Случайность в numpy для аналитика: seed, rand/randn/randint, choice, shuffle и нормальная выборка для A/B-тестов и симуляции метрик.
Если ты умеешь генерировать случайные числа в numpy — ты умеешь делать две вещи, за которые на собеседовании дают плюс: разбивать пользователей на группы A/B честно и проверять метрику симуляцией, не дожидаясь реальных данных. Этот урок про модуль np.random: как зафиксировать seed, чтобы результат повторялся, как раскидать юзеров по группам с нужными весами и как сгенерировать «фейковую выручку», которая ведёт себя как настоящая.
Случайность для аналитика — это не казино. Это инструмент. Рандомизация в A/B-тесте убирает скрытые перекосы между группами. Симуляция позволяет ответить на вопрос «а что если?» до того, как ты потратишь две недели на сбор реальных цифр. И почти всегда тебе нужно, чтобы случайность была воспроизводимой: коллега запустил твой код — получил ровно те же числа. За это отвечает np.random.seed.