ab测试怎么做，测试原理及平台详解？

文章插图
今天和大家分享一下关于AB测试的基础知识。
一、AB测试是什么互联网行业变化很快，很多产品的迭代速度都是按周甚至是按天来的。无论是产品的优化方向，还是决策的制定，都需要有数据来说话。
目前，大部分产品迭代的方式，是直接将某版本发布给全部用户。一旦遇到线上BUG或者数据效果不好，就不得不紧急修复或者功能优化，有时甚至需要回滚到前一版本。
这对用户体验、项目进度影响是很大的，如何能解决这个问题呢？
AB测试能很好的避免这个问题。所谓AB测试，就是在正式发版上线前，将用户流量对应分成几组，让用户分别看到不同的方案设计，根据几组用户的真实数据反馈，进行数据效果的校验。
如果新版本数据呈现没问题，再考虑将新版本向全量放开，从而可以有效减少线上全用户发生事故的概率，提升用户体验。简单理解，其实就是初中学的对照试验。一组是对照组，一组是实验组。
哪些场景比较适合进行AB测试呢？
二、AB测试的应用场景AB测试通常用在以下几个场景：
1. UI的优化这是比较常见的场景。
不像功能的设计，存在着很多逻辑上的思路，经常还是可以确定哪种方案好，哪种方案不好。UI的优化，往往是很“艺术”层面的。往往看到真实数据前，谁也难以说明哪种设计能带来更好的数据效果。如下图：

文章插图
上图就是一个颜色的变化，这种情况下比较适合通过AB测试完成最终方案的确定。
2. 文案变化【ab测试怎么做，测试原理及平台详解？】这个其实和UI层面的优化很类似。同一个按钮，叫【现在申请】还是【立刻申请】呢？
如何决策，还是交给AB测试吧~
3. 页面布局页面布局，主要指的是同页面中的不同元素的排列方式。

文章插图
4. 算法优化算法优化，应该也是AB测试的一个重要场景。
上线前的算法，基本都是基于历史数据进行算法模型的训练、搭建。在本地模型效果再好，上线后也不一定有良好的表现。只有线上才是检验算法效果的决定性标准。
但谁也不能确保上线后的效果吧？那这时先用小流量做一些AB测试，是非常不错及通用的选择。
三、流量分配AB测试的基础概念也讲了一些，其中很重要的一个概念就是用户流量分组。实际落地时，是按照一定的规则，让用户随机访问某个版本，那具体该如何进行流量的分配呢？
关于流量分配，主要的要点有两个：同层互斥分配和分层流量正交。
1. 同层互斥分配每个分层都拥有全部流量。在同一个分层中，多个试验共用100%的流量，试验之间流量互斥。例如在同一分层中，试验1占用了40%流量，则试验2最多只可使用60%流量，以此类推。
有以下示意图：

文章插图
当同时运行多个试验时，如果希望试验结果尽可能精确，需要确保试验之间互不干扰，则建议将试验建立在同一分层，同一个用户只会进入该分层中的一个试验。

文章插图
2. 分层流量正交分层意为复用用户流量，如果验1和试验2使用不同的分层，则试验1和试验2均可分配最多100%的流量。在此情况下，同一个用户将会同时进入试验1和试验2 。