小编简介：AB测试技术最早应用于美国互联网市场，仅用了6-7年时间就进入国内市场。 2000年左右，以Google为首的互联网公司开始实施AB测试技术，利用数据帮助企业管理决策，降低试错成本，推动业务增长。 2010年以来，AB测试开始呈现商业化趋势，成为企业决策的重要工具。
这次我想谈谈AB测试的基础知识。
1、什么是AB测试？ 互联网行业瞬息万变，很多产品每周甚至每天都会重复。无论是产品优化方向还是决策，都需要数据来说话。
目前大多数产品迭代方式都是直接向所有用户发布特定版本。当线上出现bug或者数据性能下降时，急需修复或者优化功能，有时需要回滚到之前的版本。
这对于用户体验和项目进度都有着巨大的影响，但是这个问题如何解决呢？
AB测试可以帮助您避免这个问题。所谓AB测试，就是在正式发布开始之前，将用户流量分成几组，每个用户审查不同的程序设计，根据多个用户组的真实数据反馈来评估数据有效性的测试。核实。
如果您对新版本中的数据感到满意，请考虑向所有用户发布新版本。这有效地降低了事故发生的几率，提高了所有在线用户的用户体验。简单来说，这其实是一个初中的对照实验。一组是对照组，另一组是实验组。
哪些场景适合AB测试？
2. AB 测试应用场景AB 测试通常用于以下场景：
1.UI优化这是一个比较常见的场景。
与功能设计不同，它有很多逻辑想法，你通常可以决定哪些解决方案是好的，哪些是坏的。 UI优化往往非常“艺术化”。在看到实际数据之前，任何人往往很难解释哪种设计会产生更好的数据效果。如下所示：
上图显示了颜色变化，但在这种情况下最好通过AB测试来完成最终的解决方案。
2、文案改动其实和UI层面的优化非常相似。同一个按钮的名称是“立即申请”还是“立即申请”？
让我们通过AB测试来决定吧。
3、页面布局页面布局主要是指同一页面上不同元素的排列方式。
4.算法优化算法优化也是AB测试的一个重要场景。
在上线之前，算法本质上是基于历史数据进行训练和构建的。无论您的本地模型有多好，一旦上线，性能都可能会下降。在线是测试算法有效性的唯一明确标准。
但上线后的效果没人能保证吧？目前，以少量流量运行AB 测试是一个非常好的且通用的选择。
3.流量分布我们还将介绍AB测试的基本概念，但最重要的概念之一是对用户流量进行分组。在实际应用中，用户会按照一定的规则随机访问某个版本，但是流量应该如何分配呢？
流量分配有两个要点：同层流量的互斥分配和分层流量的正交性。
1.同一层的互斥分配每层拥有所有流量。在同一层，多个实验100%共享流量，实验之间流量互斥。例如，在同一层，如果测试1使用了40%的流量，那么测试2最多只能使用60%的流量。
我有一个这样的示意图：
同时运行多个实验时，为保证测试结果尽可能准确，且实验之间互不干扰，建议实验建立在同一层并由同一用户运行。在此层中仅输入一个实验。
2、流量分层的正交分层是指用户流量的复用。如果测试1 和测试2 使用不同的层，则测试1 和测试2 都可以分配最多100% 的流量。在这种情况下，同一用户将同时参与试用1 和试用2。
如果两个测试处于不同级别，则需要确保测试内容彼此不相关。否则会对测试数据产生干扰。
当前平台中的每个实验都是一个独立的实验层，当流量经过实验的每一层时，会随机分布和重组，使每一层的流量相同。
示例：假设您当前有两个实验。实验A（实验组标记为版本A1，对照组标记为版本A2）分配到实验层1，并接收该层100%的流量。 B（实验组标记为版本A2）分配到实验层2（标记为B1，对照组标记为B2）并且也使用该层100%的流量（实验层（1和实验层2实际上是同一组用户） ；实验第2 层只是重用实验第1 层流量）。
如果将A1组的流量分成两半，一部分放在B1组，另一部分放在B2组，A2组的流量也会分成两半，一部分放在B2组。 B1组，其余部分放在B2组。其他部分放在B2组。在这种情况下，两个实验的流量调用将如下图所示。此时，实验A和实验B之间的流量是“正交的”。
今天我想首先分享AB测试。在接下来的文章中，我们将分享我们对行业AB测试系统的研究，并看看领先的制造商如何将AB测试商业化。
本文由@冬至发表在《人人都是产品经理》上，未经作者许可，不得转载。
标题图片来自Unsplash，并获得CC0 许可。
【ab 测试，ab测试举例】相关文章：