A/B test是一种通过制定两个方案,在同一时间段分别让**成分相同(相似)**的用户群随机使用一个方案,收集各群组的用户体验数据和业务数据,最后根据显著性检验分析评估出最好版本正式采用。
01 A/B test的目的
1、 判断哪个更好
2、计算收益,ROI
02 A/B test的一般流程
- 与PM沟通,分析现状,确定改进点;
- 确认观测指标,即是否成功的标准;
- 设计优化版本的原型并完成开发;
- 确定测试时长:时长不宜过短,会导致测试用户全为高频率用户;
- 确定实验流量:分流要保证同时性和相似性;
- 测试并收集实验数据,计算统计值,得出结果并产出报告:1.确定发布新版本;2.调整分流比例继续测试;3.回到步骤1。
03 流量分配
实验设计时我们希望满足:1、快速得出结论;2、对用户体验影响最小。
在流量分配时可以考虑以下几种情况:
- 不影响用户体验:如 UI 实验、文案类实验等,一般可以均匀分配流量实验,可以快速得到实验结论
- 不确定性较强的实验:如产品新功能上线,一般需小流量实验,尽量减小用户体验影响,在允许的时间内得到结论
- 希望收益最大化的实验:如运营活动等,尽可能将效果最大化,一般需要大流量实验,留出小部分对照组用于评估 ROI
根据实验的预期结果,大盘用户量,确定实验所需最小流量,可以通过一个网站(这个网站还可以进行统计量的计算,很方便)专门计算所需样本量:
- 以次日留存率为例,目前大盘次日留存率 80%,预期实验能够提升 0.2pp
- (这里的留存率可以转换为点击率、渗透率等等,只要是比例值就可以,如果估不准,为了保证实验能够得到结果,此处可低估,不可高估,也就是 0.2pp 是预期能够提升地最小值)
- 网站计算&#x