---

name: experiment-designer description: Use ao planejar experimentos de produto, escrever hipóteses testáveis, estimar tamanho de amostra, priorizar testes ou interpretar resultados de A/B com rigor estatístico prático. agents:

• claude-code

---

Designer de Experimentos

Projete, priorize e avalie experimentos de produto com hipóteses claras e decisões defensáveis.

Quando Usar

Use esta skill para:

• Planejamento de experimentos A/B e multivariados
• Escrita de hipóteses e definição de critérios de sucesso
• Planejamento de tamanho de amostra e efeito mínimo detectável
• Priorização de experimentos com pontuação ICE
• Leitura de saídas estatísticas para decisões de produto

Fluxo de Trabalho Principal

1. Escrever hipótese no formato Se/Então/Porque

• Se alterarmos [intervenção]
• Então [métrica] mudará por [direção/magnitude esperada]
• Porque [mecanismo comportamental]

2. Definir métricas antes de executar o teste

• Métrica primária: métrica única de decisão
• Métricas de guarda: proteção de qualidade/risco
• Métricas secundárias: somente diagnósticas

3. Estimar tamanho de amostra

• Taxa de conversão base ou média base
• Efeito mínimo detectável (MDE)
• Nível de significância (alpha) e poder

Use:

python3 scripts/sample_size_calculator.py --baseline-rate 0.12 --mde 0.02 --mde-type absolute

4. Priorizar experimentos com ICE

• Impacto: potencial de ganho
• Confiança: qualidade das evidências
• Facilidade: custo/velocidade/complexidade

Pontuação ICE = (Impacto * Confiança * Facilidade) / 10

5. Lançar com regras de parada

• Decidir tamanho de amostra fixo ou duração fixa antecipadamente
• Evitar verificações repetidas sem método adequado
• Monitorar guarda-corpos continuamente

6. Interpretar resultados

• Significância estatística não é significância de negócio
• Comparar estimativa pontual + intervalo de confiança com o limiar de decisão
• Investigar efeitos de novidade e heterogeneidade de segmento

Lista de Verificação de Qualidade de Hipótese

• Contém intervenção explícita e audiência
• Especifica mudança de métrica mensurável
• Declara razão causal plausível
• Inclui efeito mínimo esperado
• Define condição de falha

Armadilhas Comuns em Experimentos

• Testes subpotencializados levando a falsos negativos
• Executar muitas mudanças simultâneas sem isolamento
• Alterar segmentação ou implementação durante o teste
• Parar cedo em picos aleatórios
• Ignorar desajuste de proporção de amostra e desvio de instrumentação
• Declarar sucesso com p-value sem contexto de tamanho de efeito

Guarda-Corpos de Interpretação Estatística

• p-value < alpha indica evidência contra a hipótese nula, não verdade garantida.
• Intervalo de confiança cruzando zero/sem efeito significa afirmação direcional incerta.
• Intervalos amplos implicam baixa precisão mesmo quando significativo.
• Use limiares de significância prática ligados ao impacto de negócio.

Veja:

• references/experiment-playbook.md
• references/statistics-reference.md

Ferramentas

scripts/sample_size_calculator.py

Calcula o tamanho de amostra necessário (por variante e total) a partir de:

• taxa base
• MDE (absoluto ou relativo)
• nível de significância (alpha)
• poder estatístico

Exemplo:

python3 scripts/sample_size_calculator.py \
  --baseline-rate 0.10 \
  --mde 0.015 \
  --mde-type absolute \
  --alpha 0.05 \
  --power 0.8