1.什么是 AB 實驗?

AB 實驗是為了驗證某一個產(chǎn)品能力或者策略的好壞，制作兩個（A/B）或多個（A/B/n）版本，在同一時間維度，分別讓組成成分相同（相似）的訪客群組（目標(biāo)人群）隨機(jī)的訪問這些版本，收集各群組的用戶體驗數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，并且結(jié)合統(tǒng)計學(xué)原理，分析評估出最好版本正式采用。

通過 AB 實驗前置的驗證收益，使決策有據(jù)可依。同時也可以利用 AB 實驗分流出小部分流量進(jìn)行測試，防止錯誤決策對整體用戶產(chǎn)生負(fù)面影響。

2 為什么要引入 AB 實驗

價格系統(tǒng)作為基礎(chǔ)的公共服務(wù)，是需要滿足各業(yè)務(wù)方的不同應(yīng)用場景下的報價需求，提供不同場景下不同類型的報價能力。 

同時，我們會針對各自的需求，去選擇合適的報價方式，制定不同的報價策略，當(dāng)市場價格出現(xiàn)變動，業(yè)務(wù)需求或目標(biāo)及運營策略發(fā)生改變時，我們也需要進(jìn)行調(diào)整，這種調(diào)整可能是策略上的調(diào)整、報價方選擇的調(diào)整、算法模型的調(diào)整；也可能是新增報價策略、報價方式或引入新的算法模型。

但價格對于各使用業(yè)務(wù)方來說大多數(shù)情況下是敏感的，有些調(diào)整和改變，我們事先是不能夠明確知道，到底能不能給業(yè)務(wù)帶來正向的收益或達(dá)到預(yù)期的目標(biāo)及效果，也很有可能出現(xiàn)未預(yù)知的負(fù)面結(jié)果。

所以我們不能全部簡單粗暴的進(jìn)行大規(guī)模的應(yīng)用，而是需要建立在數(shù)據(jù)基礎(chǔ)上的思維方式，通過數(shù)據(jù)反饋會告訴我們做出的決策好不好，哪里有問題，以及衡量可以帶來多少確定性的增長。

而 A/B-test 正是我們進(jìn)行決策驗證的一個“利器”。

另外從產(chǎn)品研發(fā)流程來看，基于 AB 實驗的研發(fā)流程相比傳統(tǒng)產(chǎn)品的研發(fā)流程，其優(yōu)勢也是全方位的。

3 如何進(jìn)行 AB 實驗

A/B 實驗可以看作一個“無盡”的學(xué)習(xí)環(huán)，不斷的通過業(yè)務(wù)驅(qū)動做迭代，數(shù)據(jù)驅(qū)動做決策。通過提出假設(shè)、定義成功指標(biāo)、檢驗假設(shè)（A/B 實驗）、分析學(xué)習(xí)、發(fā)布、建立另一個假設(shè)，這就形成一個完整的閉環(huán)，通過多輪實驗迭代，使策略趨于更優(yōu)。

A/B 實驗流程：

3.1 提出假設(shè)

實驗的第一步就是明確實驗需求產(chǎn)生的背景以及實驗?zāi)繕?biāo)，即我們希望借助實驗驗證什么猜想假設(shè)達(dá)到什么樣的目標(biāo)，并且我們需要從用戶角度以及數(shù)據(jù)角度去論證假設(shè)的結(jié)果。

這里我們需要先對總體均值提出一個假設(shè)，然后用樣本信息去檢驗這個假設(shè)是否成立。我們把提出的這個假設(shè)叫做原假設(shè)，與原假設(shè)對立的結(jié)論叫做備擇假設(shè)，如果原假設(shè)不成立，就要拒絕原假設(shè)，進(jìn)而接受備擇假設(shè)。

3.2 定義評價指標(biāo)

評價指標(biāo)是用于評估實驗結(jié)果的各項指標(biāo)數(shù)據(jù)，因為實驗的效果主要是通過實驗指標(biāo)來判斷的，所以對于評價指標(biāo)的一個基本要求就是，評價指標(biāo)要能反映實驗者的意圖，并且可測、易測。

在選取指標(biāo)時，從指標(biāo)重要程度來看，指標(biāo)可以分為主要指標(biāo)、次要指標(biāo)和護(hù)欄指標(biāo)三類：

主要指標(biāo)：需要優(yōu)化的目標(biāo)指標(biāo)，決定這個實驗的最終發(fā)展方向，主要由實驗的目標(biāo)來選擇； 

次要指標(biāo)：次要指標(biāo)可以從多個角度反映實驗策略的效果，輔助進(jìn)行全量決策。

護(hù)欄指標(biāo)：用于輔助保障 A/B 測試的質(zhì)量，衡量 A/B 測試是否符合業(yè)務(wù)上的長期目標(biāo)，不會因為優(yōu)化短 期指標(biāo)而打亂長期目標(biāo)，防止發(fā)生“撿芝麻掉西瓜”的情況。

3.3 實驗設(shè)計

3.3.1 選取實驗單位

首先要知道分流指的是我們直接將整體流量切割為幾塊，每個流量只能在一個實驗中。AB 實驗的核心思想在于尋找兩組同質(zhì)且與大盤類似的小流量對象群體，通過觀察不同策略在這兩組同質(zhì)對象群體上的表現(xiàn)，來預(yù)估策略應(yīng)用到全量后的效果。

因此，如何合理的分流找到這樣的對象群體，則成為了影響 AB 實驗評估準(zhǔn)確性的關(guān)鍵因素。

這里需要注意分流對象與隨機(jī)單元，分流對象是需要根據(jù)核心指標(biāo)來確定的根據(jù)什么來進(jìn)行分流；隨機(jī)單元就是 AB 實驗要達(dá)到隨機(jī)的最小單元。

3.3.2 計算樣本量

從理論上講，樣本量越多越好，因為當(dāng)樣本數(shù)量很少的時候，實驗容易被新的樣本點帶偏，造成了實驗結(jié)果不穩(wěn)定，難以得出確信的結(jié)論。相反的，樣本數(shù)量變多，實驗說服性也更強(qiáng)。但是在現(xiàn)實操作中，樣本量應(yīng)該越少越好，這是因為：

流量有限：大公司因為用戶數(shù)量足夠多，同時跑幾十個甚至上百個實驗也沒問題。但小公司流量有限，還要持續(xù)對產(chǎn)品進(jìn)行迭代。在保證不同實驗的樣本不重疊的情況下，產(chǎn)品迭代的速度會大大降低。 

試錯成本大：如果使用 50%的流量進(jìn)行實驗，一周后結(jié)果表明實驗組的總收入下降了 20%。算下來，實驗在一周內(nèi)給整個公司帶來了 10%的損失。試錯成本太高。

在計算樣本量時有兩種情況，一種是均值，一種是比率，兩種情況計算方式有所差異：

均值：

比率：

我們根據(jù)自己有的數(shù)據(jù)帶入公式就能計算出所需樣本量了。

3.3.3 流量分割

確定好實驗流量之后,就可以制定分流策略將實驗流量劃分到對照組和不同的實驗組中

確保在實驗前分出無差別的實驗組和對照組，避免因流量分配不平衡導(dǎo)致的 AB 群組差異過大，最終造成對于實驗結(jié)果的誤判，在進(jìn)行 AB 實驗之前我們需要保證實驗的分流是均勻的，一般實踐中，主要采取 AA 空跑的方式來驗證：

AA 空跑：針對選定的實驗組和對照組，在上實驗策略前先空跑一段時間。如果空跑期的樣本量和各項指標(biāo)均無顯著差異，則認(rèn)為實驗分流是均勻的。這種方式的缺點是需要空跑期，會延長實驗所需時間。（分流也可以前置在隨機(jī)分流時觀測兩組歷史數(shù)據(jù)的差異，差異大建議重新分流）

3.3.4 實驗周期計算

實驗周期的設(shè)定是個權(quán)衡的問題，一方面，我們希望有足夠多的流量，保證實驗策略可以充分體現(xiàn)出來；另一方面，也希望縮短實驗周期、提升迭代效率、降低實驗風(fēng)險。

在評估周期的時候，有兩點需要格外注意！！！

其一：周期效應(yīng)。考慮到用戶在周中和周末的表現(xiàn)存在差異，因此實驗周期最好跨越一周，消除不同時間周期實驗效果的不同。

其二：新奇效應(yīng)。策略的調(diào)整對于用戶而言，是從陌生到熟悉的過程，而在陌生階段，往往會有一些不真實的表現(xiàn)，因此最好等實驗指標(biāo)趨于平穩(wěn)之后再進(jìn)行評估。

4 進(jìn)行分流實驗埋點上報

進(jìn)行實驗分流階段其實就是按照事先設(shè)計好的實驗計劃進(jìn)行線上執(zhí)行,但需要注意的是需要驗證實驗進(jìn)行是否符合預(yù)期的設(shè)定。

實驗過程中會將實驗標(biāo)識標(biāo)記到每個實驗流量請求的日志中用于記錄，然后數(shù)據(jù)計算系統(tǒng)根據(jù)帶有實驗標(biāo)記的日志計算用戶的各種實驗數(shù)據(jù)指標(biāo)，最終用于產(chǎn)出分析報表。

如發(fā)現(xiàn)實驗過程中出現(xiàn)異常情況應(yīng)及時預(yù)警進(jìn)行處理或回退。

5 實驗結(jié)果分析(假設(shè)驗證)并決策

實驗結(jié)束后，我們基于實驗樣本進(jìn)行數(shù)據(jù)統(tǒng)計，進(jìn)而驗證實驗前假設(shè)的正確性，我們得出這一有效結(jié)論的科學(xué)依據(jù)便是假設(shè)檢驗。

假設(shè)檢驗是利用樣本統(tǒng)計量估計總體參數(shù)的方法; 對于原假設(shè)提出的命題，我們需要作出判斷，要么原假設(shè)成立，要么原假設(shè)不成立。因為基于樣本對總體的推斷，會面臨著犯兩種錯誤的可能：第一類錯誤，原假設(shè)為真，我們卻拒絕了；第二類錯誤，原假設(shè)為偽，我們卻接受了。

顯然，我們希望犯這兩類錯誤的概率越小越好，但對于一定的樣本量 n，不能同時做到犯這兩類錯誤的概率很小。

在假設(shè)檢驗中，就有一個對兩類錯誤進(jìn)行控制的問題。一般來說，哪一類錯誤所帶來的后果嚴(yán)重、危害越大，在假設(shè)檢驗中就應(yīng)該把哪一類錯誤作為首要的控制目標(biāo)。

在假設(shè)檢驗中，我們都執(zhí)行這樣一個原則，首先控制犯第一類錯誤的概率。這也是為什么我們在實際應(yīng)用中會把要推翻的假設(shè)作為原假設(shè)，這樣得出的結(jié)論更具說服力（我們有足夠充分的證據(jù)證明原來確定的結(jié)論是錯誤的），所以通常會看到，我們把要證明的結(jié)論作為備擇假設(shè)。

5.1 T檢驗

常見的假設(shè)檢驗方法有 Z 檢驗、T 檢驗和卡方檢驗等，不同的方法有不同的適用條件和檢驗?zāi)繕?biāo)。

Z 檢驗和 T 檢驗都是用來推斷兩個總體均值差異的顯著性水平，具體選擇哪種檢驗由樣本量的大小、總體的方差是否已知決定。

在樣本量較小且總體的方差未知的情況下，這時只能使用樣本方差代替總體方差，樣本統(tǒng)計量服從 T 分布，應(yīng)該采用 T 統(tǒng)計量進(jìn)行檢驗。T 統(tǒng)計量具體構(gòu)造公式如下圖所示，其中 f 是 T 統(tǒng)計量的自由度，S1、S2 是樣本標(biāo)準(zhǔn)差。

T 檢驗的流程是，在給定的棄真錯誤概率下（一般取 0.05），依據(jù)樣本統(tǒng)計量 T 是否落在拒絕域來判斷接受還是拒絕原假設(shè)。實際上在確定棄真錯誤概率以后，拒絕域的位置也就相應(yīng)地確定了。

使用 T 統(tǒng)計量進(jìn)行判斷的好處是，進(jìn)行決策的界限清晰，但缺陷是決策面臨的風(fēng)險是籠統(tǒng)的。

例如 T=3 落入拒絕域，我們拒絕原假設(shè)，犯棄真錯誤的概率為 0.05；T=2 也落入拒絕域，我們拒絕原假設(shè)，犯棄真錯誤的概率也是 0.05。

事實上，依據(jù)不同的統(tǒng)計量進(jìn)行決策，面臨的風(fēng)險也是有差別的。為了精確地反映決策的風(fēng)險度，我們?nèi)匀恍枰?P 值來幫助業(yè)務(wù)來做決策。

5.2 利用 P 值決策

P 值是當(dāng)原假設(shè)為真時，所得到的樣本觀察結(jié)果或更極端的結(jié)果出現(xiàn)的概率。如果 P 值很小，說明這種情況發(fā)生的概率很小，但是在這次試驗中卻出現(xiàn)了，根據(jù)小概率原理，我們有理由拒絕原假設(shè)，P 值越小，我們拒絕原假設(shè)的理由越充分。

P 值可以理解為犯棄真錯誤的概率，在確定的顯著性水平下（一般取 0.05），P 值小于顯著性水平，則拒絕原假設(shè)。

5.3 基于假設(shè)驗證的科學(xué)評估

圍繞著科學(xué)評估要解決的兩個問題，實驗前，針對圈定的流量使用假設(shè)檢驗，通過 AA 實驗確保分出無差別的實驗組和對照組；

實驗后，基于實驗前選定的用于驗證假設(shè)結(jié)論的指標(biāo)，構(gòu)造 T 統(tǒng)計量并計算其對應(yīng)的 P 值，依據(jù) P 值幫我們做決策。

5.4 決策

實驗結(jié)果分析,假設(shè)驗證后就進(jìn)入了決策階段，根據(jù)實驗分析結(jié)果決定是否繼續(xù)優(yōu)化實驗策略再次實驗或終止實驗或進(jìn)入實驗放量階段。

如果進(jìn)入實驗放量階段，需要綜合考慮三個因素：效率、質(zhì)量、風(fēng)險。對于一個實驗，我們希望在評估正向的前提下，盡快上線。但往往由于策略 bug、新功能不符合預(yù)期、用戶體感不好等問題，使得在放量階段需要更加的謹(jǐn)慎，以下為一個標(biāo)準(zhǔn)的放量流程：

第一階段：小流量階段

此階段銜接在小流量評估后，整體放量比例控制在（5%）以下，評估實驗是否對指標(biāo)有負(fù)向影響。同時驗證策略的觸發(fā)，以及排查是否存在潛在風(fēng)險。在無風(fēng)險的前提下，一般建議持續(xù) 3-5 日左右，進(jìn)入下一個階段。

第二階段：放量階段

這個階段，隨著樣本量的逐漸放開，實驗的結(jié)果也會更加精準(zhǔn)；與此同時，伴隨而來可能會出現(xiàn)流量壓力等問題的發(fā)生，因此在此階段需要跟進(jìn)放量，觀察是否有出現(xiàn)問題。逐級放量建議持續(xù)至少一周，以觀測周中和周末的影響。

第三階段：長期存放階段

針對部分實驗，如果希望長期觀測實驗效果，可以保留 5%以下的原始策略，作為「反轉(zhuǎn)桶」。

6 總結(jié)

AB測試不能解決所有的問題，但是仍然不失為衡量線上優(yōu)化迭代的最有效方式之一。可衡量的實驗?zāi)繕?biāo)、有效的實驗分流、實驗結(jié)果的正確解讀是AB測試成功的關(guān)鍵。

關(guān)于作者：王夢龍，轉(zhuǎn)轉(zhuǎn)研發(fā)技術(shù)部軟件工程師