作者：Romain AYRES

本文由AI公园授权转载，转载请联系出处

编译：ronghuaiyang

导读

这篇博客文章的目的 不是告诉你在运行A/B测试时应该做什么，而是告诉你不应该做什么。

“没有数据，你只是一个有观点的人。”

这个著名的_W. Edwards Deming_引用说明了 A/B测试对于做出好的商业决策至关重要。在ManoMano，我们向数百万用户展示数以百万计的DIY和园艺产品，并每天运行几十个A/B测试，以改善我们网站上的客户体验。

产品排名算法A/B测试示例，garden sheds页面

运行A/B测试和解释结果可能非常困难，如果方法错误，可能会导致错误的结论。这篇博客文章的目的 不是告诉你在运行A/B测试时应该做什么，而是告诉你不应该做什么。下面是在A/B测试结果时都会犯的10个常见错误。

1 — 当只有一个局部受到影响时，观察的是整个分布

例如：你想要测试搜索引擎的相关性，但是在分析A/B测试结果时，你查看了整个人群，而不是只使用搜索引擎的客户。虽然这在科学上没有错，但达到统计显著性需要更长的时间，因为你在分析数据中添加了一些噪声：

要点1：为了更快地达到统计显著性，只观察与测试功能交互过的用户的结果(这里是搜索引擎)。

2 — 在没有任何业务直觉的情况下跑测试

这个错误的一种情况时跑具有太多变量(A/B/C/…/n)的测试。这是一个关于_多重比较问题_的例子。因此，商业直觉对于决定进行哪种AB测试至关重要。

要点2：使用你的直觉(或者更好地做用户研究)来决定启动哪个A/B测试。

3 — 对分布进行分割以达到统计学显著性

这是_多重比较问题的另一个例子：__“我的A/B测试不重要，所以我将在设备上按国家分割数据，以获得显著性结果_”。在做测试后的分割时，你必须非常小心。的确，你比较的segments越多，得到假阳性结果的可能性就越大。

对于在设备上按国家分割示例，我们在ManoMano有n=15个细分市场(5个国家×3个设备：法国/移动、法国/台式机、西班牙/平板电脑等)。让我们计算一下在这些分割中至少有一个显著结果的概率：

我们有超过50%的机会在我们的细分人群中得到至少一个显著的结果，完全是由于偶然。因此，从测试后的分割中得出结论并采取行动是非常危险的。尽管存在一些技术来缓解这个问题，比如Bonferroni correction。

要点3：不要为了达到统计意义而分割你的人群。

4 — 查看好几个指标以达到统计上显著性

关于多重比较问题的另一个例子是：“*我的A/B测试没有显示在转化率、平均购物篮和弹跳率上有显著的结果。但这对每个篮子里的产品数量来说意义重大！” 如果你查看足够多的度量标准，你最终会发现一个显示为显著的度量标准，但这是由于偶然：

A/B测试结果显示

要点4: 坚持以测试目的为标注的度量方式。

5 — 达到统计学显著性时停止测试

统计显著性不能告诉你什么时候应该停止测试。 在停止测试前，你需要等待计算出的样本量达到。你还可以模拟一个A/A测试，以查看在测试早期达到统计显著性的频率是相当高的，即使测试最后并没有达到显著性：

根据样本数量，观察A/A测试实验的显著性

要点5: 即使你的测试在具有统计显著性，也要保持测试的有效性，直到测试完成为止。

6 — 在达到统计显著性之前，保持测试有效

再次强调，统计显著性不能告诉你何时可以停止测试或继续测试。 你不应该等待一个测试具有显著性，因为它可能永远不会发生，特别是如果你已经达到所需的样本量，这意味着你的测试有了一个足够的统计能力的结论。

要点6: 一旦达到所需的样本量，就停止测试。

7 — 把(1 - p值)当成B优于A的概率

这是一个很常见的错误。P-value为2%并不意味着B有98%的几率比a好，这一假设在数学上是错误的，因为它还依赖于基本比率，这是测试执行上有积极的效果的比例(只有上帝知道这个数！)。这个数字反映了你的商业直觉水平。

假设我们是上帝，我们知道ManoMano的基本比率是20%，这意味着 20% 的测试结果是positive的：

80% 阳性检验(灰色)，拒绝原假设(统计幂)：

5% 阴性检验(白色)，拒绝原假设(显著性阈值):

结论：给定80%的统计能力、5%的显著性阈值和20%的基准率， 当一个测试被认为是阳性时(p值< 0.05)，我们只有16 /(16+4)= 80%的机会它实际上是阳性的，而不是95%。

在这种配置中(统计能力=80%，显著性阈值=5%)，并且知道你的A/B测试结果是显著的，下面是你的测试实际上是阳性的一些概率，具体取决于基本比率：

要点7：(1 - p-value)不是测试结果为positive的概率。

8 — 认为观测到的增量是特征带来的增量

测试中观察到的增量允许你计算统计显著性， 但是将观察到的增量视为特征带来的实际增量是错误的，因为这通常需要更多的用户或会话。

如果仅仅说明B比A好是不够的，需要选择使用置信区间而不是原始增量。为了说明这一点，我们举一个A/B测试的例子：

p值为0.014，在显著性水平为95%的情况下，A/B检验为阳性，说明变异组显著优于对照组。观测到的转化率相对增量很容易计算：

但是，将这个观察到的增量看作特征带来的实际增量是不正确的。你应该使用标准误差计算每组的置信区间：

p是观察到的是这个组的转化率，n采样池样本量，Zα相对应的z值置信水平α(在我们的例子中95%)。

利用该公式，最终可以计算出两组95%置信区间(CI)的转化率：

也可以计算相对增量(PctDiff)的置信区间，但它更复杂。

要点8：当你的测试结果显著性为阳性时，请使用置信区间，而不是原始增量。

9 — 当A/B测试结果与你的直觉相反时，忽略它

如果你还没有准备好使用获胜的版本更新你的产品，那么启动A/B测试是没有意义的，而只是提供你的确认偏差。在选择测试内容时，直觉是至关重要的，但它不应该与A/B测试的无偏结果相抵触。

要点9: 在测试前与涉众确定阈值和相关操作。

10 — 忘记检查你的A/B测试系统是否可靠

为了保证你的A/B测试结果的可靠性，你的A/B测试系统必须经过校准并正常工作。确保这种可靠性的一种方法是持续进行A/A测试，并检�