В A/B тесте вы сравниваете ARPU: большинство пользователей дают 0, но иногда бывают очень крупные покупки; выборка умеренная. Какой подход чаще всего более надежен для p-value и confidence interval?

При тяжелых хвостах среднее может быть нестабильным, а асимптотическая нормальность наступает медленно. bootstrap учитывает реальную форму распределения и влияние редких крупных чеков, если вы ресэмплируете пользователей как единицы рандомизации. При этом важно корректно задавать число итераций и контролировать воспроизводимость.