什么是AB測(cè)試？AB測(cè)試如何實(shí)現(xiàn)？

讓我們想象一下，在公司的某產(chǎn)品研發(fā)討論會(huì)上……

“這個(gè)功能要不要上?”

“我覺(jué)得沒(méi)問(wèn)題，XX指標(biāo)肯定能漲一大截?！?/p>

“我不這么想，XX指標(biāo)說(shuō)不定也會(huì)受到影響，你不能只想著可能的收益呀?！?/p>

blahblah無(wú)限循環(huán)爭(zhēng)吵中……

“好啦，別吵了，讓我們開(kāi)個(gè)AB看一下效果吧。”

當(dāng)現(xiàn)在越來(lái)越多的app都已經(jīng)日活百萬(wàn)千萬(wàn)，新功能是絕對(duì)不敢、也絕無(wú)必要輕易上線(xiàn)的。(因?yàn)橐坏┤可暇€(xiàn)引起用戶(hù)反感，損失不可估計(jì)。)這個(gè)時(shí)候，AB實(shí)驗(yàn)就成為了大型功能上線(xiàn)前的必備利器——進(jìn)行小流量的測(cè)試，利用測(cè)試的效果來(lái)預(yù)估上線(xiàn)后的效果。

1.什么是AB測(cè)試?

隨著移動(dòng)互聯(lián)網(wǎng)流量紅利、人口紅利的逐漸衰退，越來(lái)越多的產(chǎn)品運(yùn)營(yíng)開(kāi)始關(guān)注數(shù)據(jù)驅(qū)動(dòng)的精細(xì)化運(yùn)營(yíng)方法，期望通過(guò)精細(xì)化運(yùn)營(yíng)在一片紅海中繼續(xù)獲得確定的用戶(hù)增長(zhǎng)，而A/B測(cè)試就是一種有效的精細(xì)化運(yùn)營(yíng)手段。

A/B測(cè)試 是為 web 或 app 界面或流程制作兩個(gè)(A/B)或多個(gè)版本，在同一時(shí)間維度，分別讓組成成分相同(相似)的訪(fǎng)客群組(目標(biāo)人群)隨機(jī)的訪(fǎng)問(wèn)這些版本，收集各群組的用戶(hù)體驗(yàn)數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)，最后分析、評(píng)估出最好版本，正式采用。

2008年奧巴馬競(jìng)選美國(guó)總統(tǒng)的時(shí)候，有一個(gè)互聯(lián)網(wǎng)團(tuán)隊(duì)專(zhuān)門(mén)負(fù)責(zé)競(jìng)選相關(guān)活動(dòng)的線(xiàn)上產(chǎn)品，例如奧巴馬的競(jìng)選募捐網(wǎng)站。這個(gè)網(wǎng)站最核心的目標(biāo)是：讓網(wǎng)站的訪(fǎng)客完成注冊(cè)并募捐競(jìng)選資金。這個(gè)團(tuán)隊(duì)當(dāng)時(shí)做了一個(gè)非常成功的實(shí)驗(yàn)：通過(guò)對(duì)6個(gè)不同風(fēng)格的主頁(yè)進(jìn)行AB測(cè)試，最優(yōu)的版本將網(wǎng)站注冊(cè)轉(zhuǎn)化率提升了40.6%，而這40.6%的新增用戶(hù)直接帶來(lái)了額外的5700萬(wàn)美金募捐資金!

2.AB測(cè)試舉例

案例1：相機(jī)拍照類(lèi)應(yīng)用

以Camera360為案例，它選用Testin A/B測(cè)試服務(wù)幫助其進(jìn)行產(chǎn)品優(yōu)化決策。該案例是其產(chǎn)品商業(yè)化過(guò)程中的一個(gè)嘗試，希望提升商店中表情包或道具的付費(fèi)比例，但要完成付費(fèi)指標(biāo)，首先要提升商店入口點(diǎn)擊率。所以，他們?cè)O(shè)定了多個(gè)商店入口方案(更改圖標(biāo)樣式、文案)，通過(guò)A/B測(cè)試來(lái)驗(yàn)證哪個(gè)方案可以最大化提升商店入口點(diǎn)擊率。在驗(yàn)證過(guò)程中，他們也針對(duì)人群目標(biāo)做了相關(guān)定向測(cè)試，如日本、中國(guó)、韓國(guó)等區(qū)域，最終他們針對(duì)這一入口同時(shí)上線(xiàn)7~8個(gè)測(cè)試版本，通過(guò)A/B測(cè)試，將整體點(diǎn)擊率提升了80%左右。

案例2

試驗(yàn)?zāi)繕?biāo)：期望通過(guò)更改簽到按鈕的文案提高簽到的人數(shù)，從而提高留存率。

·新版本簽到按鈕平均點(diǎn)擊次數(shù)高于原始版本

·新版本的簽到次數(shù)比原始版本簽到次數(shù)提高4.17%

95%置信區(qū)間結(jié)果顯示小范圍人群的試驗(yàn)結(jié)果推廣到全量用戶(hù)之后，有95%概率獲得1.7% 至 6.6%的提升;p-value小于0.05，顯示新老版本有顯著統(tǒng)計(jì)差異。

試驗(yàn)過(guò)程：簽到按鈕文案試驗(yàn)，流量第一天兩個(gè)版本各5%，第二天無(wú)錯(cuò)誤后調(diào)節(jié)成50%原始版，50%新版本。

案例3：文案修改提升購(gòu)買(mǎi)率

A/B測(cè)試目的：提升購(gòu)買(mǎi)率指標(biāo)

A/B測(cè)試實(shí)驗(yàn)設(shè)計(jì)：

1.對(duì)用戶(hù)來(lái)說(shuō)，核心觸發(fā)是預(yù)期收益率后邊的引導(dǎo)按鈕。

2.經(jīng)過(guò)團(tuán)隊(duì)頭腦風(fēng)暴，認(rèn)為用戶(hù)在感知“理財(cái)”、“存入”兩者之間會(huì)有不同考量。一部分團(tuán)隊(duì)成員傾向于理財(cái)文案，另一部分提出新的想法，“存入”文案更能降低用戶(hù)對(duì)“理財(cái)”本身的風(fēng)險(xiǎn)意識(shí)。

3.設(shè)計(jì)了兩個(gè)版本，用立即理財(cái)，與立即存入兩個(gè)文案。

4.實(shí)驗(yàn)進(jìn)行2周，并得出顯著性結(jié)果。

可見(jiàn)，實(shí)驗(yàn)存在顯著性差異。同時(shí)轉(zhuǎn)化率提升15.45%，并且置信區(qū)間在客戶(hù)能接受范圍內(nèi)。該實(shí)驗(yàn)，取得成功。

3.A/B測(cè)試的好處

·消除客戶(hù)體驗(yàn)(UX)設(shè)計(jì)中不同意見(jiàn)的紛爭(zhēng)，根據(jù)實(shí)際效果確定最佳方案;

·通過(guò)對(duì)比試驗(yàn)，找到問(wèn)題的真正原因，提高產(chǎn)品設(shè)計(jì)和運(yùn)營(yíng)水平;

·建立數(shù)據(jù)驅(qū)動(dòng)、持續(xù)不斷優(yōu)化的閉環(huán)過(guò)程;

·通過(guò)A/B測(cè)試，降低新產(chǎn)品或新特性的發(fā)布風(fēng)險(xiǎn)，為產(chǎn)品創(chuàng)新提供保障。

4.AB測(cè)試的基本步驟

AB測(cè)試是一個(gè)反復(fù)迭代優(yōu)化的過(guò)程，它的基本步驟如下圖所示可以劃分為：

1)現(xiàn)狀分析并建立假設(shè)：分析業(yè)務(wù)數(shù)據(jù)，確定當(dāng)前最關(guān)鍵的改進(jìn)點(diǎn)，作出優(yōu)化改進(jìn)的假設(shè)，提出優(yōu)化建議;比如說(shuō)我們發(fā)現(xiàn)用戶(hù)的轉(zhuǎn)化率不高，我們假設(shè)是因?yàn)橥茝V的著陸頁(yè)面帶來(lái)的轉(zhuǎn)化率太低，下面就要想辦法來(lái)進(jìn)行改進(jìn)了

2)設(shè)定目標(biāo)，制定方案：設(shè)置主要目標(biāo)，用來(lái)衡量各優(yōu)化版本的優(yōu)劣;設(shè)置輔助目標(biāo)，用來(lái)評(píng)估優(yōu)化版本對(duì)其他方面的影響。

3)設(shè)計(jì)與開(kāi)發(fā)：制作2個(gè)或多個(gè)優(yōu)化版本的設(shè)計(jì)原型并完成技術(shù)實(shí)現(xiàn)：

4)分配流量：確定每個(gè)線(xiàn)上測(cè)試版本的分流比例，初始階段，優(yōu)化方案的流量設(shè)置可以較小，根據(jù)情況逐漸增加流量。

5)采集并分析數(shù)據(jù)：收集實(shí)驗(yàn)數(shù)據(jù)，進(jìn)行有效性和效果判斷：統(tǒng)計(jì)顯著性達(dá)到95%或以上并且維持一段時(shí)間，實(shí)驗(yàn)可以結(jié)束;如果在95%以下，則可能需要延長(zhǎng)測(cè)試時(shí)間;如果很長(zhǎng)時(shí)間統(tǒng)計(jì)顯著性不能達(dá)到95%甚至90%，則需要決定是否中止試驗(yàn)。

北極星指標(biāo)(North Star Metric)，也叫作第一關(guān)鍵指標(biāo)(One Metric That Matters)，是指在產(chǎn)品的當(dāng)前階段與業(yè)務(wù)/戰(zhàn)略相關(guān)的絕對(duì)核心指標(biāo)，一旦確立就像北極星一樣閃耀在空中，指引團(tuán)隊(duì)向同一個(gè)方向邁進(jìn)(提升這一指標(biāo))。

6)做出決策：根據(jù)試驗(yàn)結(jié)果確定發(fā)布新版本、調(diào)整分流比例繼續(xù)測(cè)試或者在試驗(yàn)效果未達(dá)成的情況下繼續(xù)優(yōu)化迭代方案重新開(kāi)發(fā)上線(xiàn)試驗(yàn)。

5.A/B測(cè)試的原理——假設(shè)檢驗(yàn)

因?yàn)锳B測(cè)試是檢驗(yàn)來(lái)自?xún)蓚€(gè)組樣本平均數(shù)的差異性，從而判斷它們各自代表的總體的差異是否顯著，因此使用的是兩個(gè)總體均值之差的檢驗(yàn)。

統(tǒng)計(jì)量：

6.AB測(cè)試案例

6.1 案例背景

某公司給網(wǎng)站投放廣告的時(shí)候，一開(kāi)始給用戶(hù)看到的落地頁(yè)是訪(fǎng)問(wèn)課程資料,現(xiàn)在公司又推出了開(kāi)始免費(fèi)試學(xué)這個(gè)落地頁(yè)，現(xiàn)在需要檢驗(yàn)新落地頁(yè)是否優(yōu)于舊的落地頁(yè)。

假設(shè)：新落地頁(yè)的轉(zhuǎn)化率優(yōu)于舊落地頁(yè)

制定方案、設(shè)計(jì)開(kāi)發(fā)：已完成

分配流量：通過(guò)對(duì)userid進(jìn)行hash，將用戶(hù)分成兩組old_page和new_page

采集數(shù)據(jù)：下面是測(cè)試的24天數(shù)據(jù)：

user_id是用戶(hù)的id;

timestamp 是用戶(hù)訪(fǎng)問(wèn)頁(yè)面的時(shí)間;

group 表示把新的落地頁(yè)分到treatment組、把舊的落地頁(yè)分到了control組;

landing_page表示的是落地頁(yè);

converted 表示的是否轉(zhuǎn)化,1表示轉(zhuǎn)化;

6.2 代碼實(shí)現(xiàn)

·導(dǎo)包
import pandas as pd

·加載數(shù)據(jù)

# 讀取數(shù)據(jù)，查看前5行

df = pd.read_csv("ab_test.csv")

df.head()

# 數(shù)據(jù)預(yù)覽，查看數(shù)據(jù)有多少行、多少列

df.shape

# 查看數(shù)據(jù)中是否有空值

df.isnull().any()

df.info()

·去掉錯(cuò)誤行
treatment和new_page對(duì)應(yīng)，control和old_page對(duì)應(yīng)，如果不對(duì)應(yīng)，就是錯(cuò)誤數(shù)據(jù)，需要去掉。

# 下面這句代碼，展示的就是group=treatment且landing_page=old_page和group=control且landing_page=new_page，這樣的錯(cuò)誤行；

num_error = df[(df.group == "treatment")!=(df.landing_page == "new_page")].shape[0]

num_error

# 去掉錯(cuò)誤行后，再次查看是否還存在錯(cuò)誤行

print("沒(méi)有刪除錯(cuò)誤行之前的記錄數(shù)：", df.shape[0])

df2 = df[(df.group == "treatment")==(df.landing_page == "new_page")]

print("刪除錯(cuò)誤行之后的記錄數(shù)：", df2.shape[0])

print("錯(cuò)誤行共有",str(df.shape[0]-df2.shape[0]),"條記錄")

num_error2 = df2[((df2.group == "treatment")!=(df2.landing_page == "new_page"))].shape[0]

num_error2

·去除重復(fù)數(shù)據(jù)

# 查看是否有重復(fù)行

print("數(shù)據(jù)的記錄數(shù)為：", df2.user_id.shape[0])

print("將user_id去重計(jì)數(shù)后的記錄數(shù)為：", df2.user_id.nunique())

#  去除重復(fù)的行

df3 = df2.drop_duplicates(subset=["user_id"],keep="first")

df3.shape[0]

·觀察兩組的轉(zhuǎn)化率

A = df3.query('group=="control"').converted#對(duì)照組

B = df3.query('group=="treatment"').converted#實(shí)驗(yàn)組

print('策略A的均值是：',A.mean())

print('策略B的均值是：',B.mean())

思考一下：根據(jù)上述結(jié)果，老頁(yè)面的轉(zhuǎn)化率比新頁(yè)面的轉(zhuǎn)換率好，是不是就可以說(shuō)明老頁(yè)面好呢?

·假設(shè)檢驗(yàn)

·建立原假設(shè)和備擇假設(shè)

    由于我們期望的是新方案由于舊方案，故建立如下假設(shè)

    原假設(shè)：$$\bar{X}B-\bar{X}A\leq0$$

    備擇假設(shè)：$$\bar{X}B-\bar{X}A>0$$

·選擇統(tǒng)計(jì)量

    由于$$n_A$$和$$n_B$$都大于30，故為大樣本，選擇Z統(tǒng)計(jì)量做Z檢驗(yàn)

·使用scipy.stats完成檢驗(yàn)

import scipy.stats

z, pval = scipy.stats.ttest_ind(B,A)  #表示B-A

print(z,pval)#-1.3109235634981506 0.18988462498742617

根據(jù) scipy.stats.ttest_ind(x, y) 文檔的解釋?zhuān)@是雙邊檢驗(yàn)的結(jié)果。為了得到單邊檢驗(yàn)的結(jié)果，需要將 計(jì)算出來(lái)的 pvalue 除于2 取單邊的結(jié)果(這里取閾值為0.05)。

·做出決策

求得pvalue=0.18988462498742617，p/2 > alpha(0.05),所以不能夠拒絕假設(shè)，暫時(shí)不能夠認(rèn)為新落地頁(yè)能帶來(lái)多的用戶(hù)轉(zhuǎn)化。

我們需要再延長(zhǎng)觀測(cè)時(shí)間或是修改新的頁(yè)面再進(jìn)行測(cè)試了

猜你喜歡：
Python+人工智能課程
Python基礎(chǔ)教程下載