隨著企業(yè)對數(shù)據(jù)越來越重視，A/B測試已被廣泛應(yīng)用于各類場景、各類職能中尋找突破口尋找增長機(jī)會，降低投入風(fēng)險

什么是A/B測試？

A/B測試是一種通過一些客觀指標(biāo)，對比不同方案來衡量哪種效果更佳路徑的評估方式，其優(yōu)勢在真實環(huán)境，通過部分用戶產(chǎn)生的用戶行為數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，驗證不同的設(shè)計方案，最后分析、評估出最優(yōu)方案再加以正式應(yīng)用

A/B測試的場景不勝枚舉，那么如何進(jìn)行科學(xué)的A/B測試？原味提供兩個關(guān)鍵點：分群和評估，接下來用7步法來鎖定A/B測試評估策略

第一步：A/B測試策略制定

A/B測試永遠(yuǎn)是基于策略出發(fā)的，在有明確的策略后，才能夠找到驗證策略是否有效的用戶群，并且用合理的指標(biāo)去做評估分析

在這個步驟，通常會經(jīng)歷策略提出、策略打分、策略確定三個步驟

不管是哪種應(yīng)用場景，在A/B測試策略制定這一步每個人都會有自己的想法，這就導(dǎo)致會產(chǎn)生許多策略，但不必將每個策略都作為實驗組上線測試，否則在前期的物料準(zhǔn)備、方案實現(xiàn)等環(huán)節(jié)會花費巨大的成本

團(tuán)隊內(nèi)部做決策時可以使用ICE模型對各項指標(biāo)進(jìn)行打分，然后通過每個策略的三個因子的分?jǐn)?shù)加總，找到得分最高的幾個策略進(jìn)行A/B測試

第二步：測試目標(biāo)（評估指標(biāo)）選擇

在策略評估中，評估指標(biāo)是非常重要，那如何選擇指標(biāo)，這里需要以OSM模型為基礎(chǔ)，從大目標(biāo)（O）出發(fā)，找到能夠達(dá)到該目標(biāo)的策略（S），用合理的指標(biāo)（M）去追蹤策略是否能夠達(dá)成業(yè)務(wù)目標(biāo)

在測試過程中預(yù)估實驗樣本量也需要控制好

①若樣本數(shù)量太少，產(chǎn)生的結(jié)果容易受到異常樣本的干擾，導(dǎo)致結(jié)果不具備通用性

②若樣本數(shù)量太大，測試流量過多，就會造成試錯成本的增加，會影響后期的判斷

在測試過程中預(yù)估實驗周期性也需要控制好

①若測試時間太短，沒有足夠的樣本進(jìn)入實驗組，難以得出有效結(jié)論

②若測試時間太長，就會產(chǎn)生維護(hù)線上多個版本的成本，難控制局面

這里推薦個測試AB測試工具-A/B測試樣本計算器，輸入相關(guān)參數(shù)即可預(yù)估測試實驗轉(zhuǎn)化后的數(shù)據(jù)，這里有根據(jù)自身節(jié)奏調(diào)整樣本數(shù)：

影響實驗所需樣本數(shù)的因素：

▲原版本的轉(zhuǎn)化率

原版本的轉(zhuǎn)化率較低，意味著信號更弱，需要樣本數(shù)越多

▲新版本的轉(zhuǎn)化率

預(yù)期和原版本的轉(zhuǎn)化率差別越小，要求檢測的敏感度就越高，因此需要的樣本數(shù)越多

▲統(tǒng)計顯著性要求

一般建議至少要求95%的統(tǒng)計顯著，統(tǒng)計顯著性要求越高，意味著對結(jié)果需要更確定，因此需要的樣本數(shù)越多

（統(tǒng)計顯著性：告訴實驗者優(yōu)化版本轉(zhuǎn)化率與原始版本轉(zhuǎn)化率相比，兩者不同的概率有多大，也就是說，它能回答優(yōu)化版本上的改變是否真的對轉(zhuǎn)化率產(chǎn)生影響）

第三步：科學(xué)分流

A/B測試的分流是否均勻是影響實驗結(jié)果的重要因素，一般分流的方式是基于用戶ID或者設(shè)備ID等能夠標(biāo)識用戶的唯一編碼，通過算法將用戶隨機(jī)分到不同的“桶”里

?例如，有60個用戶，獲取這60個用戶的ID，根據(jù)用戶ID進(jìn)行分流，將這60個用戶隨機(jī)均勻分散到6個“桶”中

完成“桶”分流后，需要做的就是根據(jù)實驗要求從這些“桶”中選取對應(yīng)的流量進(jìn)入測實驗組

A/B測試的基本原理是控制變量，在分流中需要確保樣本平衡分布，即不同“桶”的人群特征是均勻分布的，不能實驗分組時，實驗A全是老人或?qū)嶒濨都是女生，這樣測出的結(jié)論數(shù)據(jù)都會影響營銷決策，無意義分流

第四步：A/A測試

為了確保樣本的均勻分布，排除由于樣本自身差異帶來的影響，一般會在A/B測試前進(jìn)行A/A測試，也可以在A/B測試中劃出一部分流量同時進(jìn)行A/A測試

A/A測試，顧名思義就是實驗中下發(fā)的策略都是一致的

在此前提下，對比每組是否有顯著差異，如果存在顯著差異，那么在實驗的分流、埋點或者數(shù)據(jù)統(tǒng)計中至少有一項必定存在問題，所以，A/A測試運營的意義就是增加A/B測試的實驗結(jié)論可信度

一方面，發(fā)現(xiàn)用戶識別問題及用戶分流問題，及時修復(fù)，確保數(shù)據(jù)的準(zhǔn)確性

另一方面，排除樣本用戶的屬性干擾，保證用戶特征分布一致，確保實驗差異僅由變量造成

用影視會員產(chǎn)品轉(zhuǎn)化率的例子來解釋A/A測試，下圖是影視會員產(chǎn)品付費頁的付費轉(zhuǎn)化率項目的A/A測試結(jié)果

排查時發(fā)現(xiàn)是對用戶的唯一識別出現(xiàn)了問題，修正后接著進(jìn)行A/A測試，最后各組用戶的差異不顯著，可以認(rèn)為用戶特征分布基本一致

第五步：策略投放

在企業(yè)真實環(huán)境中，會有很多A/B Test實驗，所以策略投放需要先判斷不同實驗之間的關(guān)系

①正交實驗：實驗之間相互不影響。例如，實驗組1是測試不同按鈕顏色的實驗，實驗組2是測試不同廣告算法的實驗，實驗組1的按鈕顏色是不會影響到實驗組2廣告算法的效果，所以實驗組1和實驗組2之間是正交實驗

②互斥實驗：實驗之間存在相互影響。例如，實驗1是測試溫控限頻策略對溫度的影響，實驗2是測試溫控降亮度對溫度的影響，實驗1和實驗2都會影響溫度，所以實驗1和實驗2之間互斥

全局流量基本是固定的大小，不可能說劃分的每個流量群體在同一時刻只開展一個實驗，不然容易發(fā)生流量饑餓

所以在策略投放中需要合理的控制變量，選擇好一個固定的北極星指標(biāo)，隨后將目標(biāo)進(jìn)行合理拆解細(xì)分目標(biāo)，進(jìn)行投放測試，選擇最優(yōu)路徑策略來作為A/B測試的最終方案

第六步：數(shù)據(jù)監(jiān)控

這塊不細(xì)說了，因為每家公司的數(shù)據(jù)監(jiān)控的工具都不同，有自己研發(fā)的數(shù)據(jù)測試看板或者第三方服務(wù)商提供的數(shù)據(jù)監(jiān)控

AB測試的數(shù)據(jù)看板不必過于復(fù)雜，目的是快速展現(xiàn)各組的關(guān)鍵指標(biāo)變化趨勢及是否滿足統(tǒng)計顯著性

第七步：策略結(jié)果分析與執(zhí)行

A/B測試結(jié)束后，通過數(shù)據(jù)看板可以確定本次測試是否具備顯著性，也就是策略是否有影響

影響不一定都是正向影響，一般對于實驗結(jié)果：顯著大幅正向＞顯著小幅正向＞顯著負(fù)向＞沒有統(tǒng)計顯著性，對于負(fù)向顯著的結(jié)果不要害怕，起碼這個結(jié)果告訴我們不應(yīng)該做哪些東西

完成一次A/B測試后，業(yè)務(wù)方需要將顯著有效的策略放量，將其應(yīng)用到更多人群中，并且找到該策略的優(yōu)化點，進(jìn)行迭代的A/B測試

對于顯著無效的策略，需要分析無效的原因并進(jìn)行策略迭代、調(diào)優(yōu)

這樣不斷在原有結(jié)論的基礎(chǔ)上持續(xù)進(jìn)行A/B測試，每次測試都是“上臺階”的過程，隨著測試的次數(shù)增長，帶來的收益會持續(xù)增加，對團(tuán)隊的自信心也會逐漸上升，減少投入成本，實現(xiàn)迭代式增長