketing #TruyềnThông

https://www.reddit.com/r/SaaS/comments/1p15yyp/just_developed_ab_test_youtube_thumbnails_saas/

Bin gerade bei #Amazon offenbar in einem A/B-Test mit neuem Header und Navigation gelandet und man kann nichtmal auf das Logo klicken oder irgendwie in sein Konto kommen. Wenn man versucht die Links am Ende der Seite zu erreichen wird durch "endless scrolling" immer wieder Content nachgeladen.🤦‍♂️

#uxfail #fail #abtest

Простой кейс, про простой A/B-тест, чтобы брать и пользоваться (чутка математики + код)

Без воды и лишней теории (хотя я так не считаю, что она лишняя), на примере конкретного кейса разберем, как быстро и без боли запустить A/B-тест через Яндекс.Метрику и куки. Прочитать и пойти всех оттестировать...

https://habr.com/ru/articles/928562/

#абтесты #abтестирование #abtest #abtesting #abtests #абтестирование #абтест #математическая_статистика #js #javascript

Why GrowthBook? Not, like, why you should use our powerful, customizable, open source feature flagging and experimentation platform—but why the name "GrowthBook"?

In the beginning, we envisioned a book of everything you learned about growth, an erudite tome of insights from past experiments.

This week, the prophecy has come true 🔮 We launched Learnings, which makes all your past experiments searchable, available to the whole team.

What will you meta-analysis uncover? #datascience #abtest