中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

?編輯導語：AB測試這項技術最早被應用于美國的互聯網市場，進入國內市場也不過6、7年時間。2000年左右，以谷歌為首的互聯網企業開始采用AB測試的方法，運用數據幫助企業做決策管理，降低試錯成本，促進業務增長。2010年以后，AB測試開始出現產品化的趨勢，并成為企業決策的一項重要工具。

今天和大家分享一下關于AB測試的基礎知識。

一、AB測試是什么

互聯網行業變化很快，很多產品的迭代速度都是按周甚至是按天來的。無論是產品的優化方向，還是決策的制定，都需要有數據來說話。

目前，大部分產品迭代的方式，是直接將某版本發布給全部用戶。一旦遇到線上BUG或者數據效果不好，就不得不緊急修復或者功能優化，有時甚至需要回滾到前一版本。

這對用戶體驗、項目進度影響是很大的，如何能解決這個問題呢？

AB測試能很好的避免這個問題。所謂AB測試，就是在正式發版上線前，將用戶流量對應分成幾組，讓用戶分別看到不同的方案設計，根據幾組用戶的真實數據反饋，進行數據效果的校驗。

如果新版本數據呈現沒問題，再考慮將新版本向全量放開，從而可以有效減少線上全用戶發生事故的概率，提升用戶體驗。簡單理解，其實就是初中學的對照試驗。一組是對照組，一組是實驗組。

哪些場景比較適合進行AB測試呢？

二、AB測試的應用場景

AB測試通常用在以下幾個場景：

1. UI的優化

這是比較常見的場景。

不像功能的設計，存在著很多邏輯上的思路，經常還是可以確定哪種方案好，哪種方案不好。UI的優化，往往是很“藝術”層面的。往往看到真實數據前，誰也難以說明哪種設計能帶來更好的數據效果。如下圖：

上圖就是一個顏色的變化，這種情況下比較適合通過AB測試完成最終方案的確定。

2. 文案變化

這個其實和UI層面的優化很類似。同一個按鈕，叫【現在申請】還是【立刻申請】呢？

如何決策，還是交給AB測試吧~

3. 頁面布局

頁面布局，主要指的是同頁面中的不同元素的排列方式。

4. 算法優化

算法優化，應該也是AB測試的一個重要場景。

上線前的算法，基本都是基于歷史數據進行算法模型的訓練、搭建。在本地模型效果再好，上線后也不一定有良好的表現。只有線上才是檢驗算法效果的決定性標準。

但誰也不能確保上線后的效果吧？那這時先用小流量做一些AB測試，是非常不錯及通用的選擇。

三、流量分配

AB測試的基礎概念也講了一些，其中很重要的一個概念就是用戶流量分組。實際落地時，是按照一定的規則，讓用戶隨機訪問某個版本，那具體該如何進行流量的分配呢？

關于流量分配，主要的要點有兩個：同層互斥分配和分層流量正交。

1. 同層互斥分配

每個分層都擁有全部流量。在同一個分層中，多個試驗共用100%的流量，試驗之間流量互斥。例如在同一分層中，試驗1占用了40%流量，則試驗2最多只可使用60%流量，以此類推。

有以下示意圖：

當同時運行多個試驗時，如果希望試驗結果盡可能精確，需要確保試驗之間互不干擾，則建議將試驗建立在同一分層，同一個用戶只會進入該分層中的一個試驗。

2. 分層流量正交

分層意為復用用戶流量，如果驗1和試驗2使用不同的分層，則試驗1和試驗2均可分配最多100%的流量。在此情況下，同一個用戶將會同時進入試驗1和試驗2。

當兩個試驗處于不同層時，需要確保試驗內容互不相關，否則將會干擾試驗數據。

目前平臺中的每個實驗，獨立為一個實驗層，一份流量穿越每層實驗時，都會隨機打散再重組，保證每層流量數量相同。

舉個例子：假設我現在有2個實驗，實驗A（實驗組標記為版本A1，對照組標記為版本A2）分布于實驗層1，取用該層100%的流量；實驗B（實驗組標記為B1，對照組標記為B2）分布于實驗層2，也取用該層100%的流量（要注意，實驗層1和實驗層2實際上是同一批用戶，實驗層2只是復用了實驗層1的流量）。

如果把A1組的流量分成2半，一份放進B1組，一份放進B2組；再把A2組的流量也分成2半，一份放進B1組，一份放進B2組。那么兩個實驗對于流量的調用就會如下圖所示。此時實驗A和實驗B之間，就形成了流量“正交”。

關于AB測試，今天就先分享這些。下篇文章將分享一下行業中AB測試系統的調研，看看各大廠商是如何將AB測試產品化的。

本文由 @冬至 原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。