以下是有幸参加字节跳动公司春季招聘【Tech Talk】讲座的学习收获。
AB测试
A/B实验
产品方案的决定，绝不是产品经理的经验之谈，也不是技术的可行性决定，没有谁领导谁，数据驱动是关键。（这里主要是存在大量数据的情况下）
上一个新的功能点，到底会不会带来想要的效果，或者到底能不能证明这个功能就是上的很正确——用数据说话！
but 数据表现出来的波动有多大的准确率？有多少其他因素的干扰？没有对比怎么证明怎么确定就是对的呢？这时候A/B实验就是一种比较好的方式。
A/B实验：在A方案下有多少conversion，在B方案下有多少conversion？如果存在多个方案呢？举个栗子好说话。。。
多种短视频首页
在抖音选择视频展示布局和播放形式的时候就用到了A/B测试，最后我们看到现在的抖音就是用的第三种方式，不再是矩阵形式的列举，更为新颖。或者这个背后是不是还有其他心理因素和视觉感受的结合？
自己的小想法：
①矩阵排列的视频形式，我们在刷视频时，是不是会选一个自己感觉不错的，可能就是那张封面的图片在某种程度上决定了点击率，而且只要和第三张图片一对比，我们就能明显感觉到矩阵排列的有些视觉上的不舒适；
②短视频里我们会看到很多普通人的作品，不是明星不是流量大牌，每个人都是可以点赞上万的。有个词叫做去中心化，还是挺合适这种社交的，我们都希望自己被喜欢和关注，整个手机屏幕只有你的唯一作品，总觉得挺不错的；
如何分流
分层流量解决了并行进行大量A/B测试的需求与有限流量之间的矛盾。在分层实验时，每一层都拥有100%的用户流量，处在同一层的实验共享这一层100%的流量
分层流量
参考来源：AB测试使用文档简介讲解AB测试实验的实现，技术性强。
回到例子上抖音有庞大的数据量，数据支撑最后方案的决定。当然产品经理也需要有数据思维，数据是有力的支撑，但是什么功能什么时候该做，还是要心里有数。
数据出来以后，还是需要有一个评价的标准的。
如何决策
该方案我们的目的是什么？我们关注的点是什么？数据显示某一指标变好是代表有用吗？
value：数据表示有用而实际没用的概率
当value稳定在某一值一段时间后再做决策。（这里面有相应的判断公式）
AB测试有三要素
用户量——要到达一定的量，有数据积累
业务
工具
产品经理需要学习和了解的东西很多的，慢慢积累，多总结，就像这样偶然的一次讲座学习，也能了解到很多有趣有料的东西。
