AB测试:基础概念、应用场景及入门指南

我是创始人李岩:很抱歉!给自己产品做个广告,点击进来看看。  

看一下AB测试的概念以及适用的场景。

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:

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。

(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。

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。

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”。

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。

随意打赏

提交建议
微信扫一扫,分享给好友吧。