在实际工作中，AB实验是一种常用的验证方法，但还是有不少同学立即比较困难。这篇文章，作者通过一个生动的案例，为我们详细说明AB实验具体是个啥。
AB实验由于以统计学为基础，并且在实际应用过程中，又产生了一些新的方法论，存在较多专业术语，理解和使用门槛较高。
另外还存在一个普遍的现象，平时沟通时不时提及一些实验术语，但是却没有真正理解其原理，导致一旦出现问题，脑袋就像被猫抓乱的毛线球，完全不知道从哪里下手。一顿术语猛如虎，结果基础都没懂，喵～
本文的目的在于厘清互联网 AB 实验的核心思路。通过剖析互联网 AB 实验的原理，以及在实际应用中的方法，让读者能够清楚地了解其背后的逻辑。读完后，能知道那些常见的专业术语为什么被提出（在实际应用中，为什么被提出，比是什么更重要）。当出现问题，能够有更清晰的全局思维来定位。
老规矩，文中所提及的术语会标蓝，可自行扩展阅读。
笔者认为，互联网AB实验的核心思路是：利用数据去证明“设想”是否“靠谱”。
里面有两个关键词“设想”和“靠谱”，为了方便大家更易理解，抛几个自问自答：
目前来说，是不可以的。因为互联网AB实验的数学基础，就是建立在假设验证之上。我们需要先有一个“设想”，即某个变量可能对整体有或者没有影响，然后通过实验数据来验证这个设想是否成立。当然，可能没准儿哪天有新的数学突破能绕过假设呢?但在此之前，我们仍然需要依靠假设验证来进行AB实验，否则会存在事后解释的问题。
这是因为，在统计学中，任何实验结果都有犯错的概率。第一类错误是“弃真”，即拒绝了正确的假设；第二类错误是“纳伪”，即接受了错误的假设。在样本一定的情况下，无法同时降低第一类和第二类错误的概率。因此，我们需要在两者之间做出权衡。通常，我们会尽量不犯第一类错误，这是因为“弃真”后，我们可能会真正错过一个有效的策略，而“纳伪”后，我们还可以有其他机会发现它是错误的。
前面说到尽量不犯“弃真”错误。我们常见的“P值”可以姑且被看作是犯“弃真”错误的实际概率（衡量具体有多靠谱），而“显著水平α”就是犯“弃真”错误的概率上限（我们自行设定的靠谱标准）， P值像我们考试的得分，α像我们考试的合格线。所以按照这个思路，我们的设想会有一个“成绩”P值，然后和α比较下，看这个设想有没有“合格”。
另外我们的设想往往是估一个区间，比如假设某指标提升x%以上（正向，单尾检验）或者减少x%以上（负向，单尾检验）或者指标有变化（双尾检验）。区间估计的范围越大，包含真实参数值的概率就越高，但精确度会相应降低。这就像我们小时候让父母猜考试成绩，父母说‘60分以上’（一个较宽的区间估计）比说‘90分以上’（一个较窄的区间估计）更有可能猜中，但如果我们实际考了91分，那么后者的精确度会更高。同理，‘有提升’肯定比‘提升x%以上’更容易猜中（拿到“合格证”），但是精确度没那么高，对业务的指导价值会更有限。
那可以“合格”的同时又尽量“精确”吗？按前面的思路，如果富有经验可以，否则不太行。于是我们换了一种思路，不看P值了，只看合格线。拿合格线（置信水平1-α）来倒推这个指标的区间在哪里（置信区间）。
所以总得来说，如果你有一个明确的指标预期，可以直接使用P值来判断；如果你没有很明确或者希望探索更广泛的可能性，使用置信区间更为合适，目前后者在业内使用更广泛。
在实际工作中，当我们要利用数据去证明“设想”的时候，不外乎是把“设想”作为一个变量，注入到流量里，然后看这个流量有没有变化。方法论有，思路也简单，那难在哪里呢？
互联网AB实验是以统计方法论为基础（数学层），将其尽可能转化应用到实际的业务中（操作层）。对于我们来说，真正的难点并不在数学层，而是在转化应用的过程中，要同时满足业务需求和数学条件，而采用的各类方法以及数据解释。
可能有些抽象，为了方便理解，笔者将业务需求和数学条件进行了归类
3类业务需求：用户体验、流量切分、数据解释
3个数学条件：单一变量原则、样本随机且足量原则、显著性原则
注：互联网AB实验主要是以“样本A和B在部分指标上是否存在显著差异”（独立样本T检验/双样本Z检验）的方式进行实验，因此本文的数学条件基于该方式提出。
下面我们围绕3类业务需求，来阐释在操作层可能遇到的问题，以及业界对应的各类方法。
实验本身的目标是向用户推出一系列被证实过的“好设想”从而提升用户行为。但在实验执行的过程中，可能会存在与用户体验相悖的情况，因此平台需要在实验设计时充分考虑用户体验的问题。比如：
实验是为了验证“设想”，在拿到实验结果前，我们没法确定这个设想是好是坏。如果是坏的设想，对用户体验自然会有负影响，同时坏的实验往往会被停止，用户前后的体验会不一致。基于此，实验的范围越小越好。但是在数学条件里又要求“样本足量原则”，因此在实验前往往需要做最小样本量评估。
另外，互联网里的一个“用户”，可能是一个设备/账号ID、或者请求ID，如果某个实验的改动在用户体验上有所感知（比如UI调整），那为了用户体验的一致性，则需要使用设备/账号ID来作为“用户”，保证至少在实验期间，同一设备/账号所感知到的体验是一致的。
数学条件里的单一变量原则、样本随机且足量原则都需要在流量切分里进行体现。而实际业务中，会存在一些限制，包括：
（1）流量不够
从业务视角来说，往往希望能同时进行多个实验（1个月做100个实验和1年做100个实验，对于业务的价值可能是不同的，竞争越大的业务，时间越值钱）。
但同一时间段下的流量是既定的，而数学条件又要求足量原则。因此，为了在同一时间下产生更多可用的实验流量，即提高流量使用效率，业内有两种常见方法：
a、省着用。一个实验需要的流量按最小样本量评估。就像用水一样，假设你今天有5件家务要做，家里只有10盆水，在“省着用”的思路下，你按每件家务的最小用量进行评估，然后将这5件家务的用水量进行汇总，只要不超过10盆水那“省着用”就足够了～在这里，每滴水只会被1件家务所使用，这是实验里的流量互斥概念。
b、重复用。当然，每滴水也可以被多件家务使用，这是节约用水的常见思路，也可以对应实验里的流量正交概念。
假设5件家务里，有3件家务（洗宝宝衣服、洗大人衣服、洗袜子）属于洗衣类的，2件家务（洗带泥的鞋、洗不带泥的鞋）属于洗鞋类的。那你可以把水先全部用在洗衣类家务，洗完后，把这10盆水混合到一起，再进入下一层的洗鞋类家务。
这里水被使用在了两层，第一层洗衣层、第二层洗鞋层，每一层都有10盆水可用。
另外你突然想起昨晚的碗还没洗。由于洗碗水无法和其他家务重复使用，因此做家务的水整体需要被划分成两个区块，第一个区块专门洗碗（4盆水），第二个区块给其余家务（剩6盆水）。但是你发现第二区块的6盆水不够洗衣类的最小用水，富有家务经验的你把洗衣层再分成了洗衣服层和洗袜子层。
上面的分水模型是不是和实验分流模型高度相似？针对“流量不够”这一业务限制，业内采用的方法思路其实和咱们“节约用水”的思路差不多，只是实验分流没有层级先后顺序，流量可以从任一层灌入。
（2）流量差异
实验流量与“大盘”流量两者存在差异，这个不难理解，但可能很多读者没有理解到差异具体在哪，这点对于后文的数据解释很重要，我们来捋一捋～
实验是通过切小部分流量来证明设想，证明OK后将小部分流量切到全量。如下图，业务所希望减少的差异实际上是“实验”与“放量后的大盘”之间的差异。这个差异可以拆分为“实验”与“实验所在大盘“的差异、“实验所在大盘”与“放量后的大盘”的差异。
a、“实验”与“实验所在大盘“的差异
要想减少这部分的差异，就是尽可能均匀且随机得筛出一批“用户”，能让这些“用户”代表总体。常见的筛选方法是哈希计算。
另外，为了以防筛选方法没用对、或者方法不适用，可以在实验之前，提前进行流量切分，不加策略观测所切分的流量是否能代表“大盘”（空跑期AA实验）。
b、“实验所在大盘”与“放量后的大盘”的差异
这里的差异在时间，而时间所引入的变量我们并不可控。因此相比前面的差异，这个差异我们显得束手无策。减少它的方法很少，更多是解释它。后文会展开如何解释。
（3）人为犯错
上面两点“流量不够”“流量差异”的限制都是客观存在的，更多依赖技术手段解决。但由于流量切分有一定的专业门槛，还可能受“人为犯错”所带来的限制，举两个比较常见的例子：
a、实验切流对象混淆
要搞清楚实验切流的对象是谁，前提是先确定好实验的设想是什么。
假设你有个设想1：“在首页给新用户推荐热门内容能提升新用户的次日留存率”。
在这个设想下，策略是针对新用户，观测的指标也是新用户。所以实验切流对象是“部分新用户”，实验OK后放量所预期提升的是“新用户大盘”指标。如下图
然后你又有个设想2：“在首页给新用户推荐热门内容能提升整体用户的次日留存率”。
设想2相比1，策略不变，但是观测的指标不再是新用户范围，而是大盘用户。所以实验切流的对象是“部分大盘用户”，实验OK后放量所预期提升的是“大盘用户”指标。如下图
设想1和2由于观测的指标范围不同，所以切流对象也不同。在实际工作中，会出现切流对象混淆的情况，如果设想1用了设想2的切流方式，即观测的是新用户，但是用大盘切流（即包括了新用户和老用户在内的所有用户），那会导致指标结果被稀释，影响实验结果的准确性；而如果设想2用了设想1的切流方式，即观测的是大盘用户，但是用新用户切流，那其实根本无法得到指标结果。
b、实验组与对照组互相影响
假设你又有个设想3：“在首页引导新用户发布内容能提升新用户的次日留存率”。即在策略上把“给新用户推荐热门内容”改成了“引导新用户发布内容”。
这里会有个问题是，实验组里用户发布的内容，会不会被对照组里的用户看到，如果会，那就存在实验组与对照组互相影响的问题，因此针对这种情况，需要评估并进行隔离。
实际工作中，如果没有提前考虑到实验组和对照组互相影响的问题，就可能导致实验结果不准以及很难解释。这在内容生产、社交功能上比较常见。
理想中的情况是，实验时相关指标都升了，然后放量，相关指标如预期获得提升，年终奖蹭蹭上涨。但现实情况却可能五花八门，所以我们需要对这些五花八门的情况进行数据解释，以利于后续策略的提出。举几个例子：
（1）实验期指标升了，但放量后指标没有提升或者甚至降了
如果排除切流问题（“实验流量”无法代表“实验所在大盘流量”），那原因就在前面所提到的“实验所在大盘”与“放量后的大盘”的差异上了。这个差异由时间所引入，如前所述，更多是解释它。
由于我们所统计的数据，都是来源于用户行为，所以时间所引入的变量最终都是表现在用户行为变化上。即，我们需要解释的问题实际是：不同时间下，用户可能会因为哪些影响而发生变化。
a、所处的平台影响
即平台的其他策略影响了用户。一种是平台的其他策略直接导致用户行为下跌；另一种是平台的其他策略影响了用户的分布，即用户占比变化导致的数据下跌（辛普森悖论）。
插个楼：“占比不均”所引入的一系列“反常识现象”是个很有趣的话题，在我们进行数据分析、甚至日常生活中会时常碰到，后面有时间笔者会单独写篇文章进行介绍～
b、所处的时长影响
在实验期，由于有时间限制，在这段时间里（比如2周）用户行为确实涨了，但是过了这个时间用户可能对新功能失去了新鲜感，行为数据开始下跌（新奇效应）。针对这种情况，可以通过拉长实验时间的方式在一定程度上规避这种问题；
c、所处的时间节点影响
实验期间可能正好遇到大促这类季节性节点，这类节点下可能会让切流之间本身就出现差异。针对这种情况，为了后续更好解释数据，可以再单独切一个对照组，即有2个对照组，看实验期间两个对照组之间的差异（实验期AA实验）。
需要说明的是，实验期AA实验这种方式能解释的数据仅限于“由于季节性节点所导致的分流不均”，无法解释“由于季节性节点所弱化或者强化的实验组和对照组之间的差异”，比如原本差异是5%，由于季节性节点差异10%。
（2）用不同的数学标准，实验结果不一致
前面提到的置信水平1-α设定的值不同，结果不一致。即实际考了70分，按照60分合格线算过关，但按照80分合格线就不行了。这个只能基于实际的业务情况来判断，如果对实验的风险容忍度低，那合格线就得设得高，反之亦然。
（3）X指标升了Y指标降了
这个也只能基于实际的业务情况来判断，并且为了让这种判断有更多的依据，所以需要在实验设计时就提前考虑核心指标、辅助指标、反向指标是什么。如果X只是辅助指标，核心指标并没有提升，那这个实验结果自然无法放量；如果X是核心指标，则需要衡量业务对Y的接受度。
（4）开放了多个实验，如何衡量这些实验一起对平台的价值
今年部门可能做了很多实验，有些策略让实验指标正向显著，但这些策略加在一起整体对部门的核心指标提升多少呢？为了解答这个问题，部门会通过预留一部分不加任何策略的“干净”流量来进行观测（holdout桶，常见于推荐系统）。
强调几点：
1、如果不是在这块有非常扎实的基础，请不要使用非业内常规的分流方法。否则会加大数据解释的难度（甚至可能根本无法解释）。
2、试错也有价值，客观解读，接受实验的失败，这才是实验的意义。
3、笔者能力有限，外加为了让文章尽可能通俗，在阐述上有较多不严谨或不全面的地方。欢迎大家指正探讨。
本文由@wen 原创发布于人人都是产品经理，未经许可，禁止转载。
题图来源于Unsplash，基于CC0协议
该文观点仅代表作者本人，人人都是产品经理平台仅提供信息存储空间服务。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。