編輯導語：AB測試思想對于産品經理來說十分重要，本篇文章作者講述了産品經理實施AB測試的具體方法，詳細地講述了AB測試的具體流程，以及其中的注意點，感興趣的一起來學習一下吧。

如果你随便拿起一本産品經理相關的書籍，然後翻開來讀的話，你會發現，它們都會不約而同地提到一個名詞“AB測試”。

其中的“佼佼者”《增長黑客》，更是“有過之而無不及”，因為A/B測試的思想徹徹底底貫穿這本書：無論是UI元素(字體、顔色、布局)，産品功能，抑或是AARRR流程，都能看到A/B測試的影子。

這或許也是俞軍在《俞軍産品方法論》中寫道“産品工作屬于強實踐性的社會科學”的一個原因吧。關于AARRR流程的介紹請參考這篇文章《産品是門高實踐性學科》。

AB測試将分成兩篇文章，分别将從産品和統計學兩個方面介紹AB測試，适合想了解AB測試具體實施流程，以及探究AB測試背後統計學原理的同學閱讀。

一、AB測試流程

下面以一個電商産品為例，介紹如何開展A/B測試。

1. 實驗背景

背景：某電商app首頁商品點擊率較低，産品團隊急需解決這個問題。

提出想法：産品團隊通過用戶調研、競品分析、數據分析等方式找到了幾個可能的問題，并針對這些問題給出了設計方案，具體包括使用推薦算法、增加商品展示數量、發放優惠券、增加購物清單功能等。

優先級排序：由于提出的想法較多，而現有的資源有限，因此需要确定優先級，選擇優先級最高的想法進行實驗。

比如可以按照“ICE評分體系”，即Impact（影響力，即想法對關心的指标的提升程度）、Confident（信心，想法提出者對想法産生預期影響的信心）、Ease（簡易度，進行一項實驗所需要的時間和資源）。

三項分别打分之後,再相加平均便得到一個想法的綜合得分。通過評分後發現增加商品展示數量的優先級最高，因此選擇這個想法進行實驗。具體評分如下：

業務背景：商品展示頁展示的商品數較少，産品團隊希望通過增加商品展示數量提升轉化率。

業務目的以及期望：希望通過商品展示頁的改版(原先一次隻展示一張圖片，新的版本一次展示兩張圖片)，提升用戶整體的點擊轉化率。

2. 實驗設計

• 實驗目的：通過商品展示頁的改版，提升用戶整體點擊率。這裡有兩點需要注意，第一點是指标的選擇，這裡選擇了點擊率，可以了解一下常用的指标有哪些；第二點是預期值的确定，到底提升多少才能達到預期。以谷歌為例，他們認為2%就是一個很大的提升。這裡我們采用谷歌的标準，即當實驗組比對照組至少提升2%的效果。
• 實驗受衆：打開App首頁的用戶。
• 自變量：實驗組展示改版後的電子商城首頁，展示的産品更多，對照組展示改版前的首頁。
• 自變量取值：商品展示頁是否改版。
• 因變量：點擊率（點擊商品的人數占進入首頁總人數的比例）。

3. 實驗樣本及實驗時長的确定

AB實驗需要用到随機抽樣，也就是随機從産品的用戶中選擇一部分，那麼要選取多少呢。

想象一下，某工廠剛生産了一萬件零件，現在想要測試這批零件是否合格，那麼要選擇多少樣本進行檢測呢？一件、兩件還是一萬件？

選擇的樣本太少，恐怕沒有說服力；選擇的樣本太多，成本又太高。最好的方法其實是在滿足統計學意義後，樣本要盡量的少。

下面的公式給出了樣本數量的計算方式，如果你看不懂，可以直接略過，知道有方法計算就好。

為确定樣本數量，我們先要确定三個值，即顯著性水平或第一類錯誤概率alpha一般取值為0.05或0.1，第二類錯誤概率beta，一般取值為0.1或0.2，以及實際想要達到的效果，比如點擊率提升2%。

其中，

• Delta表示預期的提升，在這個例子中，我們期望提升2%；
• sigma表示樣本方差，在比率的情況下，sigma^2=p（1-p），p是樣本的某一比率，比如現在首頁産品的點擊率為67%；
• alpha第一類錯誤概率，一般取值為5%或1%；
• beta第二類錯誤概率，一般取值為0.1或0.2；
• z：正态分布累計概率為x時對應的分位數。

假設過去兩周内，平均每天有50000人打開過我們的app，若分成了四組實驗，每組實驗的流量不一樣，要保證獲得流量最小的那組達到最小樣本所要求的數量。

比如，流量最小那組占總流量的20%，即50000*20%=10000，而最小樣本數量為26000，因此至少需要26000/10000=3天。由于周末會影響實驗，所以一般會取整周時間；同時，要考慮節假日以及特殊的事件。

4. AA實驗

AA實驗：指的是實驗組和對照組所執行的策略是一樣的，用于判斷分組方式是否引起顯著的差異。如果A/A實驗的結果也是顯著的，說明實驗方式本身會造成差異，因此A/B實驗的結果應當結合A/A的結果做校正分析。如果A/A實驗的結果不顯著，那麼A/B實驗的結果無須校正。

5. 實驗上線

實驗上線分為兩部分，第一部分是數據的獲取。如果現有的數據能滿足我們的實驗需求，就不需要做什麼；否則可能會增加數據埋點，以獲取所需數據；第二部分是流量控制，讓用戶在進入首頁時，劃分到相應的實驗組和對照組，比如根據用戶ID的奇偶性分組。

6. 實驗結果分析

在實驗周期結束，拿到數據後，就需要進行數據分析，主要是計算統計值，以判斷實驗結果在統計學上是否具有顯著性，從而進行決策。至此，一個完整的A/B實驗流程結束。

二、後續：關于指标的選擇

數據指标從業務上可以分為用戶數據指标（比如日新增用戶數、用戶活躍率，用戶留存率），用戶行為數據指标（PV、UV、轉化率）以及産品數據指标（GMV、客單價、複購率）；

數據指标從數學定義可以分為分布相關（平均數、中位數）、概率和比例（用戶點擊的概率）、比率（兩個數做除法）及求和計數等。

在選擇指标時，要保證選擇的指标是一個具有高靈敏度的指标，這意味着這個指标可以捕捉到你所關心的變化。

同時，當你不感興趣的事情發生時，指标不會發生很大的變化。

如果一個指标太敏感，那麼它就不夠穩健，因此在這兩者之間有一個平衡點，你需要研究一下數據，找出要使用的指标。可以使用AA測試進行檢驗。

本文由 @Clarence 原創發布于人人都是産品經理，未經許可，禁止轉載

題圖來自 Unsplash，基于CC0協議

,