相信任何一位有互聯(lián)網(wǎng)公司工作經(jīng)驗的同學(xué)對“A/B 測試”這個概念一定不陌生，簡單理解就是將用戶隨機分成實驗組和參照組，然后讓兩組用戶分別使用改版后和改版前的產(chǎn)品，最后對實驗結(jié)果進行分析比較，如果實驗組結(jié)果較好，則全量推廣改版后的產(chǎn)品，否則就維持舊版不動。這樣理解完全沒毛病，但這只是 A/B 測試的最基本的概念，這篇文章通過在 To C 業(yè)務(wù)的實踐跟你聊聊你不知道的 A/B 測試。
1. 只有互聯(lián)網(wǎng)公司才會用 A/B 測試嗎？
如果你認(rèn)為只有互聯(lián)網(wǎng)公司才會用 A/B 測試，那就大錯特錯了。其實在我們的日常生活中，A/B 測試非常常見，舉兩個例子讓大家感受一下。
1.1 物競天擇，適者生存
最早使用 A/B 測試的是大自然，想象不到吧？我們知道物種的遺傳靠基因，但基因有兩種特性，一是忠實地復(fù)制自己以保持生物的基本特征，所以才會龍生龍，鳳生鳳，老鼠的兒子會打洞；另一個特性是基因突變，當(dāng)受到環(huán)境等因素影響時，基因可能會發(fā)生突變。但誰也不清楚這種突變是好還是壞，有可能基因突變導(dǎo)致了鐮刀型細胞貧血癥，這是一種紅細胞由正常的圓餅狀變成鐮刀型，導(dǎo)致紅細胞不能順利聚集在一起，從而造成貧血的一種惡性基因突變；但也有可能導(dǎo)致長頸鹿的脖子越來越長，可以夠得著高處的樹葉，不至于在地面植物越來越稀少的環(huán)境下餓死。
這不正是大自然做的 A/B 測試實驗嗎？那些復(fù)制自己保持生物基本特性的群體就是參照組，而那些基因突變的群體就是實驗組，然后把兩者放入到真實的環(huán)境中測試，如果只有基因突變的群體活下來，說明實驗組勝出，反之則實驗組失敗。
1.2 A/B 測試助力總統(tǒng)競選
2008 年，奧巴馬競選美國總統(tǒng)成功，成為美國歷史上第一位黑人總統(tǒng)，這背后縱然離不開他的個人魅力，但他的競選團隊在背后發(fā)揮的作用也是舉足輕重的，其中的一個例子就是總統(tǒng)競選官網(wǎng)的設(shè)計。
競選團隊一共設(shè)計了四款競選官網(wǎng)封面圖以及四款按鈕文案（如上圖所示），然后組合成 16 種官網(wǎng)樣式，給予每種樣式一定比例的流量，觀察一段時間后，從中選擇轉(zhuǎn)化率最高的那個方案。最終勝出的方案是“家庭封面 + LEARN MORE”組合，這個方案最終將總統(tǒng)競選頁面的轉(zhuǎn)化率提高了 40.6%。
2. 什么是 A/B 測試
通過兩個例子，我們比較直觀地認(rèn)識了 A/B 測試，即將用戶隨機分成參照組和實驗組，分別實驗，最終選擇效果較好的那一種方案。但如果深入研究，會發(fā)現(xiàn)另有一片天地。說了這么久，我們看看到底什么是 A/B 測試以及它能夠做什么。
我們看下維基百科對 A/B 測試的定義：
A/B 測試為一種隨機測試，將兩個不同的東西（即 A 和 B）進行假設(shè)比較。該測試運用統(tǒng)計學(xué)上的假設(shè)檢定和雙母體假設(shè)檢定。A/B 測試可以用來測試某一個變量兩個不同版本的差異，一般是讓 A 和 B 只有該變量不同，再測試其他人對于 A 和 B 的反應(yīng)差異，再判斷 A 和 B 的方式何者較佳。
這個定義里提到了 3 點，也是 A/B 測試的核心思想。
- 兩個不同的方案：有對比才能辨別好壞，所以至少需要同時有兩個不同的方案在并行運行；
- 一個變量：就是中學(xué)里經(jīng)常提到的“控制變量法”，只有在單變量的情況下才能判定該變量的影響；
- 優(yōu)良判斷規(guī)則：設(shè)置一定的衡量指標(biāo)，比如 PV、點擊率等等，然后對比不同方案的指標(biāo)情況，確定孰優(yōu)孰劣。
那么哪些場景會用到 A/B 測試呢？從第 1 小節(jié)我們知道，A/B 測試的適用范圍實在廣泛，大到大自然的物種進化，小到個人的行為選擇，我們把范圍收一收，僅限于互聯(lián)網(wǎng)公司內(nèi)。那又會有哪些場景呢？那又得從互聯(lián)網(wǎng)公司的各個方面來分析，比如廣告營銷，我們可以使用 A/B 測試來驗證不同廣告策略的效果；比如算法優(yōu)化，我們可以使用 A/B 測試來比較不同模型或者參數(shù)對算法效果的影響；當(dāng)然最常見的還是產(chǎn)品的更新迭代，我們會使用 A/B 測試來驗證新的改動是否會帶動數(shù)據(jù)的提升，那該如何做好 A/B 測試呢？
3. 如何做 A/B 測試
想要做好 A/B 測試，有六大要素，分別是實驗基礎(chǔ)、安全穩(wěn)定、精確洞察、規(guī)模效率、特殊場景和實驗文化，一一詳細地聊聊。
3.1 實驗基礎(chǔ)
實驗基礎(chǔ)可以保證 A/B 測試的基本功能可用，主要包含以下幾部分。
3.1.1數(shù)據(jù)上報與數(shù)據(jù)分析平臺
巧婦難為無米之炊，數(shù)據(jù)上報是實驗的基礎(chǔ)，如果沒有上報的數(shù)據(jù)，那么將無法分析實驗數(shù)據(jù)，更別提比較實驗的效果，所以我們需要業(yè)務(wù)進行數(shù)據(jù)上報。我們會根據(jù)需要確定上報的數(shù)據(jù)，PV/UV 是最基本的數(shù)據(jù)，有的還會包括關(guān)鍵元素的點擊量、頁面停留時長等等。
有了數(shù)據(jù)還不夠，還需要數(shù)據(jù)分析平臺，讓我們可以在上面對數(shù)據(jù)進行分析。
3.1.2 分流器
雖然我們知道 A/B 測試就是將用戶隨機分為參照組和實驗組，然后對比實驗效果，那問題來了，參照組和實驗組的用戶怎么確定？又如何保證隨機性？QQ 業(yè)務(wù)的用戶有個天然的用戶標(biāo)識：QQ 號，那么我們就會自然地想到給 QQ 號取 100 的余數(shù)，余數(shù)相同的分為一組，那么就可以把所有的用戶分成 100 組，我們拿出其中一組做對照組，再拿出一組用戶做實驗組。聽起來是不是很完美？其實這里面還有一些問題。首先，QQ 號有靚號和非靚號的區(qū)別，比如 6666 開頭的用戶按照上面的規(guī)則都被分到了一組，靚號一般是需要購買的，所以靚號用戶與普通用戶在活躍度等方面存在著差別，那就無法保證用戶的隨機性以及實驗因素的單一性；其次，按照上面的規(guī)則，所有用戶最多被分成 100 組，那做了 100 次實驗之后怎么辦？所以這種方式還會導(dǎo)致實驗組很快被消耗完。有人說，可以把其中被用過的一組放置一段時間，消除前一個實驗的影響，那就會導(dǎo)致第三個問題：如果都用第 6 組作為實驗組，即使前一次實驗被放置了一段時間，那么你怎么就能確定數(shù)據(jù)變化是這次還是上次的實驗造成的呢？所以為了解決這三個問題，A/B 測試分流器必須要同時滿足三個條件：隨機性、無限性和互不干擾性。
隨機性
隨機性需要保證用戶的分組必須充分隨機，不能造成具有相同屬性的用戶扎堆，比如 QQ 取余的方式就會導(dǎo)致靚號扎堆。那怎么保證隨機性呢？一種解決方案就是使用哈希函數(shù)。
無限性
所有的 QQ 號被哈希函數(shù)打散后分成若干組，無論分成多少組，總會被用完的，那如何實現(xiàn)無限分組呢？我們只需要對所有用戶重新洗牌分組即可。有兩種方式，我們可以換一種哈希函數(shù)，但每次都要換一種哈希函數(shù)比較麻煩，另一種就比較簡單，使用同一種哈希函數(shù)，但每次洗牌時將放入不同的標(biāo)識作為 salt。
互不干擾性
將用戶重新打散的方式能否一定保證實驗組之間互不干擾呢？我們洗牌的時候有時會發(fā)現(xiàn)牌沒洗完全，導(dǎo)致上一局某個人的很多牌在這一局中到了另一個人手里。那對全體用戶重新打散時會不會也出現(xiàn)這種情況：上一次的第 66 號組的大多數(shù)用戶被分到了這次的 88 號組里面？這種情況是可能的，如何避免呢？使用流量正交，即把上一次每一組的用戶平均分到新的分組中，比如上一次的 1 號組的所有用戶會被均勻打散到這次的所有組里面去。
3.1.3 A/B 測試配置系統(tǒng)
分流器可以將用戶均勻隨機分組，但具體的哪次產(chǎn)品改動對應(yīng)哪組實驗組，這需要專門的配置系統(tǒng)。
3.2 安全穩(wěn)定
有了實驗基礎(chǔ)的幾個部分，我們便可以開展 A/B 測試實驗了，但線上的產(chǎn)品可不能僅僅能用就行，還要考慮安全穩(wěn)定。這里的安全穩(wěn)定不僅僅是 A/B 測試相關(guān)系統(tǒng)的安全穩(wěn)定，另一方面也指對測試的業(yè)務(wù)影響應(yīng)該盡量小，如果一次實驗導(dǎo)致大盤總體的核心指標(biāo)下降 5%，那影響就非常大了。
那該如何保證 A/B 測試的安全穩(wěn)定呢？有幾個方面。
首先 A/B 測試系統(tǒng)應(yīng)該支持灰度遞增，比如一開始僅拿 1% 的流量進行實驗，在確定對大盤沒有負面影響或者有正面影響時，在慢慢遞增灰度數(shù)量。如果一上來就拿 20% 甚至更多的量做實驗的話，那很有可能會大盤數(shù)據(jù)造成影響。
其次我們需要監(jiān)控關(guān)鍵指標(biāo)，我們需要設(shè)置一些關(guān)鍵指標(biāo)并且對這些指標(biāo)進行監(jiān)控，比如給 DAU 設(shè)定一個閾值，當(dāng)實驗時的閾值低于這個值時，那就停止相關(guān)實驗，等待分析和處理后再重新實驗。
最后需要對 A/B 測試系統(tǒng)做一些限制，比如不允許灰度時直接放量到 100%。
3.3 精確洞察
在 A/B 測試系統(tǒng)功能可用并且安全穩(wěn)定的前提下，我們就需要考慮對實驗數(shù)據(jù)的精確洞察。
首先需要進行實驗質(zhì)量測試，檢測數(shù)據(jù)是否可信，如果上報的數(shù)據(jù)不可信，那下面的分析比較都是徒勞的。
其次對于一些復(fù)雜場景的 A/B 測試來說，還需要做一些額外的工作進行數(shù)據(jù)洞察，比如需要進行用戶細分群組分析、分層抽樣、歸因分析等等，因為 To C 業(yè)務(wù)中主要針對單個改動進行 A/B 測試，所以這里不贅述復(fù)雜場景的數(shù)據(jù)洞察方法。
然后我們還要制定實驗規(guī)范和審核機制，即使實驗系統(tǒng)比較完善，但如果操作不規(guī)范也有可能導(dǎo)致實驗故障。
3.4 規(guī)模效率
接下來我們要考慮如何提高規(guī)模效率，我們希望支持盡可能多的實驗同時進行，也希望用盡可能少的樣本得到更多的信息。
在“實驗基礎(chǔ)”部分我們提到過，A/B 實驗的分流器應(yīng)該滿足隨機性、無限性和互不干擾性三個特性，其中的無限性指的是應(yīng)該支持對有限的用戶進行無限的分組，以保證實驗組充足可用。
如果實驗之間互不影響，那只要實驗組充足也就夠了。如果是多個實驗并行并且互相之間有影響，或者一個實驗里面有多個影響因素，那這種情況應(yīng)該怎么辦呢？業(yè)界像 Google、微軟對此都有一些研究，比如方差減少方法、多臂老虎機等等，這里也不再贅述。
3.5 特殊場景
正常情況下，如果 A/B 測試系統(tǒng)能夠包含以上四個部分，那么已經(jīng)非常完備了，但是還有一些特殊場景也會影響到 A/B 測試系統(tǒng)的設(shè)計，這里簡單提一下。
首先是網(wǎng)絡(luò)效應(yīng)。我們做 A/B 測試實驗時默認(rèn)用戶與用戶之間是獨立，比如我所處的信息流業(yè)務(wù)，絕大部分情況下，消費信息流是用戶的獨立行為。但是還有一些像微信、QQ 這樣的社交業(yè)務(wù)，用戶與用戶之間互相影響，參照組和實驗組的用戶可能互相干擾，那么在設(shè)計實驗時就要考慮這些。
其次是因果推斷。這經(jīng)常發(fā)生在無法隨機分配用戶的情況下，比如霧霾期間你出門，你可能戴了口罩也有可能沒戴，戴或者不戴你只能選擇一個。這種情況下，用戶只有你一個人，再來一個人同時觀察行不行，不行，因為兩個人的自身情況可能不一樣；那我今天和明天兩天對比行不行，也不行，今天和明天的霧霾情況可能會有差異。所以這類問題是有多個潛在結(jié)果，但你只能觀測到一種，其他情況只能推測。
還有增量模型。增量模型指的是利用機器學(xué)習(xí)和實驗進行有成本的營銷策略，比如在預(yù)算固定的情況下如何最大化市場營銷效果。
3.6 實驗文化
如果說前五個部分能夠代表一個團隊的 A/B 測試的硬實力的話，那么實驗文化就是軟實力了。
團隊?wèi)?yīng)該營造一個數(shù)據(jù)驅(qū)動文化，知道什么是 A/B 測試實驗，什么時候該用 A/B 測試實驗等等。另外團隊成員之間還應(yīng)該經(jīng)常互相分享實驗案例和經(jīng)驗，交流趟過的坑、有沒有更好的實驗方法，還可以交流一些行業(yè)前沿的成果等等。
4. 騰訊看點信息流的 A/B 測試實踐
隨著 2019 年 11 月份騰訊看點的成立，原本獨立的 QQ看點、QQ瀏覽器、看點快報進行了整合，三端的更新迭代也趨于統(tǒng)一，功能研發(fā)也有序統(tǒng)一推進，其中一個便是短內(nèi)容的研發(fā)。
所謂短內(nèi)容，從字面理解就是內(nèi)容短小精悍的內(nèi)容。與傳統(tǒng)的圖文并茂、花樣復(fù)雜的信息流內(nèi)容相比，短內(nèi)容具有低門檻、快消費、易傳播等特點。騰訊看點的短內(nèi)容原本只有“搞笑”這一個品類，但隨著業(yè)務(wù)發(fā)展，發(fā)現(xiàn)越來越多的品類可以以短內(nèi)容的形式展現(xiàn)，所以產(chǎn)品提出“短內(nèi)容支持多品類”需求。
在功能開發(fā)完成后，下一步就是 A/B 測試環(huán)節(jié)，驗證用戶是否喜歡新功能以及新功能對關(guān)鍵數(shù)據(jù)的影響。理想的步驟應(yīng)該就是進行 A/B 測試實驗，然后進行實驗分析，判斷實驗好壞，如果新版本效果較好那么就選擇新版本，否則就維持舊版本，如圖所示。
在上了多品類類型的短內(nèi)容后，A/B 測試的實驗結(jié)果顯示實驗組每天的時長均比參照組高 15%！看到這樣的數(shù)據(jù)，你的第一反應(yīng)是什么：新功能有更好的效果。如果你這樣想，那表示你的 A/B 測試的能力還處于剛?cè)腴T的水平。我們先別急著對比分析，而是要先檢查數(shù)據(jù)是否正確。一般會有什么原因?qū)е聰?shù)據(jù)質(zhì)量出現(xiàn)問題呢？
可能是分流系統(tǒng)，比如哈希函數(shù)導(dǎo)致分流不隨機；可能是實驗人員操作不規(guī)范，導(dǎo)致實驗組不僅受本次實驗影響還收到其他實驗的影響；可能是數(shù)據(jù)上報的問題，因為數(shù)據(jù)上報口徑不一致導(dǎo)致數(shù)據(jù)有差異；也有可能是用戶的問題，比如大量的網(wǎng)絡(luò)爬蟲導(dǎo)致數(shù)據(jù)異常。也就是說，A/B 測試的任何環(huán)境都有可能導(dǎo)致數(shù)據(jù)質(zhì)量出現(xiàn)問題，那有什么檢查數(shù)據(jù)質(zhì)量的方法嗎？
這里有兩個方法。一是 A/A 測試，通過給參照組和實驗組配置一樣的功能，然后測試實驗數(shù)據(jù)是否有顯著偏差，如果出現(xiàn)了顯著偏差，那說明數(shù)據(jù)質(zhì)量肯定是有問題的；二是樣本比例測試，實驗組和參照組的樣本比例一般是 1:1，如果兩者顯著不等于 1:1，那說明其中一個用戶組丟失了一部分用戶。
所以，當(dāng)我們發(fā)現(xiàn)實驗組的用戶時長每天比參照組都要高 15% 時，我們對數(shù)據(jù)質(zhì)量進行了檢測，最終發(fā)現(xiàn)原來是兩者的數(shù)據(jù)上報口徑存在差異，一個是把內(nèi)容中線的曝光和隱藏的間隔作為時長，另一個則是把內(nèi)容卡片的曝光和隱藏的間隔作為時長。
因此，當(dāng)進行完 A/B 測試后，先不要急著分析下結(jié)論，一定得確保實驗數(shù)據(jù)質(zhì)量。這時，我們更新下 A/B 測試的流程。
在確定了數(shù)據(jù)質(zhì)量可靠的情況下，下面就需要對數(shù)據(jù)進行分析。根據(jù) A/B 測試的目的或者業(yè)務(wù)類型的不同，用來衡量實驗效果的核心指標(biāo)也不同。大部分互聯(lián)網(wǎng)產(chǎn)品會以用戶指標(biāo)為核心指標(biāo)，比如用戶次留、PV、UV、點擊率、使用時長等等；有的特殊的互聯(lián)網(wǎng)產(chǎn)品，比如電商網(wǎng)站會有一些其他的核心指標(biāo)，比如下單率、評分、聯(lián)系客服量等等。
確定了實驗的核心衡量指標(biāo)，下面就可以進行實驗分析了。如果發(fā)現(xiàn)實驗組的指標(biāo)比參照組有所提升，即使有很細微的提升，那也是算是一個比較令人欣慰的現(xiàn)象，代表新的改動對數(shù)據(jù)增長有正向效果。但一般情況下，比較少有實驗?zāi)軌蚱鸬秸蛐Ч?，或者說需要經(jīng)過多次的改動后才能迎合用戶。那如果我們發(fā)現(xiàn)實驗效果是負向的，那該如何做呢，真的就像流程圖里面畫的那樣“保持舊版本”嗎？
相信大部分人肯定不會立馬決定放棄新版本的，一方面新版本注入了大家的心血，直接舍棄太可惜，另一方面新版本代表未來趨勢。所以在發(fā)現(xiàn)用戶更喜歡老版本時，我們應(yīng)該想辦法改進新版本。這里介紹一種“用戶細分群組分析”的方法。
所謂用戶細分群組分析，就是根據(jù)用戶的使用產(chǎn)品的用途將用戶進行分組，嘗試分析哪部分用戶受影響最大，找出并解決他們的痛點。具體方法如下：1）用戶分組：用聚類模型根據(jù)用戶的用途將用戶分組；2）分組實驗分析：分析哪些用戶組是整體指標(biāo)下降的來源；3）重點組內(nèi)分析：對重點用戶組，分析用戶的行為痛點；4）定位痛點：根據(jù)數(shù)據(jù)洞察，在產(chǎn)品設(shè)計層面下定位痛點；5）改進迭代：針對痛點進行改進；6）重新實驗：開展新一期的實驗，驗證改進是否用幫助。
在騰訊看點短內(nèi)容引進“長內(nèi)容”類型的內(nèi)容時，發(fā)現(xiàn)實驗組的核心數(shù)據(jù)要比參照組少 0.6% 左右。這里先普及下背景，短內(nèi)容頁面的內(nèi)容大多是圖文，即上面是文字下面是圖片的組合，短內(nèi)容的文字一般不超過 6 行，而長內(nèi)容的文字行數(shù)不限。在引進“長內(nèi)容”時，我們默認(rèn)將文字展開，對于數(shù)據(jù)的下滑，我們認(rèn)為長內(nèi)容的文字部分較長，會減少其他內(nèi)容的曝光，所以設(shè)置了一條規(guī)則，長內(nèi)容的文字部分超過 6 行則折疊，然后重新上線實驗，果然數(shù)據(jù)又恢復(fù)了正常。
在實驗分析階段，我們了解到當(dāng)新版本沒有滿足預(yù)期效果時，我們需要對新版本進行迭代更新。我們再次完善 A/B 測試的流程：
在確定發(fā)布新版本后，我們便開始進行灰度發(fā)布。發(fā)布前期的節(jié)奏一般較慢，從 1% 放量到 10% 需要半天左右的時間，放量過程中需要保持對數(shù)據(jù)的監(jiān)控，在確認(rèn)沒有問題后，會很快地從 10% 放量到 99%，保留 1% 的用戶在參照組繼續(xù)觀察，一周后 100% 全量。
5. 小結(jié)
本文主要介紹了 To C 業(yè)務(wù)的 A/B 測試。一個完善的 A/B 測試需要包含六個要素：實驗基礎(chǔ)、安全穩(wěn)定、精確洞察、規(guī)模效率、特殊場景和實驗文化，每個要素依次遞進；然后以騰訊看點信息流業(yè)務(wù)舉例，完善了 A/B 測試的流程，A/B 測試不僅僅只是簡單的對比實驗組和參照組效果，還需要在完成實驗后對數(shù)據(jù)質(zhì)量進行檢查，以及在實驗分析后進行分析決策，如果新版本的效果不理想還需要迭代改進。
文源：FEPulse
特別提示：關(guān)注本專欄，別錯過行業(yè)干貨！
PS：本司承接 小紅書推廣/抖音推廣/百度系推廣/知乎推廣：關(guān)鍵詞排名，創(chuàng)意短視頻，筆記種草，代寫代發(fā)等；
咨詢微信：139 1053 2512 (同電話)
首席增長官CGO薦讀：
更多精彩，關(guān)注：增長黑客（GrowthHK.cn）
增長黑客（Growth Hacker）是依靠技術(shù)和數(shù)據(jù)來達成各種營銷目標(biāo)的新型團隊角色。從單線思維者時常忽略的角度和高度，梳理整合產(chǎn)品發(fā)展的因素，實現(xiàn)低成本甚至零成本帶來的有效增長…
本文經(jīng)授權(quán)發(fā)布，不代表增長黑客立場，如若轉(zhuǎn)載，請注明出處：http://allfloridahomeinspectors.com/cgo/31220.html
微信掃一掃 
支付寶掃一掃 
