A/B测试常见的10个错误
文章发布于公号【数智物语】 （ID：decision_engine），关注公号不错过每一篇干货。
来源 | AI开发者（id：okweiwu）
作者 | skura
A/B 测试结果出错的风险非常高，或许应该持怀疑态度。
「没有数据，你只是一个有想法的人。」
这是 W. Edwards 的依据名言，它表明，A/B 测试对于做出良好的商业决策来说至关重要。在 Manomano，我们向数百万用户展示数百万 DIY 和园艺产品，并每天进行数十个 A/B 测试，以改善我们网站的用户体验。
然而，运行 A/B 测试和解释结果可能非常困难，如果做得不对，可能会得到错误的结论。这篇博文的目的不是要说明在运行 A/B 测试时应该做什么，而是要告诉你不应该做什么。下面是我们在进行 A/B 测试时经常会犯的 10 个常见错误。
示例：你想测试你的搜索引擎相关性，但在分析 A/B 测试结果时，你查看整个总体，而不仅仅是使用搜索引擎的用户。虽然这在科学的角度来说不是错误的，但是达到统计显著性需要更长的时间，因为在分析的数据中添加了一些噪声：
经验 1：为了更快地达到统计显著性，应该只观察与测试功能交互用户（这里是搜索引擎）的结果。
不能使用太多变量（A/B/C/../N）进行测试。例如，如果使用 α=5% 显著性阈值并决定测试 20 个不同的场景，则其中每个场景是正样本的机会是偶然的。这是多重比较问题的一个例子。因此，业务直觉对于决定启动哪个 A/B 测试至关重要。为了说明这一点，我们可以修改 W.Edwards Deming 的名言：
「没有想法，你只是一个有数据的人 」
经验 2：用你的直觉（或者更好的方法——做用户调查）来决定启动哪一个 A/B 测试。
这是多重比较问题的另一个例子：「我的 A/B 测试不显著，因此我将在设备上对数据进行分段以获得显著结果」。在进行数据分割时必须非常小心。事实上，你比较的片段越多，结果中出现错误的几率就越大。
以 country * device 为例，我们在 Manomano 有 n=15 个细分市场（5 个国家*3 个设备：法国/手机、法国/桌子、西班牙/平板电脑等）。让我们计算在其中一个分段上偶然出现至少一个重要结果的概率：
我们有超过 50% 的机会出现这种偶然性，因此，从分割数据的测试中得出结论并采取行动是非常危险的。但也有一些技术可以缓解这一问题，比如 Bonferroni 校正。
经验 3：不要为了达到统计显著性而分割你的数据。
多重比较问题的另一个例子是：「我的 A/B 测试在转换率、平均购物篮和跳出率上都没有显著结果。但这对每类购物篮的数量来说是很重要的！如果你观察足够多的指标，你最终会发现其中一个指标碰巧显示了一个重要的结果：
经验 4：坚持测试设计的标准。
统计显著性不能告诉你什么时候应该停止测试。在停止测试之前，你需要等待以达到计算出的样本大小。使用 A/B 测试计算器计算测试所需的样本大小。有关这种偏差的更多细节，请阅读这里的问题说明。你还可以在此处模拟 A/A 测试，以查看在测试早期达到统计显著性的频率，即使在测试结束时结果不显著：
经验 5：即使你的测试有统计学意义（统计显著性），也要继续测试，直到测试结束。
同样，统计显著性不能告诉你什么时候可以停止测试，或者继续测试。你不应该等待一个测试变得有意义，因为它可能永远不会发生。如果你已经达到了在测试前计算出的样本量，这就意味着你的测试有足够的统计能力得出结论。
经验 6 ：一旦达到所需的样本量，停止测试。
这是一个很常见的错误。p 值为 2% 并不意味着 B 有 98% 的机会比 A 好。这个假设在数学上是错误的，因为它还取决于基准率，即你所做的测试中，有积极影响的百分比（只有上帝知道这个数字！）。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 的基准率是 20%。这意味着我们 20% 的测试都是阳性的：
80% 的阳性测试（灰色）拒绝零假设（统计能力）：
5% 的阴性测试（白色）拒绝零假设（显著性阈值）：
结论：在 80% 的统计能力、5% 的显著性阈值和 20% 的基准率，当检验被认为是阳性（p 值<0.05）时，我们只有 16/（16+4）=80% 的机会是真阳性，而不是 95%。
在这种情况下（统计能力=80%，显著性阈值=5%），知道你的 A/B 测试结果是有意义的，下面是一些概率，你的测试实际上是阳性的，这取决于基准率：
经验 7:（1-p 值）不是检验为阳性的概率。如果你还想计算这个概率，使用贝叶斯 A/B 测试方法。
测试所观察到的增量允让你可以计算统计显著性，但将观察到的增量视为特征带来的实际增量是错误的，这通常需要更多的用户或会话。
如果不能证明 B 优于 A ，则选择传递置信区间而不是原始增量。为了说明这一点，我们以 A/B 测试为例：
p 值为 0.014，可接受的显著性水平为 95%，此 A/B 检验为阳性，这意味着测试组显著好于对照组。可以很容易地计算出观察到的跳出率相对增量：
但将观测到的增量视为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：
其中 p 是观察到的组跳出率，n 是池样本大小，zα 是对应于置信水平 α 的 z 值（在本例中为 95%）。你可以在这里找到通常置信水平的 z 值。
使用此公式，你最终可以计算两个组的 95% 置信区间（CI）跳出率：
也可以反计算相对增量（pctdiff）的置信区间，但它更复杂。如果需要更多详细信息，请参阅这个调查的第 3.3.2 节
http://www.robotics.stanford.edu/~ronnyk/2009controlledExperimentsOnTheWebSurvey.pdf。
经验 8：当你的测试为显著阳性时，应该传递置信区间而不是原始增量。
如果你（和你的组织）还没有准备好用新的版本更新你的产品，除了确认你的偏见，启动 A/B 测试是没有意义的。直觉在选择测试内容时至关重要，但它不应与 A/B 测试的结果相抵触。
经验 9：与利益相关者确定测试前的阈值和相关行动。
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，并检查这两种人群之间没有显著差异：
Manomano 的连续 A/A 测试允许我们快速检测 8 月份遇到的缓存错误，由于该错误，8 月 20 日到 8 月 22 日之间进行的所有测试无效。
经验 10：持续进行 A/A 测试，以检测可靠性。
如你所见，在分析 A/B 测试结果时出错的风险非常高，而在测试之后所做的决策对你的公司来说至关重要。因此，你应该对给到你的 A/B 测试结果持怀疑态度，特别是当这个结果来自于一个对取得积极结果有强烈兴趣的人（例如，一个想卖给你东西的人）时尤其如此。在 ManoMano，我们有一个值得信赖的委员会，帮助分析所有内部和外部 A/B 测试的结果，并对结论有着公正的看法。
星标我，每天多一点智慧
|
|