BAT都在用的方法，詳解A/B測試的那些坑！
“如何把AB實驗文化根植到公司的基因中去？”，時代正在向所有的互聯(lián)網(wǎng)公司發(fā)出提問。
If you are not running experiments，you are probably not growing！
——by Sean Ellis
Sean Ellis 是增長黑客模型（AARRR）之父，增長黑客模型中提到的一個重要思想就是“AB實驗”。
從某種意義上講，自然界早就給了我們足夠多的啟示。為了適應(yīng)多變的環(huán)境，生物群體每天都在發(fā)生基因的變異，最終物競天擇，適者生存，留下了最好的基因。這個精巧絕倫的生物算法恐怕是造物者布置的最成功的AB實驗吧。
將目光轉(zhuǎn)到互聯(lián)網(wǎng)世界，AB實驗的受重視程度正在空前提高。
01我們來看兩個著名案例
案例1 ：奧巴馬宣傳團(tuán)隊用AB實驗幫其獲得更高的支持率
2008年，奧巴馬在競選中勝出，出任美國第44任總統(tǒng)，這離不開其個人人格魅力，但他的競選宣傳團(tuán)隊的作用也是不可忽略的，在總統(tǒng)競選頁面上，他的團(tuán)隊就用AB實驗在16種方案中找到了最佳方案，將競選頁面"change"的轉(zhuǎn)化率提升40.6%。
（圖1）
（圖2）
實驗這樣設(shè)計的：圖一中的圖片或視頻與圖二中的不同文案按鈕任意組合，形成4*4共16種不同方案組合，每個方案都獲得一定比例的流量，觀察一段時間后，從中選擇轉(zhuǎn)化率最高的方案，推廣到全部用戶。
最終如下方案勝出：
其團(tuán)隊事后給出的解釋是：視頻播放給用戶很大壓力，且當(dāng)時的網(wǎng)絡(luò)環(huán)境不能保證播放效果，故視頻不如圖片，且美國人崇尚家庭文化，一副溫馨的全家福圖片能拉近與選民的距離。至于按鈕文案，則是因為美國選民的獨立思考意識高，“join us”、“sign up”等文案讓人感覺非常簡單粗暴，有煽動的嫌疑，所以大家更接受平和一點的“l(fā)earn more”。
案例2 ：Facebook用AB實驗挽救了20%的虧損
2012年，F(xiàn)acebook的產(chǎn)品vp Sam Lessin在扎克伯克的大力支持下，親率30人團(tuán)隊花費(fèi)大半年時間開發(fā)了一款新的版本。在上線前邀請的一些外部用戶與內(nèi)部員工的評價中，新版本酷炫時尚，比老版本好看的多。如圖：
（上圖為老版）
（上圖為新版）
Facebook不愧是一家世界一流的互聯(lián)網(wǎng)公司，重大的迭代一定會進(jìn)行AB實驗。他們先分配1%的流量給新版本，然后逐漸增多到2%，5%......實驗的結(jié)果出乎大家意料，新版本在用戶參與度、在線時長、廣告展示數(shù)、營收等四個核心指標(biāo)的表現(xiàn)上嚴(yán)重落后老版本，剛開始大家覺得可能是用戶不習(xí)慣，但隨著新版本流量放大到12%，觀察的時間也拉長到3個月，但情況同樣很糟，新版本直接導(dǎo)致了20%的營收下降。最終Facebook壯士斷腕，讓所有用戶回滾到老版本，這才恢復(fù)了之前的數(shù)據(jù)。
而在國內(nèi)，一家知名的大學(xué)生社交網(wǎng)站因為看到了正在進(jìn)行小流量實驗的B方案，就直接copy并快速全流量上線，結(jié)果你們都知道的。到現(xiàn)在，這家網(wǎng)站已經(jīng)徹底淪為了三流互聯(lián)網(wǎng)產(chǎn)品。
由此可見失敗的產(chǎn)品方案不可怕，可怕的是沒有經(jīng)過AB實驗就直接上線的公司制度和文化。
我們再來看國內(nèi)一線公司內(nèi)的一個AB實驗case吧！
如上是不同的引導(dǎo)卡片樣式的AB實驗，最終結(jié)果樣式2比樣式1的CTR提升24.8%。
02 你的團(tuán)隊是否有這樣的問題？
1、不經(jīng)過AB實驗就直接全流量上線，成員在上線后拼命找數(shù)據(jù)證明自己正確，即便證據(jù)牽強(qiáng)，只要向外發(fā)布聲明都千篇一律##指標(biāo)又提升了##，眾人紛紛點贊。要知道Google、Facebook、Microsoft做AB實驗的經(jīng)驗是——90%的新設(shè)計都不如線上版本。及時你的團(tuán)隊也很牛，但也不至于把谷哥、face哥、微軟哥吊打吧？
2、你的團(tuán)隊非常有想法，但大家各執(zhí)己見，誰也不能說服誰，導(dǎo)致團(tuán)隊決策變得很困難。
團(tuán)隊的改變從第一個AB實驗開始——誰的方案好，誰的方案能推全，與其吵吵吵，不如布置個AB實驗，用數(shù)據(jù)來PK。
下文為你詳細(xì)解釋下AB實驗的基本概念和常踩之坑。
03 什么是AB實驗？
舉個例子，你提出了一個產(chǎn)品改進(jìn)方案（假設(shè)叫B），但不確定是否效果比線上版本（假設(shè)叫A）好，于是就將線上用戶1%的流量分到B，99%的流量分到A，持續(xù)觀察一段時間，如果B比A好，就將B推到100%的流量，如果A比B好，那就重新修改你的設(shè)計方案，重新再做實驗。而如果不做AB實驗直接上線新方案，如Facebook的例子，新方案甚至可能會毀掉你的產(chǎn)品。這里的方案可能是一組算法、一組文案、一組運(yùn)營活動、一組UI樣式，同時實驗的并不一定是AB兩種方案，很可能是ABCDE...實驗。
04 AB實驗會遇到的問題
AB實驗的實現(xiàn)當(dāng)然不會像上面的例子一樣簡單，比如你會遇到下面的問題：
1、如何確保1%的流量與99%的流量用戶群特征分布是一致的？
2、如果在實驗的過程中有新的方案想法C，能否直接發(fā)布到線上同時實驗？
3、如何同時并行所需總流量超過100%的多組實驗？
4、如何選取指標(biāo)衡量AB方案，如果多個指標(biāo)數(shù)據(jù)表現(xiàn)不一，怎么決策？
5、如何確定方案B與A的指標(biāo)數(shù)值不同是隨機(jī)誤差造成還是統(tǒng)計可信的？
......
AB實驗的基本原理是“控制變量法”。
設(shè)指標(biāo)數(shù)值=F（{隱變量列}、{顯變量列（含方案變量）}）。一個指標(biāo)的數(shù)據(jù)表現(xiàn)是由函數(shù)F和多個變量取值共同決定，所以指標(biāo)衡量結(jié)果不能簡單歸因于方案的差異，特別是其中還有很多我們永遠(yuǎn)無法知道的隱變量在施加影響。
那么我們是否要知道F和所有的變量才能下結(jié)論么？還有更加簡便的方法。我們可以確保兩個方案中其他的變量保持一致，那么A、B方案的指標(biāo)結(jié)果差異就只能歸結(jié)為版本的差異。AB實驗就是利用控制變量法的思想，保證各個產(chǎn)品方案針對同質(zhì)人群（特征分布相同）、同一時間進(jìn)行實驗，確保了除方案變量外其他變量一致，故能判定指標(biāo)差異是方案不同造成的，從而選擇出優(yōu)勝版本全流量上線，實現(xiàn)數(shù)據(jù)增長。
AB實驗的作用很大，但是AB實驗的實現(xiàn)并不簡單，往往會踩坑無數(shù)。
05 AB實驗的坑有哪些？
1、人群不同質(zhì)
AB實驗需要切分流量到不同方案，如果不能正確切分，使得分到不同方案的用戶群體特征分布一致，那么實驗將沒有任何意義。為了便于理解，我們來看一個例子：
如果我們要對人群G做一個AB實驗來找到發(fā)放什么禮品才能使用戶的注冊轉(zhuǎn)化率更高？A、B分別代表發(fā)放不同的獎品BB霜與剃須刀，G由子群G1與G2構(gòu)成（G1、G2分別代表女生、男生，且各占50%）。按照同質(zhì)用戶的要求，分給這兩方案的用戶流量中男女比例必須與總體一致，也即女：男=1:1。
這時，發(fā)生了一些意外......
實驗中分給方案A的群體不幸都是G1（女生），分給方案B的群體是G2（男生），最終一種獎品比另外一種獎品有更高的注冊轉(zhuǎn)化率，比如A高于B，那么這時能下結(jié)論“獎品A比獎品B更受用戶喜歡，應(yīng)該給所有用戶發(fā)放獎品A”么？
肯定是不能的。這個決策相當(dāng)于認(rèn)為女生喜歡的就是男生喜歡的，根據(jù)實驗結(jié)論，你應(yīng)該對所有的用戶G都發(fā)放注冊轉(zhuǎn)化率更高的禮品A。試想下男生領(lǐng)到BB霜時他們內(nèi)心是何種感受？
這里的問題就是不同方案分得的人群是不同質(zhì)帶來的。上述舉的例子為了便于理解，故比較絕對，實際過程中遇到更多的是A方案、B方案都是男女混合的群體，但是比例卻與總體1:1的分布不同，這樣同樣帶來錯誤的實驗結(jié)論。
所以設(shè)計合理的分流算法，確保分流到每個方案的都是同一特征分布的人群是AB實驗結(jié)論可信的前提。達(dá)爾文AB實驗系統(tǒng)經(jīng)過一年多的探索，已形成一套相對可靠的分流算法。
2、實驗不同時
在上面的例子中，如果方案A與方案B都是分到同一特征分布的群體G，那么數(shù)據(jù)一定具有可比性么？不一定。還是用極端的例子幫助理解。假設(shè)第一天，A方案分到100萬個用戶流量，B方案分到0個用戶流量，第二天A方案分到0個流量，B方案分到100萬個用戶流量，從整體看，這兩天的A方案與B方案的累計實驗流量都是100萬，且人群是同質(zhì)的，實驗結(jié)果應(yīng)該可信，但事與愿違，如果這是一個社交網(wǎng)站，實驗是為了觀察不同產(chǎn)品版本A和B下用戶的主動加好友數(shù)量，則A方案明顯優(yōu)勢大很多，畢竟用戶多了一整天的時間去添加好友，這種情況下任何時間截面數(shù)據(jù)B都處于劣勢，且這種劣勢并不是方案不同造成的。同理，一個博客網(wǎng)站，如果對比不同方案下用戶的博客開通率、撰寫率，也可能犯同樣的錯誤。
另外一種情況是，在一些特殊日子中，用戶的活躍度會暫時性增高，如果A方案的作用時間剛好是節(jié)日，方案B的作用時間非節(jié)日，那么顯然這種比較對于B方案是不公平的。
上文提到的公式：“指標(biāo)結(jié)果=F（{隱變量列}、{顯變量列（含方案變量）}）”，隱變量、顯變量中很大一部分跟時間相關(guān)，時間不同，這些變量的取值也不同，從而就破壞了控制變量法的前提，得不出正確的實驗結(jié)論。
最后列舉一個我們參與的一個case讓大家感受下：
樣式1的文案：《葵花寶典》帶你輕松使用XXX
樣式2的文案：哪些功能最熱門，我來告訴你
由于早期未規(guī)范實驗管理規(guī)范，兩個樣式的實驗并非同時開始：
1、樣式1，在4月7日的10：00開始實驗
2、樣式2，在4月7日的0:00開始實驗
最終統(tǒng)計的表現(xiàn)不一：
如果看4月7日10:00之后進(jìn)入實驗的用戶數(shù)據(jù)，樣式2比樣式1的CTR只提升了大約0.3%，符合實驗同時的前提條件，因此結(jié)論可信；
但如果看4月7日全天的數(shù)據(jù)，樣式2比樣式1的CTR提升了大約1%，這個不符合我們提到的實驗同時做的條件，結(jié)論不可信；
此處也告訴我們：
1、進(jìn)行對比的各個實驗版本（上文的樣式1與樣式2）一定要同時開啟實驗
2、實驗過程中不能隨意修改每個版本的流量，這也會間接導(dǎo)致上述問題
3、沒有AA實驗的意識
AA實驗是AB實驗的孿生兄弟，有的互聯(lián)網(wǎng)公司也叫空轉(zhuǎn)實驗。AA指的是實驗中的各個方案都是一致的。這么做的目的是啥？這是為了測試埋點、分流、實驗統(tǒng)計的正確性，增加AB實驗的實驗結(jié)論可信度。
設(shè)命題1為：“如果實驗的埋點、分流和統(tǒng)計都沒有問題，那么AA實驗中各個方案的數(shù)據(jù)表現(xiàn)一定一致”，若命題1成立，則其逆否命題2：“如果AA實驗中各個方案的數(shù)據(jù)表現(xiàn)存在顯著差異，則實驗的埋點、分流和統(tǒng)計肯定至少一項有問題?！币脖囟ǔ闪?。
嚴(yán)格意義上講AA實驗的通過并不能證明上述三項（埋點、分流、統(tǒng)計）絕對沒有問題，但是AA實驗不通過一定能證明上述三項至少一項存在問題。
所以具備AB實驗素養(yǎng)的團(tuán)隊，一定會在AB實驗前布置AA實驗。
4、實驗反轉(zhuǎn)
假如一個實驗布置到線上第一天，方案A比方案B好，能否代表第二天，第三天的數(shù)據(jù)表現(xiàn)還是如此？
用戶進(jìn)入到新方案中，很可能因為好奇而表現(xiàn)的更加活躍，但隨著時間推移，逐漸趨于冷靜，數(shù)據(jù)表現(xiàn)回到本該有的水平，如果實驗觀察期設(shè)置的過早，則容易得出錯誤的結(jié)論。反過來也如此，有的改版用戶很不習(xí)慣，但用了熟練之后發(fā)現(xiàn)比老版更便捷，數(shù)據(jù)會逐漸回暖。
另外一方面，做實驗的樣本量太少，也可能出現(xiàn)反轉(zhuǎn)，拋100次硬幣和拋100萬次硬幣正面的頻次很可能不一樣，根據(jù)大數(shù)定律，隨著隨機(jī)實驗的次數(shù)增加，隨機(jī)變量的頻次分布趨向于其概率分布。在這里，假設(shè)實驗的第一天只有100個用戶進(jìn)入，由于樣本量太少，實驗結(jié)果的隨機(jī)性太強(qiáng)，隨著天數(shù)增加，實驗樣本也增加，實驗結(jié)果可能會反轉(zhuǎn)。
一般情況下，我們不建議樣本量小于1000用戶的產(chǎn)品進(jìn)行AB實驗，因為實驗結(jié)果很難得到保證。
5、延滯效應(yīng)
記得我們在上化學(xué)實驗課時，老師一定是先讓你把試管洗干凈吧？這么做可不只是為了衛(wèi)生。待實驗的化學(xué)藥劑如果與試管中殘留的藥劑混合，則實際實驗的則是這種“被混合的藥劑”，實驗結(jié)果當(dāng)然不可信。上述說的問題就是carry over——延滯效應(yīng)。
同樣在互聯(lián)網(wǎng)產(chǎn)品實驗中，也存在這樣的問題。舉個例子，編號為00001-10000與編號10001-20000的用戶之前被分到不同的實驗方案（A和B）進(jìn)行實驗，這個實驗結(jié)束后團(tuán)隊開始要進(jìn)行一個新的實驗，如果沒有特殊處理，則可能00001-10000及10001-20000的用戶也是被分到兩個方案中（A1，B1），此時實驗結(jié)果可信么？00001-10000的用戶之前經(jīng)歷過方案A，現(xiàn)在全部落在了方案A1上，10001-20000的用戶之前經(jīng)歷了方案B，現(xiàn)在全部落在了方案B1上，也許在做第一個實驗前兩個用戶群是同質(zhì)的，但做了第一個實驗后，這兩個群體已經(jīng)不同質(zhì)，要進(jìn)行第二個實驗則必須采用一定的算法將兩個用戶群重新打散，獲得 一個新的編號排列，再切分出兩個同質(zhì)人群進(jìn)行第二個實驗，或者重新拿出新的號段出來實驗，比方20001-30000，30001-40000。
以上列舉的只是一些常識性的坑，實際過程中還會遇到更多.....
在國內(nèi)的頂級互聯(lián)網(wǎng)公司BAT中，AB實驗已非常普遍，百度同時有上千個AB實驗并行，阿里巴巴和騰訊也有自己的AB實驗系統(tǒng)用以支持多業(yè)務(wù)大規(guī)模并行的AB實驗。
“如何把AB實驗文化根植到公司的基因中去？”，時代正在向所有的互聯(lián)網(wǎng)公司發(fā)出提問。
立即登錄
