AB测试:基础概念、应用场景及入门指南

CrazyPM产品经理社区  阅读数  150  2021-02-13 02:15:11

​编辑导语:ab测试这项技术最早被应用于美国的互联网市场,进入国内市场也不过6、7年时间。2000年左右,以谷歌为首的互联网企业开始采用AB测试的方法,运用数据帮助企业做决策管理,降低试错成本,促进业务增长。2010年以后,AB测试开始出现产品化的趋势,并成为企业决策的一项重要工具。

AB测试:基础概念、应用场景及入门指南

今天和大家分享一下关于AB测试的基础知识。

一、AB测试是什么

互联网行业变化很快,很多产品的迭代速度都是按周甚至是按天来的。无论是产品的优化方向,还是决策的制定,都需要有数据来说话。

目前,大部分产品迭代的方式,是直接将某版本发布给全部用户。一旦遇到线上BUG或者数据效果不好,就不得不紧急修复或者功能优化,有时甚至需要回滚到前一版本。

这对用户体验、项目进度影响是很大的,如何能解决这个问题呢?

AB测试能很好的避免这个问题。所谓AB测试,就是在正式发版上线前,将用户流量对应分成几组,让用户分别看到不同的方案设计,根据几组用户的真实数据反馈,进行数据效果的校验。

如果新版本数据呈现没问题,再考虑将新版本向全量放开,从而可以有效减少线上全用户发生事故的概率,提升用户体验。简单理解,其实就是初中学的对照试验。一组是对照组,一组是实验组。

哪些场景比较适合进行AB测试呢?

二、AB测试的应用场景

AB测试通常用在以下几个场景:

1. UI的优化

这是比较常见的场景。

不像功能的设计,存在着很多逻辑上的思路,经常还是可以确定哪种方案好,哪种方案不好。UI的优化,往往是很“艺术”层面的。往往看到真实数据前,谁也难以说明哪种设计能带来更好的数据效果。如下图:

AB测试:基础概念、应用场景及入门指南

上图就是一个颜色的变化,这种情况下比较适合通过AB测试完成最终方案的确定。

2. 文案变化

这个其实和UI层面的优化很类似。同一个按钮,叫【现在申请】还是【立刻申请】呢?

AB测试:基础概念、应用场景及入门指南

如何决策,还是交给AB测试吧~

3. 页面布局

页面布局,主要指的是同页面中的不同元素的排列方式。

AB测试:基础概念、应用场景及入门指南

4. 算法优化

算法优化,应该也是AB测试的一个重要场景。

上线前的算法,基本都是基于历史数据进行算法模型的训练、搭建。在本地模型效果再好,上线后也不一定有良好的表现。只有线上才是检验算法效果的决定性标准。

但谁也不能确保上线后的效果吧?那这时先用小流量做一些AB测试,是非常不错及通用的选择。

三、流量分配

AB测试的基础概念也讲了一些,其中很重要的一个概念就是用户流量分组。实际落地时,是按照一定的规则,让用户随机访问某个版本,那具体该如何进行流量的分配呢?

关于流量分配,主要的要点有两个:同层互斥分配和分层流量正交。

1. 同层互斥分配

每个分层都拥有全部流量。在同一个分层中,多个试验共用100%的流量,试验之间流量互斥。例如在同一分层中,试验1占用了40%流量,则试验2最多只可使用60%流量,以此类推。

有以下示意图:

AB测试:基础概念、应用场景及入门指南

当同时运行多个试验时,如果希望试验结果尽可能精确,需要确保试验之间互不干扰,则建议将试验建立在同一分层,同一个用户只会进入该分层中的一个试验。

AB测试:基础概念、应用场景及入门指南

2. 分层流量正交

分层意为复用用户流量,如果验1和试验2使用不同的分层,则试验1和试验2均可分配最多100%的流量。在此情况下,同一个用户将会同时进入试验1和试验2。

AB测试:基础概念、应用场景及入门指南

当两个试验处于不同层时,需要确保试验内容互不相关,否则将会干扰试验数据。

AB测试:基础概念、应用场景及入门指南

目前平台中的每个实验,独立为一个实验层,一份流量穿越每层实验时,都会随机打散再重组,保证每层流量数量相同。

举个例子:假设我现在有2个实验,实验A(实验组标记为版本A1,对照组标记为版本A2)分布于实验层1,取用该层100%的流量;实验B(实验组标记为B1,对照组标记为B2)分布于实验层2,也取用该层100%的流量(要注意,实验层1和实验层2实际上是同一批用户,实验层2只是复用了实验层1的流量)。

如果把A1组的流量分成2半,一份放进B1组,一份放进B2组;再把A2组的流量也分成2半,一份放进B1组,一份放进B2组。那么两个实验对于流量的调用就会如下图所示。此时实验A和实验B之间,就形成了流量“正交”。

AB测试:基础概念、应用场景及入门指南

关于AB测试,今天就先分享这些。下篇文章将分享一下行业中ab测试系统的调研,看看各大厂商是如何将ab测试产品化的。

 

本文由 @冬至 原创,未经作者许可,禁止转载。

题图来自Unsplash,基于CC0协议。

 

赞助商推荐:数极客是新一代用户行为分析与数据智能平台,支持用户数据分析运营数据分析留存分析路径分析漏斗分析用户画像SEM数据分析等16种分析模型的数据分析产品,支持网站统计网站分析APP统计APP分析等分析工具,以及会员营销系统A/B测试工具等数据智能应用,支持SAAS和私有化部署,提升用户留存和转化率,实现数据驱动增长!

 

【独家稿件及免责声明】本站原创文章如需转载请联系我们,未经书面许可禁止转载,本站转载文章著作权归原作者所有,如有侵权请通过邮箱editor@kaifou.com联系我们。

增长工具