# 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.