経営層やリーダー、データサイエンティスト、エンジニア、アナリスト、プロダクトマネージャーなど、企業の全関係者を対象として、その概念から実験を実施するためのプロセス、よくある落とし穴、オンライン実験をスケールさせるために必要なことまで、A/Bテスト、コントロール実験の詳細を解説する。 Google, Amazon, Microsoft, LinkedInなどで実際に実践された経験から得られた教訓や落とし穴などがふんだんに盛り込まれており、データ駆動型の文化の確立、科学的な意思決定に必要なスキルを獲得できる。 第I部　すべての人向けの導入的トピック 第1章　導入と動機付け 第2章　実験の実行と分析 〜一連の流れの例〜 第3章　トワイマンの法則と実験の信用性 第4章　実験のプラットフォームと文化 第II部　すべての人を対象にした選択的トピック 第5章　スピードの重要さを示すケーススタディ 第6章　組織を運用するためのメトリクス 第7章　実験のためのメトリクスとOEC 第8章　インスティチューショナルメモリとメタアナリシス 第9章　コントロール実験の倫理 第III部　コントロール実験の補完または代替となる手法 第10章　オンラインでのコントロール実験の補完手法 第11章　観察的因果関係研究 第IV部　【発展的内容】実験のプラットフォームの開発 第12章　クライアントサイドの実験 第13章　計測装置 第14章　ランダム化単位の選択 第15章　実験対象の拡大 〜スピードと品質とリスクのトレードオフ〜 第16章　実験の分析のスケール 第V部　【発展的内容】実験の分析のより深い理解に向けて 第17章　コントロール実験を支える統計学 第18章　分散の推定と分析感度の向上 〜その落とし穴と解決方法〜 第19章　A/Aテスト 第20章　分析感度を向上させるトリガー 第21章　サンプル比率のミスマッチと信用性に関連するガードレールメトリクス 第22章　実験群の間での情報のリークと干渉 第23章　介入効果の長期影響の測定