?
「沒有數據，你只是一個有想法的人。」
這是 W. Edwards 的依據名言，它表明，A/B 測試對于做出良好的商業決策來說至關重要。在 Manomano，我們向數百萬用戶展示數百萬 DIY 和園藝產品，并每天進行數十個 A/B 測試，以改善我們網站的用戶體驗。
?
?
ManoMano 花園大棚分類頁面上的產品排名算法 A/B 測試示例
然而，運行 A/B 測試和解釋結果可能非常困難，如果做得不對，可能會得到錯誤的結論。這篇博文的目的不是要說明在運行 A/B 測試時應該做什么，而是要告訴你不應該做什么。下面是我們在進行 A/B 測試時經常會犯的 10 個常見錯誤。
1.在僅當一部分人受到影響時，觀察所有人
示例：你想測試你的搜索引擎相關性，但在分析 A/B 測試結果時，你查看整個總體，而不僅僅是使用搜索引擎的用戶。雖然這在科學的角度來說不是錯誤的，但是達到統計顯著性需要更長的時間，因為在分析的數據中添加了一些噪聲：
?
?
經驗 1：為了更快地達到統計顯著性，應該只觀察與測試功能交互用戶(這里是搜索引擎)的結果。
2.在沒有任何業務直覺的情況下進行測試
不能使用太多變量(A/B/C/../N)進行測試。例如，如果使用 α=5% 顯著性閾值并決定測試 20 個不同的場景，則其中每個場景是正樣本的機會是偶然的。這是多重比較問題的一個例子。因此，業務直覺對于決定啟動哪個 A/B 測試至關重要。為了說明這一點，我們可以修改 W.Edwards Deming 的名言：
「沒有想法，你只是一個有數據的人 」
?
?
經驗 2：用你的直覺(或者更好的方法——做用戶調查)來決定啟動哪一個 A/B 測試。
3.對人口進行分段以達到統計顯著性
這是多重比較問題的另一個例子：「我的 A/B 測試不顯著，因此我將在設備上對數據進行分段以獲得顯著結果」。在進行數據分割時必須非常小心。事實上，你比較的片段越多，結果中出現錯誤的幾率就越大。
以 country * device 為例，我們在 Manomano 有 n=15 個細分市場(5 個國家*3 個設備：法國/手機、法國/桌子、西班牙/平板電腦等)。讓我們計算在其中一個分段上偶然出現至少一個重要結果的概率：
?
?
我們有超過 50% 的機會出現這種偶然性，因此，從分割數據的測試中得出結論并采取行動是非常危險的。但也有一些技術可以緩解這一問題，比如 Bonferroni 校正。
經驗 3：不要為了達到統計顯著性而分割你的數據。
4.查看幾個指標以達到統計顯著性
多重比較問題的另一個例子是：「我的 A/B 測試在轉換率、平均購物籃和跳出率上都沒有顯著結果。但這對每類購物籃的數量來說是很重要的!如果你觀察足夠多的指標，你最終會發現其中一個指標碰巧顯示了一個重要的結果：
?
?
A/B 測試結果說明
經驗 4：堅持測試設計的標準。
5.達到統計顯著性時停止測試
統計顯著性不能告訴你什么時候應該停止測試。在停止測試之前，你需要等待以達到計算出的樣本大小。使用 A/B 測試計算器計算測試所需的樣本大小。有關這種偏差的更多細節，請閱讀這里的問題說明。你還可以在此處模擬 A/A 測試，以查看在測試早期達到統計顯著性的頻率，即使在測試結束時結果不顯著：
?
?
使用 james lutrek 工具，根據樣本數量觀察 A/A 測試實驗的顯著性
經驗 5：即使你的測試有統計學意義(統計顯著性)，也要繼續測試，直到測試結束。
6.在達到統計顯著性之前不要停止測試
同樣，統計顯著性不能告訴你什么時候可以停止測試，或者繼續測試。你不應該等待一個測試變得有意義，因為它可能永遠不會發生。如果你已經達到了在測試前計算出的樣本量，這就意味著你的測試有足夠的統計能力得出結論。
?
?
Evan Miller 的 A/B 測試持續時間計算器
經驗 6 ：一旦達到所需的樣本量，停止測試。
7.將(1-p 值)當做 B 優于 A 的概率
這是一個很常見的錯誤。p 值為 2% 并不意味著 B 有 98% 的機會比 A 好。這個假設在數學上是錯誤的，因為它還取決于基準率，即你所做的測試中，有積極影響的百分比(只有上帝知道這個數字!)。這個數字反映了你的商業直覺水平。
假設我們是上帝，我們知道 ManoMano 的基準率是 20%。這意味著我們 20% 的測試都是陽性的：
?
?
80% 的陽性測試(灰色)拒絕零假設(統計能力)：
?
?
5% 的陰性測試(白色)拒絕零假設(顯著性閾值)：
?
?
結論：在 80% 的統計能力、5% 的顯著性閾值和 20% 的基準率，當檢驗被認為是陽性(p 值<0.05)時，我們只有 16/(16+4)=80% 的機會是真陽性，而不是 95%。
在這種情況下(統計能力=80%，顯著性閾值=5%)，知道你的 A/B 測試結果是有意義的，下面是一些概率，你的測試實際上是陽性的，這取決于基準率：
?
?
經驗 7:(1-p 值)不是檢驗為陽性的概率。如果你還想計算這個概率，使用貝葉斯 A/B 測試方法。
8.認為觀察到的增量是特征帶來的增量
測試所觀察到的增量允讓你可以計算統計顯著性，但將觀察到的增量視為特征帶來的實際增量是錯誤的，這通常需要更多的用戶或會話。
如果不能證明 B 優于 A ，則選擇傳遞置信區間而不是原始增量。為了說明這一點，我們以 A/B 測試為例：
?
?
p 值為 0.014，可接受的顯著性水平為 95%，此 A/B 檢驗為陽性，這意味著測試組顯著好于對照組。可以很容易地計算出觀察到的跳出率相對增量：
?
?
但將觀測到的增量視為特征帶來的實際增量是不正確的。你應該使用標準誤差計算每組的置信區間：
?
?
其中 p 是觀察到的組跳出率，n 是池樣本大小，zα 是對應于置信水平 α 的 z 值(在本例中為 95%)。你可以在這里找到通常置信水平的 z 值。
使用此公式，你最終可以計算兩個組的 95% 置信區間(CI)跳出率：
?
?
也可以反計算相對增量(pctdiff)的置信區間，但它更復雜。如果需要更多詳細信息，請參閱這個調查的第 3.3.2 節。
經驗 8：當你的測試為顯著陽性時，應該傳遞置信區間而不是原始增量。
9.當 A/B 測試結果違背你的直覺時，忽略它們
如果你(和你的組織)還沒有準備好用新的版本更新你的產品，除了確認你的偏見，啟動 A/B 測試是沒有意義的。直覺在選擇測試內容時至關重要，但它不應與 A/B 測試的結果相抵觸。
?
?
經驗 9：與利益相關者確定測試前的閾值和相關行動。
10.忘記檢查 A/B 測試系統是否可靠
為了保證你的 A/B 測試結果的可靠性，你的 A/B 測試系統必須經過校準并正常工作。確保這種可靠性的一種方法是持續進行 A/A 測試，并檢查這兩種人群之間沒有顯著差異：
?
?
Manomano 的連續 A/A 測試允許我們快速檢測 8 月份遇到的緩存錯誤，由于該錯誤，8 月 20 日到 8 月 22 日之間進行的所有測試無效。
經驗 10：持續進行 A/A 測試，以檢測可靠性。
結論
如你所見，在分析 A/B 測試結果時出錯的風險非常高，而在測試之后所做的決策對你的公司來說至關重要。因此，你應該對給到你的 A/B 測試結果持懷疑態度，特別是當這個結果來自于一個對取得積極結果有強烈興趣的人(例如，一個想賣給你東西的人)時尤其如此。在 ManoMano，我們有一個值得信賴的委員會，幫助分析所有內部和外部 A/B 測試的結果，并對結論有著公正的看法。
via：https://medium.com/manomano-tech/a-b-testing-10-common-mistakes-we-all-make-97a5030f1d44
