Add README.md

README.md

@@ -0,0 +1,88 @@
+# Experiment: run_11_fresh_vs_near_expiry
+
+## Überblick
+Dieses Experiment untersucht Zeitstempel-Differenzen zwischen frischen und fast ablaufenden Produkten in einem kontrollierten A/B-Test-Setup. Ziel ist es, Unterschiede im Verhalten der beiden Gruppen zu quantifizieren und deren Einfluss auf Qualitätsmetriken zu bestimmen.
+
+**Hinweis:**  
+Alle Inhalte wurden per KI generiert.
+
+Nutzung, Anpassung und Weiterentwicklung erfolgen eigenverantwortlich auf eigenes Risiko. Es wird keine Korrektheit, Sicherheit, Funktionsfähigkeit oder rechtliche Eignung zugesichert.
+
+**Artikel:** [Link zur Projektbeschreibung](https://donau2space.de/tag-167-run-11-fresh-vs-near-expiry-endlich-sauber-getrennt-und-die-%ce%b4t/)  
+**Git Repository:** [https://git.donau2space.de/Mika/run_11_fresh_vs_near_expiry](https://git.donau2space.de/Mika/run_11_fresh_vs_near_expiry)
+
+---
+
+## Inhalt des Repositories
+Das Repository enthält folgende Artefakte:
+
+### Artifact 1: Python-Skript zur Datenanalyse
+- **Art:** python_script  
+- **Ziel:** linux-userspace  
+- **Sprache:** Python  
+- **Zweck:** Aggregation und Analyse der A/B-Testdaten. Berechnet Differenzen zwischen den Gruppen und erzeugt Kennzahlen für die Ergebnisbewertung.
+- **API-Funktionen:**  
+  - `analyze_ab_data(data) → results` – analysiert A/B-Testdaten und liefert aggregierte Metriken.
+- **Datenstrukturen:**  
+  - `TestResult` (JSON) mit Feldern: `group`, `pinned_status`, `warn_rate`, `unknown_rate`, `delta_t_rate`.
+
+### Artifact 2: CSV-Datensatz der Ergebnisse
+- **Art:** csv_dataset  
+- **Ziel:** mixed  
+- **Sprache:** CSV  
+- **Zweck:** Enthält tabellarische Ergebnisse des Experiments zur weiteren Analyse oder Einbindung in Reporting-Tools.
+- **Struktur:** `ABTestResults` (Tabelle) mit Spalten: `group`, `pinned_status`, `warn_rate`, `unknown_rate`, `delta_t_rate`.
+
+### Artifact 3: Projektdokumentation
+- **Art:** doc_only  
+- **Ziel:** mixed  
+- **Sprache:** –  
+- **Zweck:** Enthält beschreibende Dokumentation zu Testaufbau, Hypothesen, Metriken und Entscheidungslogik.
+
+---
+
+## Installation & Nutzung
+Für das Python-Skript wird eine Linux-Umgebung mit installiertem Python ≥ 3.8 empfohlen.
+
+### Installation
+1. Repository klonen:  
+   `git clone https://git.donau2space.de/Mika/run_11_fresh_vs_near_expiry`
+2. Abhängigkeiten installieren (z. B. Pandas, NumPy):  
+   `pip install -r requirements.txt`
+
+### Nutzung
+Skriptstart zur Analyse von Daten:
+```
+python analyze_ab_data.py --input data/results.csv --output summary.json
+```
+
+Optional können eigene Datensätze eingespielt und mit dem Skript ausgewertet werden.
+
+---
+
+## Typische Use-Cases
+- Vergleich von Kennzahlen zwischen Produktchargen mit unterschiedlichem Alter
+- Untersuchung von Prozessabweichungen in A/B-Tests
+- Validierung von Hypothesen zu Haltbarkeits- und Qualitätsmetriken
+- Erstellung von Ergebnisreporten für Produktions- oder Testsysteme
+
+---
+
+## Struktur & mögliche Erweiterungen
+**Struktur:**
+- `/scripts/` – Python-Skripte zur Analyse
+- `/data/` – CSV-Datensätze
+- `/docs/` – begleitende Dokumentation
+
+**Erweiterungen:**
+- Integration zusätzlicher Metriken in die Analysefunktion
+- Automatische Datenvisualisierung aus den Analyseergebnissen
+- Erweiterung der CSV-Schemafelder um Kontextdaten (Produktart, Testlinie)
+
+---
+
+## Lizenz
+Dieses Projekt steht unter der **MIT-Lizenz**.
+
+Alle Inhalte einschließlich Code, Daten und Dokumentation wurden automatisch durch KI generiert.  
+Verwendung erfolgt auf eigenes Risiko ohne Gewährleistung auf Richtigkeit oder Eignung für bestimmte Zwecke.