什么是AB测试？

通俗点理解，AB测试就是比较两个东西好坏的一套方法，这种A和B的比较在我们的生活和人生中非常常见，所以不难理解。具体到AB测试这个概念，它和我们比较哪个梨更大、比较哪个美女更漂亮、比较哪个工作更好之间有什么区别吗？ 区别其实非常明显，从以下几个方面不难看出来：

• 领域不同：AB测试的概念是在互联网中被提出来的，所以它有特定的应用领域。
• 标准不同：AB测试需要比较产品的两个不同版本之间的优劣，但是评判要交给用户，不像我们生活中遇到的AB比较，基本都可以“自己拿主意”。

正是因为标准在“用户爸爸”那里，所以这个看起来很简单的AB比较就变得异常复杂。在我这个理科男眼里，凡是跟人有关的东西都更复杂，何况和千千万万人有关的产品。因此，为了比较A和B两个不同版本产品的优劣，AB测试这一套系统的方法被发明出来了。

AB测试

上图是AB测试的一个直观解释。我们会随机给不同的人群提供两个不同版本的产品，然后通过收集用户反馈的数据进行统计分析，决定出哪个版本的产品更好。相信我们每个人都当过AB测试的小白鼠，细心的你不难在使用微信、抖音、高德、美团这些APP时发现一些端倪。

维基百科上给AB测试下了一个定义：

A/B testing is a way to compare two versions of a single variable, typically by testing a subject's response to variant A against variant B, and determining which of the two variants is more effective.

在我看来这跟啥也没说差不多，就是我上面“通俗理解”的翻译版本。AB测试属于那种一听就懂，一看就明白，一做就抓瞎的事。所以定义和概念不重要，实践才重要。幸运的是，前辈们已经帮我们总结了非常多的经验教训，而我作为知识的搬砖工，将会用几篇文章来和大家一起从零开始学习AB测试。

• 互联网公民第一守则：不要重复造轮子。
• 互联网公民第二守则：参照上一条。

为什么要做AB测试？

AB测试虽然思想简单但是非常有效，看了如下的几个好处你就明白为什么一定要做AB测试了：

• 如果我们人工针对部分用户做调研，很难消除一些外部因素的影响，比如交通、天气、节日，而AB测试可以通过随机分配和对照的方式，有效消除这些影响。
• 如果我们听取专家或研究机构的建议，众所周知，他们很可能出错。用户行为是个很复杂的事，具有潜在性，很多时候用户自己都不知道自己怎么想的，想要什么。
• 让数据说话，而不是听老板的🙂

总之，AB测试可以帮助我们消除主观因素的影响，尽量做出更理性，更符合实际的决策。

AB测试的步骤

在此引用一本书里的图片，AB测试的基本步骤如下：

AB测试的步骤

翻译过来大致如下：

• 创建假设：明确要测试的目标。
• 分析并具体化假设：目标一定要具体化，比如将用户点击率提升1个百分点。
• 定义评估指标：如何对你关心的指标量化？
• 决定要做实验的平台：网页端？移动端？安卓还是IOS？
• 技术实现：交给码农
• 结果分析
• 消除干扰：不要以为有了结果就可以下结论了，后面会教大家躲坑大法
• 结论

可以看出在实际执行过程中有很多细节和步骤需要考虑，并不是直接把两个版本的产品随机分配给不同用户那么简单。既然AB测试是让数据说话，所以目标/指标量化就很关键，说直白点，拿什么来证明A比B好呢？好比挑个西瓜，你也得有几个评估的标准：大小，色泽，声响等等。

另外，在真正开始做实验之前，还有个重要的问题需要解决，那就是你的测试样本要选多大。你要清楚，我们不可能对大多数用户都进行测试，那样跟“先上线有了问题再回退版本”的简单粗暴方式就没有了区别。所以在实验之前需要评估出你所需要的最小样本数目（最少被测试用户的数目）。AB测试本质上是做统计假设检验，所以已经有很多现成的统计工具帮我们来做类似的事情，下面有个简单的网页端工具，感兴趣的朋友可以去试试看。

一个AB测试的辅助工具： https://abtestguide.com/calc/

下一篇《从零开始学AB测试：躲坑篇》将和大家分享在AB测试中如何躲避前人踩过的各种坑。记得加关注。

参考资料

[1] 《A Definitive Guide to A/B Testing: Practical Lessons for Online Product Managers 》, Divakar Gupta

如果你喜欢以上内容，欢迎到我的个人主页关注我：Homepage