作者｜螞蟻金服人工智能部產品經理 範磊

本文首發｜微信公眾號 友盟數據服務 （ID：umengcom），轉載請註明出處

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。為了適應多變的環境，生物群體每天都在發生基因的變異，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佈置的最成功的AB實驗吧。

將目光轉到互聯網世界，AB實驗的受重視程度正在空前提高。

我們來看兩個著名案例

案例1 ：奧巴馬宣傳團隊用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，這離不開其個人人格魅力，但他的競選宣傳團隊的作用也是不可忽略的，在總統競選頁面上，他的團隊就用AB實驗在16種方案中找到了最佳方案，將競選頁面"change"的轉化率提升40.6%。

實驗這樣設計的：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，觀察一段時間後，從中選擇轉化率最高的方案，推廣到全部用戶。

最終如下方案勝出：

其團隊事後給出的解釋是：視頻播放給用戶很大壓力，且當時的網絡環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。至於按鈕文案，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“learn more”。

案例2 ：Facebook用AB實驗挽救了20%的虧損

2012年，Facebook的產品vp Sam Lessin在扎克伯克的大力支持下，親率30人團隊花費大半年時間開發了一款新的版本。在上線前邀請的一些外部用戶與內部員工的評價中，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網公司，重大的迭代一定會進行AB實驗。他們先分配1%的流量給新版本，然後逐漸增多到2%，5%......實驗的結果出乎大家意料，新版本在用戶參與度、在線時長、廣告展示數、營收等四個核心指標的表現上嚴重落後老版本，剛開始大家覺得可能是用戶不習慣，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，這才恢復了之前的數據。

而在國內，一家知名的大學生社交網站因為看到了正在進行小流量實驗的B方案，就直接copy並快速全流量上線，結果你們都知道的。到現在，這家網站已經徹底淪為了三流互聯網產品。

由此可見失敗的產品方案不可怕，可怕的是沒有經過AB實驗就直接上線的公司制度和文化。

我們再來看國內一線公司內的一個AB實驗case吧！

如上是不同的引導卡片樣式的AB實驗，最終結果樣式2比樣式1的CTR提升24.8%。

你的團隊是否有這樣的問題？

1、不經過AB實驗就直接全流量上線，成員在上線後拼命找數據證明自己正確，即便證據牽強，只要向外發佈聲明都千篇一律##指標又提升了##，眾人紛紛點贊。要知道Google、Facebook、Microsoft做AB實驗的經驗是——90%的新設計都不如線上版本。及時你的團隊也很牛，但也不至於把谷哥、face哥、微軟哥吊打吧？

2、你的團隊非常有想法，但大家各執己見，誰也不能說服誰，導致團隊決策變得很困難。

團隊的改變從第一個AB實驗開始——誰的方案好，誰的方案能推全，與其吵吵吵，不如佈置個AB實驗，用數據來PK。

下文為你詳細解釋下AB實驗的基本概念和常踩之坑。

什麼是AB實驗？

舉個例子，你提出了一個產品改進方案（假設叫B），但不確定是否效果比線上版本（假設叫A）好，於是就將線上用戶1%的流量分到B，99%的流量分到A，持續觀察一段時間，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品。這裡的方案可能是一組算法、一組文案、一組運營活動、一組UI樣式，同時實驗的並不一定是AB兩種方案，很可能是ABCDE...實驗。

AB實驗會遇到的問題

AB實驗的實現當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%的流量用戶群特徵分佈是一致的？

2、如果在實驗的過程中有新的方案想法C，能否直接發佈到線上同時實驗？

3、如何同時並行所需總流量超過100%的多組實驗？

4、如何選取指標衡量AB方案，如果多個指標數據表現不一，怎麼決策？

5、如何確定方案B與A的指標數值不同是隨機誤差造成還是統計可信的？

......

AB實驗的基本原理是“控制變量法”。

設指標數值=F（{隱變量列}、{顯變量列（含方案變量）}）。一個指標的數據表現是由函數F和多個變量取值共同決定，所以指標衡量結果不能簡單歸因於方案的差異，特別是其中還有很多我們永遠無法知道的隱變量在施加影響。

那麼我們是否要知道F和所有的變量才能下結論麼？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，那麼A、B方案的指標結果差異就只能歸結為版本的差異。AB實驗就是利用控制變量法的思想，保證各個產品方案針對同質人群（特徵分佈相同）、同一時間進行實驗，確保了除方案變量外其他變量一致，故能判定指標差異是方案不同造成的，從而選擇出優勝版本全流量上線，實現數據增長。

AB實驗的作用很大，但是AB實驗的實現並不簡單，往往會踩坑無數。

AB實驗的坑有哪些？

1、人群不同質

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徵分佈一致，那麼實驗將沒有任何意義。為了便於理解，我們來看一個例子：

如果我們要對人群G做一個AB實驗來找到發放什麼禮品才能使用戶的註冊轉化率更高？

這時，發生了一些意外......

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註冊轉化率，比如A高於B，那麼這時能下結論“獎品A比獎品B更受用戶喜歡，應該給所有用戶發放獎品A”麼？

肯定是不能的。這個決策相當於認為女生喜歡的就是男生喜歡的，根據實驗結論，你應該對所有的用戶G都發放註冊轉化率更高的禮品A。試想下男生領到BB霜時他們內心是何種感受？

這裡的問題就是不同方案分得的人群是不同質帶來的。上述舉的例子為了便於理解，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的分佈不同，這樣同樣帶來錯誤的實驗結論。

所以設計合理的分流算法，確保分流到每個方案的都是同一特徵分佈的人群是AB實驗結論可信的前提。達爾文AB實驗系統經過一年多的探索，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都是分到同一特徵分佈的群體G，那麼數據一定具有可比性麼？不一定。還是用極端的例子幫助理解。假設第一天，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，且人群是同質的，實驗結果應該可信，但事與願違，如果這是一個社交網站，實驗是為了觀察不同產品版本A和B下用戶的主動加好友數量，則A方案明顯優勢大很多，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據B都處於劣勢，且這種劣勢並不是方案不同造成的。同理，一個博客網站，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日，方案B的作用時間非節日，那麼顯然這種比較對於B方案是不公平的。

上文提到的公式：“指標結果=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，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論。

最後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》帶你輕鬆使用XXX

樣式2的文案：哪些功能最熱門，我來告訴你

由於早期未規範實驗管理規範，兩個樣式的實驗並非同時開始：

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

最終統計的表現不一：

如果看4月7日10:00之後進入實驗的用戶數據，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，因此結論可信；

但如果看4月7日全天的數據，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，結論不可信；

此處也告訴我們：

1、進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，有的互聯網公司也叫空轉實驗。AA指的是實驗中的各個方案都是一致的。這麼做的目的是啥？這是為了測試埋點、分流、實驗統計的正確性，增加AB實驗的實驗結論可信度。

設命題1為：“如果實驗的埋點、分流和統計都沒有問題，那麼AA實驗中各個方案的數據表現一定一致”，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據表現存在顯著差異，則實驗的埋點、分流和統計肯定至少一項有問題。”也必定成立。

嚴格意義上講AA實驗的通過並不能證明上述三項（埋點、分流、統計）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實驗素養的團隊，一定會在AB實驗前佈置AA實驗。

4、實驗反轉

假如一個實驗佈置到線上第一天，方案A比方案B好，能否代表第二天，第三天的數據表現還是如此？

用戶進入到新方案中，很可能因為好奇而表現的更加活躍，但隨著時間推移，逐漸趨於冷靜，數據表現回到本該有的水平，如果實驗觀察期設置的過早，則容易得出錯誤的結論。反過來也如此，有的改版用戶很不習慣，但用了熟練之後發現比老版更便捷，數據會逐漸回暖。

另外一方面，做實驗的樣本量太少，也可能出現反轉，拋100次硬幣和拋100萬次硬幣正面的頻次很可能不一樣，根據大數定律，隨著隨機實驗的次數增加，隨機變量的頻次分佈趨向於其概率分佈。在這裡，假設實驗的第一天只有100個用戶進入，由於樣本量太少，實驗結果的隨機性太強，隨著天數增加，實驗樣本也增加，實驗結果可能會反轉。

一般情況下，我們不建議樣本量小於1000用戶的產品進行AB實驗，因為實驗結果很難得到保證。

5、延滯效應

記得我們在上化學實驗課時，老師一定是先讓你把試管洗乾淨吧？這麼做可不只是為了衛生。待實驗的化學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”，實驗結果當然不可信。上述說的問題就是carry over——延滯效應。

同樣在互聯網產品實驗中，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）進行實驗，這個實驗結束後團隊開始要進行一個新的實驗，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），此時實驗結果可信麼？00001-10000的用戶之前經歷過方案A，現在全部落在了方案A1上，10001-20000的用戶之前經歷了方案B，現在全部落在了方案B1上，也許在做第一個實驗前兩個用戶群是同質的，但做了第一個實驗後，這兩個群體已經不同質，要進行第二個實驗則必須採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，再切分出兩個同質人群進行第二個實驗，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.....

在國內的頂級互聯網公司BAT中，AB實驗已非常普遍，百度同時有上千個AB實驗並行，阿里巴巴和騰訊也有自己的AB實驗系統用以支持多業務大規模並行的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網公司發出提問。

本文首發自微信公眾號 友盟數據服務 （ID：umengcom），轉載請註明出處

數據智能 驅動品牌 / 業務持續增長

歡迎點擊：【友盟+】官網 瞭解更多解決方案

歡迎搜索：www.umeng.com 瞭解更多解決方案

閱讀更多 友盟 的文章

關鍵字: 產品經理 訓練營 Facebook