这篇文章会讨论:
- 在什么情况下需要做 AB 实验
- 从产品/交互角度,如何设计一个实验
- 前端工程师如何打点
- 如何统计数据,并保证数据准确可信
- 如何分析实验数据,有哪些数据需要重点关注
- 附:如何搭建前端实验项目,以 mip-experiment 为例
一. AB 实验的使用场景和正确用法
我们通常在页面有样式变化,但又不确定是修改影响好坏的时候进行 AB 实验,实验数据可以为改版提供有力支持。
某公司日常(1)
产品:把页面标题变成之前的两倍。标题就是要醒目,要大大大。
设计:打死都不同意,太大的标题不精致不优雅。
BOSS:下面的按钮点击导流就是收入。收入就是一切!!!你们做下实验,采用收入高的方案。
前端:哦。
当不确认按钮颜色,banner 大小,两个宣传语哪个效果好的时候,实验数据可以帮你做决定。
二. 产品经理如何设计实验?
在设计一个实验时,需要考虑以下问题:
2.1 实验的目的是什么?
提升点击:提升单个按钮转化能力,提升页面总体点击率,增加广告收入
用户留存:增加用户在页面的留存时长,拉升登录,减少多步骤页面的用户流失
强化功能:增加用户搜索次数,增加用户点赞频率,增加用户购买次数
重点关注一个目标,并选择其它几个目标作为辅助,以免走偏。比如:提升广告点击率,但不减少用户的留存时长和购买次数。Jenny_L 多啰嗦一句,用户体验是绝对不能损失的。在页面头部多插入一条广告,虽然可以短时间内提升广告收入,但长期来看会造成用户反感,造成永久的用户流失。
2.2 实验应设置哪些变量,哪些不变量?
样式:按钮变大,banner 底色,文章行间距和长度,中英混排样式
交互:增加提醒,增加面包屑导航,增加 loading 动画
文案:文案风格,文字长度
通常情况下,做实验都是使用控制变量法,仅改变一个影响因素,保持其他因素不变。控制变量法在物理实验中经常用到,比如自由落体实验:使用相同的物体(保证空气阻力不变),仅改变物体下落的初始高度,计算下落时间与高度的关系。类似地,在 web 样式改版实验中,我们仅改变标题大小,保持其他元素一致,这样就能得出标题文字大小和下方按钮点击率的关系了。
某公司日常(2)
产品:我们做个实验,验证“标题变大,按钮点击量增加”。
设计:title @2x 的设计稿给你。
前端:好。
2.3. 为得出实验结论,需要关注哪些数据?
2.3.1 提升页面的用户体验:
- 用户停留时间
- 交互动作次数
- 页面展现量(PV)
- 用户数(UV)
- 单个用户访问页面数 = PV/UV
2.3.2 提升广告收入:
- 广告点击次数
- 页面展现量(PV)
- 广告点展比 = 点击次数/PV
2.3.3 提升 App 导流量/按钮导流能力:
- 按钮展示次数
- 按钮点击量
- 按钮点展比 = 点击量/展示次数
三. 为了得到实验数据,如何抽样,前端工程师如何打点?
3.1 如何抽样
github/mip-experiment 实验组件采用的方案是前端随机数抽样。简单来说,就是预先设置100个实验分组,算一个100以内的随机数,随机数落在哪个区间,用户就进入哪个实验分组。
3.2 如何打点
打点请求的统计汇总方式有两种:第三方统计与自行统计。前端工程师只需要了解项目采用的是哪种就可以了。
3.2.1 PV & UV 打点
第三方统计:使用百度统计或类似服务,都不需要前端工程师手动打点,在页面插入统计代码后,在后台可以就看到 PV&UV。
自行统计:每次页面加载时看下有没有标识单一用户的 cookie,如果有,则在document.readyState === 'complete'
时发送 PV 请求。数据分析时,汇总所有 http request 请求得到 PV, 根据 cookie 去重的到UV。如果没有 cookie,则根据设备特征产出及访问时间计算出一个字符串,用于标识唯一用户。
3.2.2 交互打点:滑动,点击
交互日志的打点需要前端工程师手动绑定事件。比如给按钮绑定点击事件,给轮播图绑定滑动事件等等。
第三方统计:在事件触发时,调用统计服务的API,将参数传入即可。例如百度统计的事件 API 是_hmt.push(['_trackEvent', category, action, opt_label, opt_value]);
,那么在事件中就可以写_hmt.push(['_trackEvent', '按钮01', '点击']);
自行统计(百度系方法):在事件触发时,新建一个图片,在图片URL中拼上统计事件的链接。比如百度搜索结果页的滚动请求为 https://sp1.baidu.com/xxx/mwb.gif?type=3&fm=view…
,我们也可以拼接类似的 http request,比如https://m.aa.com/a.gif?obj=按钮01&event=点击
。
3.2.3 元素展现打点
在浏览器自带事件中,没有“元素在浏览器内可见”事件,但是我们可以用js判断,或者引用第三方库来实现。
js 判断思路:根据页面当前滚动距离 scrollY,元素距离顶部距离 top,和屏幕高度 screenHeight 可以计算出元素是否在页面内可见。
某公司日常(3)
前端:监听滚动事件。
if( top > scrollY + screenHeight) {
-___ 按钮在屏幕内展现一次,发请求;
-___ 标记为已展现过。
}
第三方库:jquery 插件-github,原生实现- github
四. 如何统计数据,并保证数据准确可信
4.1 统计的两种方式:第三方统计与自行统计
如果选择第三方统计,就选择了 Easy 模式。百度统计,Google Analytics 等统计服务会帮你计算很多需要的数据。首推百度统计,除了因为它是自家产品,有问题随时可以找接口人解决之外,还因为它是免费的中文统计,投放简单,数据产出快。
如果选择自行统计,那么面对的就是浩大的工程了,储存量和计算量惊人。百度系的统计是将统计参数拼接到图片 URL 后面,带给服务端。知乎的统计是发送了 POST 请求。无论哪种方案,每次用户点击,滑动,数据加载都会产生一条 http request,储存和计算这些 request 会耗费不少服务器资源。Jenny_L 没有实践过,如有需要,可以 google 一下。
4.2 为保证数据可信,请空转流量
解释:空转是指先抽样,统计关键数据,而不修改页面样式的流程,相当于AA实验。
原因:虽然前端随机数抽样及类似方法理论上能够保证两份流量 pv 和 uv 相同,关键数据相差不大,但毕竟存在抽样不均的特殊情况。空转可以明显地发现抽样不均,摒弃掉这部分流量,保证实验数据的变化仅仅是实验本身(样式改变)引起的。
具体做法:如果要做 AB 实验,需要实验组 A 和对照组 B 两组流量。一次性抽取5-6组流量,空转3天,监控 pv,uv,点击数量等关键数据。选择两组数据最接近的上实验,其他流量可以释放。
4.3 为验证结论正确,请反转实验
解释:当得出实验正向结论后,将实验反转,对照组变成实验组,实验组变成对照组。
某公司日常(4)
产品:实验数据正了,标题就是要大大大!
设计:这不科学,应该是数据波动。需要反转验证。
前端:嗯,我反转一下。
原因:反转实验能够验证实验数据的差别是由实验(样式改变)引起的。但需要注意的是,建议只在实验为正向收益时反转实验。如果收益为负,反转实验,只会多损伤原对照组的用户体验。
具体做法:举个例子,实验目的为“按钮大小对该按钮点击率的影响”。A 组流量按钮变大,B 组为对照组,按钮大小正常,数据显示A组的按钮点击率升高,效果更好。在反转试验中,A 组流量按钮回复正常,B 组变为实验组,按钮变大。如果此时数据显示B组按钮点击率升高,说明按钮大小对点击率有影响。
4.4 为减少多个实验互相影响,请分流量实验,不要分层实验
解释:“分流量实验”是指一次抽取流量,分别进行多个实验。“分层实验”是指每个实验都从100%中抽取一次流量。
原因:“分流量实验”能够保证实验间没有重合,一份流量不会同时中两个实验。而“分层实验”相当于从总流量中抽取多次,一份流量有概率同时中两个实验,这会对实验结果有一定影响。
具体做法:
- 分流量实验: 抽取40%的流量,20% 用于 Foo 实验,20% 用于 Bar 实验。
- 分层实验: 抽取20%的流量用于 Foo 实验;再抽取 20% 流量用于 Bar 实验。(此时约有 4% 流量即Foo 又 Bar)
某公司日常(5)
产品:反转数据也是正的,说明标题应该大大大。
设计:不对,不科学,是不是流量之间有干扰?
前端:采用的分流量实验,确认没有干扰。
4.5 考虑到用户习惯性,请保证实验黏性及持续时间
解释:实验黏性 (sticky)指的是实验流量中的 pv 分配固定,单个用户每次都被分入相同分组。实验的持续时间建议至少3天,一周左右为好。
某公司日常(6)
前端:正常情况下,应该使用黏性的实验抽样。
原因:在页面改版后,用户可能有一段时间的学习过程和习惯期,显示为数据的下降,以及缓慢回升。
具体做法:当某个用户中抽样时,本地记录(localstorage)他的抽样情况,下次他进入同样的页面,读取记录,进入同样的分组。
五. 如何分析实验数据,有哪些数据需要重点关注?
如文章 2.1 提到的,重点关注一个目标,并选择其它几个目标作为辅助,以免走偏。
常见的目标为:pv, uv, 首屏按钮点展比,广告点展比。
六. 附:如何搭建前端实验项目,以 mip-experiment 为例
mip-experiment 是 MIP 开源项目中的一个组件,从零搭建了一个前端抽样的实验系统。抽样系统实现了上文提到的抽样功能:
- 用户分组
- 实验黏性设置
- 分流量抽样,分层抽样
- 实验空转
- 实验AB样式设置
- 实验反转
除此之外,mip-experiment
还与 mip-pix 和百度统计深度整合,实现了统计功能:
- mip-pix 将实验数据拼装在图片 URL 中,将请求发往站长服务器,由站长自行统计。
- mip-experiment&百度统计 通过配置,可将请求发送到百度统计后台,实验数据可在百度统计->访问分析->事件分析中看到。
mip-experiment 的源码可在 github 上找到,有建议可以提 issue 给我。
(正文完)
打个广告:MIP 开源项目现在有很多交互组件,直接引用,无需写 js,适合快速建站,来这里看教程。
MIP 官网也使用了mip-experiment 做实验,现在正处于空转阶段。实验完成后将发出整体实验的流程和结论。