精细化用户增长案例（7）：你真的搞明白ABtest了么？我看未必！

ABtest越来越受到大家的重视，快速的、灵活的快速对比实验能迅速的找出问题所在，避免了大范围的资源浪费。所以设计一个好的实验是至关重要的。

一、A/B 测试是什么

简单来说，A/B测试在产品优化中的应用方法是：在产品正式迭代发版之前，为同一个目标制定两个（或以上）方案，将用户流量对应分成几组，在保证每组用户特征相同的前提下，让用户分别看到不同的方案设计，根据几组用户的真实数据反馈，科学的帮助产品进行决策。

A/B测试的应用方式决定了它拥有的三大特性：先验性、并行性和科学性。

先验性： A/B测试其实是一种“先验”的试验体系，属于预测型结论，与“后验”的归纳性结论差别巨大。同样是用数据统计与分析版本的好坏，以往的方式是先将版本发布，再通过数据验证效果，而A/B 测试却是通过科学的试验设计、采样样本代表性、流量分割与小流量测试等方式来获得具有代表性的试验结论，这样就可以用很少的样本量就能推广到全部流量可信。

并行性： A/B测试是将两个或以上的方案同时在线试验，这样做的好处在于保证了每个版本所处环境的一致性，便于更加科学客观地对比优劣。同时，也节省了验证的时间，无需在验证完一个版本之后再测试另一个。

科学性： 这里强调的是流量分配的科学性。A/B 测试的正确做法，是将相似特征的用户均匀的分配到试验组中，确保每个组别的用户特征的相似性，从而避免出现数据偏差，使得试验的结果更有代表性。

二、A/B 测试的使用误区

误区一：轮流展现不同版本

首先需要明确，这种做法不是真正意义上的A/B测试。而这一现象，经常出现在如今的 广告投放 的环节。广告主为了提升着陆页的转化率，会选择将不同的广告版本进行轮流投放展示。

但这一做法并不能保证每个版本所处的环境相同，例如选在工作日的晚七点黄金档和下午三点时段，受众群体会有明显区别，以至于最终效果是否有差异，甚至导致效果不同的原因是很难下定论的。

正确做法： 不同版本方案并行（同时）上线试验，尽可能的降低所有版本的测试环境差别。

误区二：选择不同应用市场投放（随机选取用户测试）

对于一些已经意识到数据先验重要性的企业来说，为了验证新版本对于用户使用真实影响，可能会选择将不同版本打包，分别投放到不同的应用市场，当发现其中某版本的数据表现的最好，就决定将该版本全量上线。

更有甚者，会随机选取一部分用户（甚至是公司内部人员）进行前期试用，根据数据反馈决定迭代版本。这都违背了A/B测试的科学流量分配的原则，很容易造成辛普森悖论（即某个条件下的两组数据，分别讨论时都会满足某种性质或趋势，可一旦合并起来考虑，却可能导致相反的结论）。

正确做法： 科学的进行流量分配，保证每个试验版本的用户特征相类似。

误区三：让用户自主选择版本

不少企业会在新版的页面上留下返回老版本的入口，让用户自主选择使用哪一版，通过收集返回按钮的点击率来判断最佳版本。但该思路不利于统计分析用户在新版的行为数据，因为用户离开新版本可能单纯是因为习惯使用老版本，而不是认为新版本的体验不好，最终导致了试验结果的不准确。

正确做法： 让用户展现对不同版本的真实使用体验，企业则应实时关注各版本的数据表现，并根据数据反馈及时调整试验流量。

误区四：对试验结果的认知和分析过浅

这一误区又包括了两个不同的内容：

其一，认为只有当试验版本结果优于原始版本时，试验才算成功。事实上，A/B 测试是用于选择最佳版本的工具。试验可能出现的结果分为三种：试验版本有提升（试验版本最佳）、无明显差异（两版本均可）、试验版本的表现比原始版本糟糕（原始版本最佳），这三种结果其实都说明了试验的成功。

其二，单从试验的整体数据结果，就推论所有场景的表现效果。例如，当A/B测试的结果表明试验版本的数据差于原始版本时，就认定所有的地区或渠道的效果都是负面的。

但如果细分每个版本中不同浏览器的数据，可能会发现：由于某一浏览器的明显劣势，导致整体试验数据不佳。因此，不要只专注于试验数据的整体表现，而忽略了细分场景下可能导致的结果偏差。

正确做法： 在分析试验整体数据的同时，需要从多个维度细分考量试验数据结果

三、A/B 测试可以用在哪里

尽管A/B 测试可以弥补产品优化中遇到的不足，但它并不完全适用于所有的产品。因为A/B 测试的结果需要大量数据支撑，日流量越大的网站得出结果越准确。通常来说，我们建议在进行A/B测试时，能够保证 *每个版本的日流量在1000个UV以上* ，否则试验周期将会很长，或很难获得准确（结果收敛）的数据结果推论。

说完什么样的产品适合用A/B 测试，接下来我们将从优化内容和应用场景两个方面说明A/B测试可以用在哪些地方，希望能给你一些启发。

优化内容

*产品UI*

不同行业的产品需要不同的风格，同时还要与企业的品牌相得益彰。利用A/B 测试优化UI能给用户带来更好的交互体验和视觉感受。

*文案内容*

顾名思义是指用户阅读到的文字内容，它贯穿一个产品的所有部分，小到图片配文和按钮文字，大到文章标题甚至版块主题。这些部分都可以尝试变换文案内容，测试不同方案的数据效果。

*页面布局*

有些时候，可能根本不需要对产品的UI或是文案内容作出调整，只是在布局排版上的改变，就可以出现增长的效果。

*产品功能*

想给产品增加一个新功能，可是很难确定是否能达到用户的预期，如果盲目上线，可能会造成一些损失。使用A/B 测试，对你的用户真正负责。 例如：社交类产品在付费查看照片的新功能正式上线前，需要进行A/B 测试，以验证功能的使用情况和效果。

*推荐算法*

包括基于内容的推荐算法（根据用户的历史记录推荐相似内容）、基于协同过滤的推荐算法（根据有相似兴趣用户的行为推荐相关内容）、基于关联规则的推荐算法（根据内容本身的相关性给用户推荐），最终提高用户使用黏性。

四、应用场景

*广告着陆页*

着陆页作为互联网营销中流量的承接和转化的关键步骤，如何让访客在看到广告（或营销页面）后点击进入着陆页，并继续保持对您的产品或服务的兴趣，乃至产生好感，最终完成注册、购买、分享等转化行为是十分重要的。A/B测试能够帮助你最大化你的营销ROI。

*Web/H5 页面*

除广告营销的传播外，产品的官网页面（不论是PC端还是移动端）始终是用户了解产品的重要渠道。因此，如何让用户更好的了解产品信息，激发用户产生进一步行为意愿，从而得到更高的注册率、购买率、下载率等，是Web端页面优化的首要目标。利用A/B测试，可以在较少的成本支出下，找到页面的最佳展现方法。

*APP用户体验*

随着C端用户的海量进入，产品的复杂度越来越高，新版本的决策风险也急剧提升，保持产品核心业务数据稳步增长是每个App的版本目标，通过A/B测试在每个版本正式发布之前验证版本的数据表现，让每次迭代都能得到确定性增长。

*媒体广告投放与管理*

对于媒体和广告技术公司而言，可以通过A/B测试实现由设计与数据驱动的创新性广告产品的优化。

一方面借助测试可以优化广告投放效果和广告资源填充率，以达到提升广告单价的目标；另一方面还能衡量现有广告产品对用户体验的影响，通过不断提高用户体验的广告产品，从而驱动更高的移动广告业务收入。

灰度发布

目前产品优化迭代的方式，通常是直接将某版本上线发布给全部用户，一旦遇到线上事故（或BUG），对用户的影响极大，解决问题周期较长，甚至有时不得不回滚到前一版本，严重影响了用户体验。A/B测试通过给小批量用户发放版本，有效减少全用户发生线上事故/重大BUG的概率，绝大多数用户对BUG无感知，最大程度保证了用户的良好体验。

五、总结

ABtest适用于用户量比较大的产品类型，提供的只是我们的一种工作思路，并不是神一样的存在，既不能高估也不能低估。

#相关文章#

精细化用户增长案例（1）：低频高客单长决策下的优惠券玩法

精细化用户增长案例（2）：教育行业转介绍裂变活动，分类分层降成本

精细化用户增长案例（3）：高频低客单快决策下的零售优惠券发放策略

精细化用户增长案例（4）：事件、留存、漏斗分析方法是什么？

精细化用户增长案例（5）：坑位运营中的产品优化策略

作者：白高粱；公众号：白高粱

本文由 @白高粱 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自Unsplash，基于CC0协议

作者暂无likerid, 赞赏暂由本网站代持，当作者有likerid后会全部转账给作者（我们会尽力而为）。


Support author:
Author's Filecoin address:
Or you can use Likecoin to support author: