编辑导语：ABTest，简单来说，就是为同一个产品目标制定两个方案，通过日志记录用户的使用情况，通过结构化的日志数据分析相关指标，从而得出更符合预期设计目标的方案，最终将全部流量切换至符合目标的方案。本文作者通过自己的经验，分享给我们应该如何避开从0~1构建AB Test过程中的坑。

最近设计完成了一个用于信息投放的ABTest功能，正好总结梳理下，避免大家踩坑。

AB实验大家都听过，互联网公司里更常见，开始讲内容之前通俗的介绍下AB概念：你在做产品规划设计时，想出了一个改版方案（姑且称为版本B），但不确定这个改进的效果是否比老版本（称为版本A）效果好。

于是想对比下这两版本的效果，所以你把用户群体（假设100人），其中10%的流量分配给B方案，90%的流量分配给A方案，持续一周后，查看数据；如果版本B效果比版本A好，那就准备全部上线，如果版本B效果不好，那就下线或重新做实验。

（手绘人群分流示意，请谅解）

故事讲完了，可能很多人觉得很简单，不就是之前学的生物化学里的单一变量嘛，如果这样想，那么你的AB实验应该是做错了。

一、AB实验中的典型问题

先看下AB里的几个核心问题：

1. 怎么划分人群，是随机划分还是依照什么规则确保人群划分的合理？（AB实验里的分流逻辑）；
2. 实验结果出来了，我怎么判断这个结果可信不可信（AB实验里的显著性差异）；
3. 实验结果出来了，实验组数据好，我怎么判断是不是真的好（AB实验里的第一类错误）；
4. 实验结果出来了，实验组数据差，我怎么判断是不是真的差（AB实验里的第二类错误）；
5. 实验结果出来了，好多个维度数据，我怎么衡量实验结果（AB实验里的衡量指标）；
6. 实验结果出来了，但是一组AB实验我总觉得不靠谱（AB实验的AB组，称为AA组以及AABB组）。

解决上面6个问题，就从逻辑上完成了AB实验方案的规划，剩下的就是产品设计了。

二、如何合理的划分人群

1. 什么是人群划分（分流）

这个问题是AB实验里最关键的分流逻辑。

AB实验最关键的是保证变量，是的，这一点和生物化学里的单一变量法一样了，除了你产品要实验的点不同外，其实人群也要保证一样，这个一样不是说流量或比例一样，而是人群特质一样。

举个例子：BB霜厂家做总人数1200人的AB实验，1号BB霜投放给了一波600人的女生群体（即人群A分流50%），2号BB霜投放给了另一波600人男生群体（即人群B分流50%），流量划分一致，实验结果发现人群A的接受度很高，结论：1号BB霜更受市场欢迎！

这个结论可信么，不可信，因为本身人群特质就不一样，这里和流量1:1没关系，流量的比例多少不会影响AB实验结果，男生拿到BB霜接受度肯定不高（莫要牛角尖，说男生拿到送女朋友之类云云），这个例子说明的是人群特质对实验结果的影响。

2. 如何进行人群划分（分流）

首先我们公司是内部有专门的人群分流系统，主要默认的分流算法是uid+hash因子 计算md5取模，根据结果判断是落在哪个实验分桶里，该系统可以直接对接使用，所以此处不赘述。

本次主要讲下对于没有科学分流系统的公司如何处理？

采用算法或规则分流，算法分流也分为在线分流和离线分流。在线分流是指根据当前线上目前的实时特征进行划分，结果更加精确；离线分流是指根据T+1或T+N（具体N根据不同公司不同业务来确定）的特征进行划分。条件允许情况下，推荐前者。

核心思路主要是拿到用户的唯一标识，对用户的唯一标识进行杂散后重新分配。

不同产品唯一标识不同，但一般都有用户Uid，简单方式可以用规则对uid采取奇偶数划分；另外一种引入算法，如Hash算法（一般翻译为散列、杂凑或音译为哈希，其输出是散列值），对uid进行哈希处理。处理后根据业务要求，加入分桶逻辑，判断具体的uid落在哪个分桶内，完成科学分流。

3. 如何设计人群划分（分流）

分流的本质是分桶，划分到不同桶内。所以实现逻辑上明确后，产品设计上其实很简答，参考思路如下：

（axure草稿版交互，人群分桶示意，参考看就好）

三、如何判断结果是否可信

1. 结果差异是不是明显（显著性检验）

判断实验是否可信就是AB实验里的显著性检验，由于AB实验对用户进行了分流、抽样，不同实验组之间的差异本身就存在随机性。

所以存在一个显而易见的问题，实验的结果是随机波动导致的还是真实可信的差异？检验差异的统计显著性就是帮助我们判断这个差异是真实的效果，还是仅仅是由于分流抽样带来的随机的差异。

之前听韩瞳大佬的课程时，了解到一个抛硬币的例子，浅显易懂，借由该例子解释下：想验证一个硬币有没有被动了手脚，应该怎么做？

1. 无限次抛掷，然后记录正反面数据，看下正反面比例；
2. 这件事前提是大家均知道，正反面的概率分别是50%。

在证明之前，统计学上有个概念原假设和备择假设，原假设即想要证明的假设，备择假设即不想证明的假设。所以在这个例子里，我们做如下假设：

• 原假设：硬币没有被动手脚
• 备择假设：硬币被动了手脚

那么假设硬币的数据如下：

你是不是觉得结果不好判断，或者自己心里的判断很主观，到底偏移多少算正常的，偏移多少算不正常的？这就是显著性检验要解决的。

再给出答案之前，还需要知道AB实验里的四种数据情况：

表格中的两个错误是什么情况下发生的呢？

第一类错误：也就是比如抛掷1000次，600次正面，400次反面，数据看起来不正常，但是实际上是统计学里正常的情况，如果继续抛掷1000次，可能就是510正面，490反面了，也就是之前的抛掷恰好处于自然波动范围内了；

第二类错误：也就是比如抛掷10次，5次正面，5次反面，数据看起来正常，但是实际上统计学里已经不正常了，如果继续抛掷1000次，可能这个硬币就变成800正面，200反面了，也就是说由于抛掷次数过少导致的。

讲到这里，就是显著性检验的作用了，用于判断到底是否是正常的波动。

• 如何评估是否出现了第一类错误：采用P值
• 如何评估是否出现了第二类错误：采用Power值

2. 怎么判断结果是否明显（检验方法）

1）先来解决第一类错误

这里非统计学概率学伙伴要问，什么是P值，那么来解释下。AB实验的基础是统计学里的假设检验里的知识，核心思路如下：

1. 当样本量足够大足够多时，把实验对象分为两组，如A组和B组。由于数量够多够大，理论上可以认为AB两组的样本特质一样，即样本无差别；
2. AB两组投放同一个产品，对B组投放的产品做了改动，A组无改动（统计上称B组为实验组，A组为对照组）；
3. 假设该改动没有影响（统计学上称之为“原假设”：即最初的假设条件）；
4. 假设该改动有影响（统计学上称之为“备择假设”：即原假设的对立假设，包含一切使原假设不成立的命题）；
5. 观察B组的实验数据，在统计学和概率学的计算下，原假设成立的前提下，判断B组数据出现的概率。根据这个概率是否处于置信区间范围内来判断，原假设是真还是假。

（手绘p值示意，请谅解）

如图，在统计学上，参考原假设来判断其出现概率称之为P-Value，即p值。

P值指的是比较的两者的差别是由机遇所导致的可能性大小。P值越小，越有理由认为对比事物间存在差异。一般统计学认为，P>0.05称“不显著”；P<=0.05称“显著”，P<=0.01称“非常显著”。

P<0.05,就是说结果显示的差别是由机遇所致的可能性不足5%，或者说，别人在同样的条件下重复同样的研究，得出相反结论的可能性不足5%。

但是很多AB实验里容易搞混一个词，因为AB实验里经常用“显著”来描述，所以容易出现“差异具有显著性”和“具有显著差异”两个词混用，其实二者意义不同。

前者是指其p<=0.05，即可以相信两个事物完全相同的概率还不到5%，因此可以认为两个事物确实存在差异，这个结论如果是错的，错误的概率≤5%。

后者是指两个事物的差别确实是比较大的，如苹果和西红柿差别很大，因此可以认为“有显著差异”，但小苹果和大苹果差别不是特别大，但如果AB实验统计学上的p值≤0.05，可以认为两者“差别有显著性”，但不能认为是“有显著差异”。

好了，这里解释了p值以及在判断p值过程中的两类错误。综上，所以判断实验结果是否可信的可以通过判断P值来判断。

2）再来解决第二类错误

什么是power值，那么来解释下：接上面的硬币实验，也就是硬币的数据看起来正常（也就是数据好像符合原假设），但是结果确是硬币实际上不正常，我们犯这个错误的概率，称之为二类错误概率值，而power值即称为统计功效，也就是不犯这个错误的概率。

一般情况下，power值在80%或90%以上，认为是可信的，可以接受的。

四、其他衡量方法

听完后是不是觉得AB没有那么简单了，别担心，上面的逻辑研发会从代码层面搞定或Python里有现成的函数，产品经理梳理好逻辑就行。

另外还需要额外说明下，AB实验的衡量方式还有“通过样本估计整体”、“置信区间”两种方法，不过多阐述，感兴趣的可以自己百度下，效果殊途同归。

好了，这次就先到这，由于太耗时，下次在写一篇AB Test（下）讲解下AB的衡量指标以及AA组、AABB组的问题。

作者：楠神，公众号《音波楠神》

本文由 @楠神 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