После эксперимента вы посмотрели 20 сегментов и выбрали один с p-value=0.03, чтобы сказать, что фича работает в этом сегменте. Что корректнее сделать?

Если вы просмотрели 20 сегментов и выбрали один по минимальному p-value, шанс случайной находки сильно выше, чем для одного заранее заданного сегмента. Корректный подход — заранее фиксировать ключевые сегменты или применять поправку на множественность, например контроль FWER или FDR. Частая практика — трактовать такие результаты как гипотезогенерацию и подтверждать на новом запуске, чтобы избежать переобучения на шуме.