电商行业充斥着大大小小的促销活动，O2O领域也常常上演补贴大战，在开疆辟土阶段，砸钱让利招揽用户的法子自然最为好使，但当形成一定规模之后，疯狂促销补贴的模式是否仍然高效？个性化的运营策略是否有必要？活动的真实效果到底如何？
为了解决以上问题，建立科学的活动效果评估体系，当前最简便的方法莫过于AB测试。
一、如何建立评估体系？
AB测试目前广泛应用于产品灰度发布阶段，除此以外，AB测试还有更为广泛的用途，比如：精准营销等增长策略。
要进行某类方案的验证，其理念非常朴素，无非就是控制变量，但商业世界尤其复杂，想要控制一切不相干变量极其困难，因此AB测试大行其道，成为了检验“真理”的常用标准。
基于AB测试的思想，通过随机分组，可以保证两个组的其他变量基本一致，通过对实验组施加影响，来观察实验组相对于对照组的表现差异，从而评估该影响的效果。
接下来，我们就以电商行业的促销活动为例，尝试构建促销的评估体系。
首先，通过标签筛选出潜在人群，并随机抽取一部分用户作为测试组，在不做任何干预的情况下，暗中观察用户的转化情况。
对于实验组的用户，我们通过定向优惠券加短信触达的形式进行干预，然后静静等待用户转化。
对于对照组而言，用户都是自然转化，而实验组的用户是在干预下产生的转化。在实验组中，一部分用户确实是被优惠吸引，从而下单购买，但还有一部分用户即使没有优惠券也很有可能自然转化。
因此，我们以对照组的转化率作为没有优惠券情况下的自然转化率，那么，我们可以得到以下与用户相关的指标：
用户基线=干预总人数*自然转化率
用户提升=干预总人数*（干预转化率-自然转化率）
用户提升率=用户提升/用户基线
同理，从经营分析的层面，我们可以评估实际的销售效果：
GMV基线=用户基线*自然转化客单价
GMV提升=用户提升*干预转化客单价+Max[用户基线*(干预转化客单价-自然转化客单价),0]
成本=每单优惠金额*下单用户量+每条短信资费*干预总人数
GMV净提升=GMV提升-成本
注：GMV提升一方面体现在拉来本不会下单的用户所产生的GMV，另一方面体现在，提升了本来就会下单的用户的客单价，因此要计算这两部分的GMV提升。而对于优惠券而言，尤其是满减优惠券，一般会对客单价产生提升作用，如果客单价降低了，可能是因误差或外部因素导致，因此此处用了Max()，即当客单价降低时，取值0。
最终，我们可以得到评估经营效果的综合指标：
GMV净提升率=GMV净提升/GMV基线
ROI=GMV净提升/总成本
上边的指标这么多，那哪个才是最重要的呢？
以上指标罗列的目的是便于理解指标的拆解计算过程。但对于不同角色而言，最终只需要关注与其相关的结果指标。
对于运营或者营销而言，他们的考核目标可能聚焦于月活跃用户数，所以，他们会更关心用户提升率，通过多次活动的横向比较，可以识别活动效果的好坏，从而再逐步挖掘根因。
对于负责销售的同事而言，需要考量的因素会相对复杂一些，但他们也可以直接通过GMV净提升率和ROI这两个指标来评估活动的综合效果。
其中，GMV净提升率反应的是活动对于GMV的提升效果，如果当前的目标是不惜一切代价冲GMV的话，那么应该选择GMV净提升率高的活动形式或力度。而如果需要权衡考量利润的话，那么还应该把ROI纳入分析，选取GMV净提升率较高，同时ROI也较为可观的活动方案。
二、如何构建优化策略？
上边有提到，运营或者销售可以通过AB测试优化活动方案，那么具体应该如何实现呢？
如果需要测试不同促销形式、不同活动力度的效果，那么有必要对实验组进一步细分。
例如：对于实验组1可以发放满100减20的券，实验组2发放满100减10的券，最后与对照组比对分析活动效果差异。满100减20的券GMV提升可能较高，但由于成本较大，也会导致GMV净提升率和ROI并不高。
同样，对于不同促销形式，如定向优惠券、定向优惠价格等，同一折扣力度不同门槛，如100减20和200减40，也可以以相似方法进行测试。
进行多次AB测试之后，可以根据历史测试数据进行初步判断，识别符合目标的最优促销方案。
三、AB测试有哪些坑？
方法论总是看上去很美好，但一到落地层面就会面临很多意想不到的问题，下面就来扒一扒，按照上述AB测试的方法来做活动效果评估及优化会有哪些坑。
测试组人数太少：测试组和实验组的人数不需要完全一样，但各组的人数要保证有统计学上的意义，如果实验组10w人，测试组只有10个人，那么测试组的结果受个体的影响会很大，最终可能导致异常的结果。
实验组人数太少：如果想要测试什么门槛的优惠券效果更好，那么需要拆分多个实验组，发放不同的优惠券，如果分的组太多，会使得每个实验组人数偏少，从而导致结果不准确。
你的测试组是别人的实验组：现实环境下，不存在绝对干净的试验田，你以为测试组可以代表用户在不受干扰下的自然转化，殊不知有其他活动已经将他们划入了实验组。如果是公司内部的冲突，那么可以在数据回流后剔除掉参与其他实验的用户，但如果是受到外部友商的干扰，那么我们将无从知晓，只有通过多次实验综合评估，对冲单次活动可能会面临的特殊情况。
你的实验组是别人的实验组：同理，外部友商可能有更大力度的活动，刚好圈定了你的实验组用户，那么结果可想而之。
干预时间滞后：从圈定用户、申请优惠券到最后的短信触达，这个时间多少有些滞后，如果系统不判断用户是否已经下单，那么用户在下单之后才收到优惠券，一方面会影响体验，另一方面，用户可能取消订单后再下单，导致履约成本的上升。如果在发送短信前剔除已下单用户，那么最后实际干预的都是购买倾向相对偏弱的人群，会导致结果失准。因此，营销系统的完善性、各部门的协同执行力都至关重要。
结语
现实世界纷繁复杂，想要抽丝剥茧，捋出头绪谈何容易。试验总会好过停步不前，在实践之中，我们可以学着避开一个又一个的坑。
我们都在试图去搭建一个框架，在这个框架下反复地探究，找到一丝可能的线索，最终，这些线索会编织起一个网络。