| 导语
(想自学习编程的小伙伴请搜索圈T社区,更多行业相关资讯更有行业相关免费视频教程。完全免费哦!)
近年来,随着互联网的快速发展,Growth-Hacking 已经是一个很普遍的概念。Growth-Hacking 的目的就是使用更小更灵活的成本通过数据驱动来挖掘产品增长的奥秘。同时在 AARRR 这个模型中,打造成一个不断优良循环的流程,需要从数据分析中发现产品功能、运营策略与转化之间的相关性,思考他们之间因果关系。
One accurate measurement is worth more than a thousand expert opinions
– Admiral Grace Hopper
如何衡量思考、创新想法的正确性?数据是最好的衡量标准,这就因此要求我们需要运用一些工具。而 AB 测试就是一个快速试错,用户影响尽可能小,通过数据科学决策的工具,它是 Growth-Hacking 最基础也是最重要的工具之一。
自 2000 年谷歌工程师将 ABTest 应用在互联网产品以来,A/B 测试在国内外越来越普及,逐渐成为互联网数据驱动产品的重要体现,通过 A/B 测试来驱动产品设计迭代优化。
什么是 ABTest
A/B 测试以数据驱动为导向,可以实现灵活的流量切分,使得同一产品的不同版本能同时在线,通过记录和分析用户对不同版本产生的行为数据,得到效果对比,最大程度地保证结果的科学性和准确性,从而帮助人们进行科学的产品决策。
ABTest 的主要组成部分
下图是一个通用的架构设计:
整个架构包含以下部分:
- AB 测试管理平台:实验操作门户,提供创建、修改、关闭实验等,并且提供报表查看。
- 配置数据库:实验配置数据,不仅仅局限于普通的关系型数据库,也可能有缓存数据库等。
- 分流服务:根据实验配置数据,实验具体的分流逻辑,这个一般集成在各个业务平台或者业务服务器。
- SDK:提供通用的解析分流逻辑,一般集成于客户端,前端。
- 数据采集:分流结果日志,用户行为日志的实时采集。
- 数据分析:实时和离线数据分析,通过一定的数据分析算法做出科学决策。
ABTest 的统计学原理
从 A/B 测试的试验原理来看,它是统计学上假设检验(显著性检验)的一种形式:假设检验中的参数检验是先对总体的参数提出某种假设,然后利用样本数据判断假设是否成立的过程。
逻辑上运用反证法,统计上依据小概率思想:
- 小概率思想是指小概率事件(显著性水平 p < 0.05)在一次试验中基本上不会发生。
- 反证法是指先提出假设,再用适当的统计方法确定假设成立的可能性大小;如可能性小,则认为假设不成立。
具体到对比试验,就是假设测试版本的总体参数(优化指标均值)等于对照版本的总体参数,然后利用这两个版本的样本数据来判断这个假设是否成立。
检验假设的基础概念