A/B测试五大注意事项
随着Growth Hacking在中国的传播和兴起，作为增长黑客必杀技之一的A/B测试，也被越来越多的国内企业所接受和重视。然而，A/B测试看似简单，实则隐藏着许多沟沟坎坎，稍不注意就会导致试验结果偏离科学轨道。那么今天，我们就为大家一一细数那些年我们在A/B测试中踩过的坑。
PS，文中包含大量真实案例，若能对号入座，请尽快修正试验方案。
1. 轮流展现不同版本
对于广告主而言，找到最有价值的广告投放渠道，提升着陆页（landing page）的转化率，从而对整个广告投放流程进行优化，无疑是最核心的优化目标。采用A/B测试对不同版本的广告和着陆页进行测试，是一种很有效的优化手段。也就是将不同版本的广告和着陆页同时投放，根据它们各自的数据表现，就可以判定哪一版更好。
而目前最常见的做法是，将不同版本的广告进行轮流展示，比如谷歌Adwords系统中的测试功能，就是采用的这种方法。这种所谓的A/B测试（请注意，这种测试方法其实并不能被称为真正意义上的A/B测试），就让企业掉入了第一个陷阱。
举个不太恰当的例子，如此的测试方法就好比在电视上投放广告，分别选取了工作日的下午三点中和晚间黄金时段进行测试收集。由于轮流展示时的测试环境不尽相同，所面向的受众群体更是千差万别，因此最终试验结束后的数据结果必然会存在一定偏差，也就更不具有说服性了。
正确的做法是：不同版本需要并行（同时）上线，并且尽可能的降低所有版本的测试环境差别，才能得到精准的数据结果，从而做出可信的决策。
2. 选择不同应用市场投放
在介绍这个误区之前，必须先解释一下什么是辛普森悖论。辛普森悖论是英国统计学家 E.H. 辛普森（E.H. Simpson）于1951年提出的悖论，即在某个条件下的两组数据，在分别讨论时都会满足某种性质，可是一旦合并起来进行考虑，却可能导致相反的结论。
什么样的情况会造成辛普森悖论呢？一个很典型的应用场景：为了验证新版本对于用户使用真实影响，很多企业会选择将不同版本打包，分别投放到不同的应用市场。当发现其中某版本的数据表现的最好，就决定将该版本全量上线。殊不知，当将全部应用市场整合起来进行统计，却发现这个版本的表现差强人意，对核心数据产生了不利影响。
这里有一个真实的案例，某产品计划在安卓客户端上线一个新功能，于是先将不同版本以小流量投放在多个应用市场（例如豌豆荚、91助手等）。一段时间之后，测试结果都指向了其中一个版本。但其实，这些不同应用市场的用户并不具有全用户代表性，所以如果盲目将试验选出的版本直接推送给全部用户，就很容易因为辛普森悖论而出现完全相反的结果。
因此，避免这一大陷阱的正确做法是：将流量进行科学地分割，保证试验组和对照组的用户特征一致，且都具有全局代表性。
3. 试验结果不好就一竿子打死
上一个误区讲的是「以偏概全」，那么接下来我们要介绍的这个误区则是「以全概偏」，也叫做区群谬误。
在这个概念中，认为群体中的所有个体都有群体的性质。但如果仅基于群体的统计数据，就对其下属的个体性质作出推论，那么得出的结论往往是不准确的。换句话说，当我们做了一次A/B测试后，发现试验版本的数据结果并不理想，于是就认定所有的地区或渠道的效果都是负面的，那么我们就陷入了区群谬误的陷阱。
作为国际短租平台，搜索是Airbnb生态系统中很基础的一个组成部分。Airbnb曾经做过一个关于搜索页优化的A/B测试，新的版本更加强调了列出的图片，以及房屋所在位置（如下图所示）。
在等待了足够长的时间之后，试验结果显示新老版本的整体数据相差无几，似乎这次优化没有很好的效果。如果此时，Airbnb直接根据整体的数据表现放弃了这次优化，那么这个花费了很多精力设计的项目就会前功尽弃。
然而，Airbnb并没有借此放弃。相反，经过仔细研究，他们发现除了IE浏览器之外，新版在其他不同浏览器中的表现都很不错。当意识到新的设计制约了使用老版本IE的操作点击后（而这个明显为全局的结果造成了很消极的影响），Airbnb当即对其进行了修补。至此以后，IE恢复了和其他浏览器一样的展示结果，试验的整体数据增长了2%以上。
通过Airbnb的例子，我们能学到正确的做法是：在整体效果不太好的时候，不要一竿子打死，而需要从多个维度细分观察个体的情况，以避免区群谬误带来的决策偏差。
4. “好奇害死猫”
一个好的产品必须要能够激发用户的好奇心，并在用户的持续使用中对产品逐渐产生粘性，而不至于流失。但与此同时，我们需要时刻警惕好奇心理所带来的数据偏差。
从心理学的角度来说，好奇心是个体遇到新奇事物或处在新的外界条件下所产生的注意、操作、提问的心理倾向。应用到A/B测试的场景中，当一个产品推出了新的功能或主页，用户在早期出于好奇心理，发生了过多的试探性点击，从而推动了相关数据的增长。如果这时就以为用户更青睐于优化后的版本，直接全量上线，就很有可能忽视了用户的真实喜好。
所以，正确的做法是：适当延长试验的运行时间，观察试验数据的走势是否持久稳定，消除用户的好奇心给结果带来的偏差。
5. 反复检验，区间一收敛就喊停
在反复检验中，我们提到了p-value的概念，它可以作为区间收敛结果显著的一个参考。通常情况下，p=0.05是常用的显著值。于是，我们会自然而然的认为当p达到这个值时，就可以得到显著的结果。不过事实真是这样吗？可以看看下面这个案例。
Airbnb还做过另一个试验，他们将搜索页上的价格过滤器的上限从300调大到了1000，想知道预订数是否会增加。他们监测了价格过滤器试验随时间变化的结果，发现p-value曲线在7天之后就达到了0.05，并且这时候的结论是试验版本在预订方面起到了很显著的效果，然而当他们继续运行试验的时候，却发现这个试验开始趋向于中立，最后得到的结果是两个版本差别不大。
为什么不应该在p-value达到0.05时就停止试验呢？Airbnb团队认为，用户预订需要花很长的时间，所以早期的转化在试验最开始时会有不太恰当的影响。他们给出的建议是，为了避免统计学上的错误，最好的实践方法就是基于样本的总量计算所需最小效果，并在开始试验之前就想好你要运行多久。
试验给出的p-value值是基于认为你设计的试验是已知样本和效应大小的，所以单纯使用p-value作为停止试验的准则是不太正确的。以及，如果你持续的监控试验的发展和p-value，就比较容易看到真实的效果。
以上，就是在做A/B测试时比较容易遇到的坑。还是文章开头说过的那句话，如果刚才说到的那些坑真实反映了你当前的状况，就请尽快修正测试方案，跳出陷阱才能得到更为科学可信的结果。