随着企业对数据越来越重视，A/B测试已被广泛应用于各类场景、各类职能中寻找突破口寻找增长机会，降低投入风险

什么是A/B测试？

A/B测试是一种通过一些客观指标，对比不同方案来衡量哪种效果更佳路径的评估方式，其优势在真实环境，通过部分用户产生的用户行为数据和业务数据，验证不同的设计方案，最后分析、评估出最优方案再加以正式应用

A/B测试的场景不胜枚举，那么如何进行科学的A/B测试？原味提供两个关键点：分群和评估，接下来用7步法来锁定A/B测试评估策略

第一步：A/B测试策略制定

A/B测试永远是基于策略出发的，在有明确的策略后，才能够找到验证策略是否有效的用户群，并且用合理的指标去做评估分析

在这个步骤，通常会经历策略提出、策略打分、策略确定三个步骤

不管是哪种应用场景，在A/B测试策略制定这一步每个人都会有自己的想法，这就导致会产生许多策略，但不必将每个策略都作为实验组上线测试，否则在前期的物料准备、方案实现等环节会花费巨大的成本

团队内部做决策时可以使用ICE模型对各项指标进行打分，然后通过每个策略的三个因子的分数加总，找到得分最高的几个策略进行A/B测试

第二步：测试目标（评估指标）选择

在策略评估中，评估指标是非常重要，那如何选择指标，这里需要以OSM模型为基础，从大目标（O）出发，找到能够达到该目标的策略（S），用合理的指标（M）去追踪策略是否能够达成业务目标

在测试过程中预估实验样本量也需要控制好

①若样本数量太少，产生的结果容易受到异常样本的干扰，导致结果不具备通用性

②若样本数量太大，测试流量过多，就会造成试错成本的增加，会影响后期的判断

在测试过程中预估实验周期性也需要控制好

①若测试时间太短，没有足够的样本进入实验组，难以得出有效结论

②若测试时间太长，就会产生维护线上多个版本的成本，难控制局面

这里推荐个测试AB测试工具-A/B测试样本计算器，输入相关参数即可预估测试实验转化后的数据，这里有根据自身节奏调整样本数：

影响实验所需样本数的因素：

▲原版本的转化率

原版本的转化率较低，意味着信号更弱，需要样本数越多

▲新版本的转化率

预期和原版本的转化率差别越小，要求检测的敏感度就越高，因此需要的样本数越多

▲统计显著性要求

一般建议至少要求95%的统计显著，统计显著性要求越高，意味着对结果需要更确定，因此需要的样本数越多

（统计显著性：告诉实验者优化版本转化率与原始版本转化率相比，两者不同的概率有多大，也就是说，它能回答优化版本上的改变是否真的对转化率产生影响）

第三步：科学分流

A/B测试的分流是否均匀是影响实验结果的重要因素，一般分流的方式是基于用户ID或者设备ID等能够标识用户的唯一编码，通过算法将用户随机分到不同的“桶”里

⚪例如，有60个用户，获取这60个用户的ID，根据用户ID进行分流，将这60个用户随机均匀分散到6个桶中

完成分流后，需要做的就是根据实验要求从这些桶中选取对应的流量进入测实验组

A/B测试的基本原理是控制变量，在分流中需要确保样本平衡分布，即不同桶的人群特征是均匀分布的，不能实验分组时，实验A全是老人或实验B都是女生，这样测出的结论数据都会影响营销决策，无意义分流

第四步：A/A测试

为了确保样本的均匀分布，排除由于样本自身差异带来的影响，一般会在A/B测试前进行A/A测试，也可以在A/B测试中划出一部分流量同时进行A/A测试

A/A测试，顾名思义就是实验中下发的策略都是一致的

在此前提下，对比每组是否有显著差异，如果存在显著差异，那么在实验的分流、埋点或者数据统计中至少有一项必定存在问题，所以，A/A测试运营的意义就是增加A/B测试的实验结论可信度

一方面，发现用户识别问题及用户分流问题，及时修复，确保数据的准确性

另一方面，排除样本用户的属性干扰，保证用户特征分布一致，确保实验差异仅由变量造成

用影视会员产品转化率的例子来解释A/A测试，下图是影视会员产品付费页的付费转化率项目的A/A测试结果

排查时发现是对用户的唯一识别出现了问题，修正后接着进行A/A测试，最后各组用户的差异不显著，可以认为用户特征分布基本一致

第五步：策略投放

在企业真实环境中，会有很多A/B Test实验，所以策略投放需要先判断不同实验之间的关系

①正交实验：实验之间相互不影响。例如，实验组1是测试不同按钮颜色的实验，实验组2是测试不同广告算法的实验，实验组1的按钮颜色是不会影响到实验组2广告算法的效果，所以实验组1和实验组2之间是正交实验

②互斥实验：实验之间存在相互影响。例如，实验1是测试温控限频策略对温度的影响，实验2是测试温控降亮度对温度的影响，实验1和实验2都会影响温度，所以实验1和实验2之间互斥

全局流量基本是固定的大小，不可能说划分的每个流量群体在同一时刻只开展一个实验，不然容易发生流量饥饿

所以在策略投放中需要合理的控制变量，选择好一个固定的北极星指标，随后将目标进行合理拆解细分目标，进行投放测试，选择最优路径策略来作为A/B测试的最终方案

第六步：数据监控

这块不细说了，因为每家公司的数据监控的工具都不同，有自己研发的数据测试看板或者第三方服务商提供的数据监控

AB测试的数据看板不必过于复杂，目的是快速展现各组的关键指标变化趋势及是否满足统计显著性

第七步：策略结果分析与执行

A/B测试结束后，通过数据看板可以确定本次测试是否具备显著性，也就是策略是否有影响

影响不一定都是正向影响，一般对于实验结果：显著大幅正向＞显著小幅正向＞显著负向＞没有统计显著性，对于负向显著的结果不要害怕，起码这个结果告诉我们不应该做哪些东西

完成一次A/B测试后，业务方需要将显著有效的策略放量，将其应用到更多人群中，并且找到该策略的优化点，进行迭代的A/B测试

对于显著无效的策略，需要分析无效的原因并进行策略迭代、调优

这样不断在原有结论的基础上持续进行A/B测试，每次测试都是上台阶的过程，随着测试的次数增长，带来的收益会持续增加，对团队的自信心也会逐渐上升，减少投入成本，实现迭代式增长