隨著Growth Hacking在中國的傳播和興起，作為增長黑客必殺技之一的A/B測試，也被越來越多的國內企業(yè)所接受和重視。然而，A/B測試看似簡單，實則隱藏著許多溝溝坎坎，稍不注意就會導致試驗結果偏離科學軌道。那么今天，我們就為大家一一細數那些年我們在A/B測試中踩過的坑。PS，文中包含大量真實案例，若能對號入座，請盡快修正試驗方案。
輪流展現(xiàn)不同版本
對于廣告主而言，找到最有價值的廣告投放渠道，提升著陸頁（landing page）的轉化率，從而對整個廣告投放流程進行優(yōu)化，無疑是最核心的優(yōu)化目標。采用A/B測試對不同版本的廣告和著陸頁進行測試，是一種很有效的優(yōu)化手段。也就是將不同版本的廣告和著陸頁同時投放，根據它們各自的數據表現(xiàn)，就可以判定哪一版更好。
而目前最常見的做法是，將不同版本的廣告進行輪流展示，比如谷歌Adwords系統(tǒng)中的測試功能，就是采用的這種方法。這種所謂的A/B測試（請注意，這種測試方法其實并不能被稱為真正意義上的A/B測試），就讓企業(yè)掉入了第一個陷阱。
舉個不太恰當的例子，如此的測試方法就好比在電視上投放廣告，分別選取了工作日的下午三點中和晚間黃金時段進行測試收集。由于輪流展示時的測試環(huán)境不盡相同，所面向的受眾群體更是千差萬別，因此最終試驗結束后的數據結果必然會存在一定偏差，也就更不具有說服性了。
正確的做法是：不同版本需要并行（同時）上線，并且盡可能的降低所有版本的測試環(huán)境差別，才能得到精準的數據結果，從而做出可信的決策。
選擇不同應用市場投放
在介紹這個誤區(qū)之前，必須先解釋一下什么是辛普森悖論。辛普森悖論是英國統(tǒng)計學家 E.H. 辛普森（E.H.Simpson）于1951年提出的悖論，即在某個條件下的兩組數據，在分別討論時都會滿足某種性質，可是一旦合并起來進行考慮，卻可能導致相反的結論。
什么樣的情況會造成辛普森悖論呢？一個很典型的應用場景：為了驗證新版本對于用戶使用真實影響，很多企業(yè)會選擇將不同版本打包，分別投放到不同的應用市場。當發(fā)現(xiàn)其中某版本的數據表現(xiàn)的最好，就決定將該版本全量上線。殊不知，當將全部應用市場整合起來進行統(tǒng)計，卻發(fā)現(xiàn)這個版本的表現(xiàn)差強人意，對核心數據產生了不利影響。
這里有一個真實的案例，某產品計劃在安卓客戶端上線一個新功能，于是先將不同版本以小流量投放在多個應用市場（例如豌豆莢、91助手等）。一段時間之后，測試結果都指向了其中一個版本。但其實，這些不同應用市場的用戶并不具有全用戶代表性，所以如果盲目將試驗選出的版本直接推送給全部用戶，就很容易因為辛普森悖論而出現(xiàn)完全相反的結果。
因此，避免這一大陷阱的正確做法是：將流量進行科學地分割，保證試驗組和對照組的用戶特征一致，且都具有全局代表性。
試驗結果不好就一竿子打死
上一個誤區(qū)講的是「以偏概全」，那么接下來我們要介紹的這個誤區(qū)則是「以全概偏」，也叫做區(qū)群謬誤。
在這個概念中，認為群體中的所有個體都有群體的性質。但如果僅基于群體的統(tǒng)計數據，就對其下屬的個體性質作出推論，那么得出的結論往往是不準確的。換句話說，當我們做了一次A/B測試后，發(fā)現(xiàn)試驗版本的數據結果并不理想，于是就認定所有的地區(qū)或渠道的效果都是負面的，那么我們就陷入了區(qū)群謬誤的陷阱。
作為國際短租平臺，搜索是Airbnb生態(tài)系統(tǒng)中很基礎的一個組成部分。Airbnb曾經做過一個關于搜索頁優(yōu)化的A/B測試，新的版本更加強調了列出的圖片，以及房屋所在位置（如下圖所示）。
在等待了足夠長的時間之后，試驗結果顯示新老版本的整體數據相差無幾，似乎這次優(yōu)化沒有很好的效果。如果此時，Airbnb直接根據整體的數據表現(xiàn)放棄了這次優(yōu)化，那么這個花費了很多精力設計的項目就會前功盡棄。
然而，Airbnb并沒有借此放棄。相反，經過仔細研究，他們發(fā)現(xiàn)除了IE瀏覽器之外，新版在其他不同瀏覽器中的表現(xiàn)都很不錯。當意識到新的設計制約了使用老版本IE的操作點擊后（而這個明顯為全局的結果造成了很消極的影響），Airbnb當即對其進行了修補。至此以后，IE恢復了和其他瀏覽器一樣的展示結果，試驗的整體數據增長了2%以上。
通過Airbnb的例子，我們能學到正確的做法是：在整體效果不太好的時候，不要一竿子打死，而需要從多個維度細分觀察個體的情況，以避免區(qū)群謬誤帶來的決策偏差。
“好奇害死貓”
一個好的產品必須要能夠激發(fā)用戶的好奇心，并在用戶的持續(xù)使用中對產品逐漸產生粘性，而不至于流失。但與此同時，我們需要時刻警惕好奇心理所帶來的數據偏差。
從心理學的角度來說，好奇心是個體遇到新奇事物或處在新的外界條件下所產生的注意、操作、提問的心理傾向。應用到A/B測試的場景中，當一個產品推出了新的功能或主頁，用戶在早期出于好奇心理，發(fā)生了過多的試探性點擊，從而推動了相關數據的增長。如果這時就以為用戶更青睞于優(yōu)化后的版本，直接全量上線，就很有可能忽視了用戶的真實喜好。
所以，正確的做法是：適當延長試驗的運行時間，觀察試驗數據的走勢是否持久穩(wěn)定，消除用戶的好奇心給結果帶來的偏差。
反復檢驗，區(qū)間一收斂就喊停
在反復檢驗中，我們提到了p-value的概念，它可以作為區(qū)間收斂結果顯著的一個參考。通常情況下，p=0.05是常用的顯著值。于是，我們會自然而然的認為當p達到這個值時，就可以得到顯著的結果。不過事實真是這樣嗎？可以看看下面這個案例。
Airbnb還做過另一個試驗，他們將搜索頁上的價格過濾器的上限從300調大到了1000，想知道預訂數是否會增加。他們監(jiān)測了價格過濾器試驗隨時間變化的結果，發(fā)現(xiàn)p-value曲線在7天之后就達到了0.05，并且這時候的結論是試驗版本在預訂方面起到了很顯著的效果，然而當他們繼續(xù)運行試驗的時候，卻發(fā)現(xiàn)這個試驗開始趨向于中立，最后得到的結果是兩個版本差別不大。
為什么不應該在p-value達到0.05時就停止試驗呢？Airbnb團隊認為，用戶預訂需要花很長的時間，所以早期的轉化在試驗最開始時會有不太恰當的影響。他們給出的建議是，為了避免統(tǒng)計學上的錯誤，最好的實踐方法就是基于樣本的總量計算所需最小效果，并在開始試驗之前就想好你要運行多久。
試驗給出的p-value值是基于認為你設計的試驗是已知樣本和效應大小的，所以單純使用p-value作為停止試驗的準則是不太正確的。以及，如果你持續(xù)的監(jiān)控試驗的發(fā)展和p-value，就比較容易看到真實的效果。
以上，就是在做A/B測試時比較容易遇到的坑。還是文章開頭說過的那句話，如果剛才說到的那些坑真實反映了你當前的狀況，就請盡快修正測試方案，跳出陷阱才能得到更為科學可信的結果。當然，你也可以選擇AppAdhoc A/B Testing，幫助你更加專業(yè)、快捷的實現(xiàn)A/B測試驅動的產品優(yōu)化：） 。
原作者：王曄
文章來源：PMCAFF
本文系作者：
運營那些事兒
授權發(fā)表，鳥哥筆記平臺僅提供信息存儲空間服務。
本文為作者獨立觀點，不代表鳥哥筆記立場，未經允許不得轉載。
《鳥哥筆記版權及免責申明》
如對文章、圖片、字體等版權有疑問，請點擊
反饋舉報
我們致力于提供一個高質量內容的交流平臺。為落實國家互聯(lián)網信息辦公室“依法管網、依法辦網、依法上網”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據本公約中的條款對注冊用戶和發(fā)布在本平臺的內容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質內容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網絡信息。
一、根據《網絡信息內容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內容；
2. 不友善：不尊重用戶及其所貢獻內容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網站秩序的內容，或進行相關行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產品、提供服務、宣傳推廣內容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內容；
4)多次發(fā)布包含欺騙性外鏈的內容，如未注明的淘寶客鏈接、跳轉網站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產品、品牌等內容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網站秩序的推廣內容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內容，如通過偽造經歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內容審核的廣告內容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內容；
4)帶有性暗示、性挑逗等易使人產生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內容；
2)存在事實夸大、偽造虛假經歷等誤導他人的內容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導用戶；
2)內容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網絡生態(tài)造成不良影響的其他內容。
二、違規(guī)處罰
本網站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內容質量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內容時，本網站將依據相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內容時，本網站將加重處罰。
三、申訴
隨著平臺管理經驗的不斷豐富，本網站出于維護本網站氛圍和秩序的目的，將不斷完善本公約。
如果本網站用戶對本網站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網站進行反饋。
(規(guī)則的最終解釋權歸屬本網站所有)