В статье разбирается проблема "эффекта соседа" в классических A/B-тестах, когда действия пользователей взаимозависимы и результат одного участника влияет на других — типичная ситуация для соцсетей, сервисов доставки и платформ с тесным взаимодействием. В условиях network interference стандартная аксиома независимости (SUTVA) не выполняется, что искажает выводы эксперимента.

Автор предлагает подход кластерной рандомизации: рандомизировать не отдельных пользователей, а кластеры — группы взаимосвязанных участников, определяемых по графу взаимодействий (например, с помощью алгоритмов Louvain или Leiden). Это снижает просачивание эффекта между группами и повышает точность оценки воздействия изменений. Приведены готовые пайплайны для Python, включая примеры обработки графов, назначения treatment по кластерам и расчетов итоговых метрик с учетом кластерной структуры. Отдельно рассмотрены методы для географических данных (георандомизация) и практики расчета статистик с учетом кластеризации: cluster-robust стандарт-эрроры, wild bootstrap и randomisation inference.

Материал снабжен рекомендациями по выбору подхода в зависимости от числа кластеров, структуры данных и бизнес-задачи. Подчеркивается, что кластерная рандомизация становится must-have для экспериментов, где есть сильные связи между участниками, а также дает примеры использования в реальном бизнесе (например, Uber, соцсети). В конце статья приглашает читателей на серию бесплатных уроков по аналитике и data science для развития навыков экспериментирования и работы с данными.