如何理解AB系统

1 什么是AB实验？

假如你是一名推荐算法工程师，需要上线一个提升公司商品成交金额（GMV）的算法模型。你觉得，你的模型是有效的，比原有模型提升了100%的成交金额。但是老板说，我要我觉得，不要你觉得 -- 你得给出证明。

你想了想，不妨设计一个对照实验：

将用户分成人数、GMV一致的两组，分别采用不同的模型，对照组采用原模型A，实验组采用新模型B

image.png

这就是一个AB实验：

• 提出问题--新模型真的比原来的模型效果好么？

• 建立假设--两者一致，无显著差别

• 设计实验--均匀分组，赋予不同的模型，计算差值

• 得出结论

2 均匀分组与AA实验

实验设计好了，这时又来了一个新的难题。如何保证两组一定是均匀的呢，平台每天有千百万用户，要一个个数过去么？

答案是当然不用。

这里的思路就是随机将用户分入实验组、对照组，并用两组历史数据，检验分组结果的相似性。

那么问题又来了，如何检验相似性？

引入T检验，T检验认为对两组统计量求t值，t值服从t分布，从而得出显著水平（p-value）。

image.png

其中

image.png

，即自由度；

image.png

为伽马函数。

这时候，可能有同学又要问了，T检验的前提条件是数据符合正态分布，如果数据不够"正态"那该怎么办呢？

需要明确，通过中心极限定理，在用户基数足够大的情况下，我们知道用户侧常见的指标应该服从正态分布。如果不符合，一定有某种“问题”。比如，刷单作弊、幸存者偏差、样本量小等。每个问题会有对应的“消偏”方式，来找出其背后真实存在的正态分布。

所以这里的流程就是：分组--历史数据计算--正态性检验（不正态的消偏恢复成正态分布）--两组用户组间t检验

这里的提取历史数据，并检验的过程，就是一个在开展AB实验前，进行前置AA实验的过程。

此外，这里可以发现刚才设计的AB实验漏洞。那么这里打个补丁，AB间的差异比较也应该使用“正态性检验-->t检验”这一流程。就定量实验而言，波动越大的组，所需样本量越大。

其中，样本量 = 流量 x 流量转化漏斗 x 时间

波动程度则可以通过标准差来衡量。

3 辛普森悖论与BB实验

在经历了从AA到AB之后，经过一系列调整，你得到了B比A增加了100%GMV的结论。本来两组指标收拢就可以验收完成。然而当把模型B扩充到对照组进行使用时，你发现对照组在模型B下和实验组的差距并没有完全收拢。

这就让人想到了辛普森悖论，优势分组合并为总体后，反而变成劣势组了。

当人们尝试探究两种变量（比如新生录取率与性别）是否具有相关性的时候，会分别对之进行分组研究。然而，在分组比较中都占优势的一方，在总评中有時反而是失势的一方。via wikipedia

悖论产生原因，往往是分组中存在人群比例失衡，且模型对不同人群的指标提升存在分层现象。

循着这一思路，我们发现了上文设计的AB分组存在的漏洞，对照组与实验组的男女比例不一致，分析数据之后，发现模型B对男女的提升效果不一致–女性群体涨幅大于男性群体。实验组效果提升由女性用户提供的多于男性。所以在对照组也应用模型B时，对照组和实验组未能完全收拢。

image.png

这时重新把分组中男女划分均匀，重新AA AB BB，模型B上线评估完成。顺带发现了用户分层。

新发现的分层特征放入下一轮模型迭代中。

4 总结

完整流程为：AA--AB--BB

AA 负责分组，验证均匀性。顺带修复特征数据。

AB 负责比较AB模型效果差异

BB 负责验收AB比对的合理性。顺带发现了用户分层。

一个思考题：如何证明一个策略长时间是稳定的，和时间推移无关