为什么互联网巨头如此热衷于A/B测试？

编辑导语：近年来，A/B测试受到了许多互联网巨头的青睐，A/B测试源于学术层面的“随机对照试验”，作为一种方法论，它在互联网领域该如何应用呢？

　　一、A/B测试前身：历史悠久的对照实验

　　今天互联网巨头热衷的A/B测试，其实源于学术层面的“随机对照试验”，作为一种方法论，这种对照试验有着悠久的历史。

　　1747年，为了治疗坏血病，皇家海军的外科医生James Lind 设计了一项实验。他测试了苹果醋、大麦水、橘子等六种不同药方。

　　最终发现新鲜的橘子为最佳的治疗药物，尽管那时并不清楚是橘子中维C的作用。

　　1835年，医学史上第一次“双盲实验”在纽伦堡实现。一位名为弗里德里希的公共卫生官员，为对抗当时颇为流行的顺势疗法开启了一个赌注：将25瓶顺势疗法盐水和25瓶蒸馏水分发给50位双盲受试者。

　　最后8位声称产生了治疗效果，但揭盲后发现，有3位喝的其实是蒸馏水，弗里德里希赢得了赌注。

　　1935年，统计学家兼生物学家罗纳德·费雪（Ronald Fisher）写了一本名为《实验设计》的书。在书中，他系统论述了随机对照实验的设计原则和统计检验的方法，成为实验设计领域的开山之作。

　　1944年，在制造原子弹的过程中，曼哈顿计划的领军科学家奥本海默，用3种方法测试如何分离铀235，这一步骤成为整个项目中最关键的环节之一。

　　1960年代，大卫·奥格威用对照测试的方法验证广告的有效性——写两条不同的文案并要求报纸将其各印一半，同时在文案中留下索取免费样品的邮编和地址，但样式不一样，最终根据实际样品索取量来观察哪种文案效果更好。

　　可以清楚地看到，随机对照实验作为一种方法论，在现代科学和商业发展中发挥了重要作用。

　　它本质上能通过控制单一变量的方法来寻找最优解决方案，已经被广泛运用到工程学、医学、教育学和多个领域的商业实践中。

　　而我们今天要聊的A/B测试其实就是随机对照实验在互联网领域的具体应用。

　　二、A/B测试，互联网巨头的标配

　　A/B测试——又被称为小流量实验。

　　通常是针对某个功能/UI/逻辑策略等，提供两种（或多种）不同的备选解决方案，从总体用户中随机抽取一小部分流量，分配给不同方案，最终通过实验数据对比来确定最优方案。

　　今天，在硅谷和中国的互联网头部企业，A/B测试已经成为业务发展的标配。我们简单梳理下A/B测试是如何风靡各大互联网巨头的。

　　2000年2月27日，谷歌搜索部门的一位工程师进行了互联网时代的第一次A/B测试——他想知道搜索结果每页展示多少条是效果最好的，当时默认为 10。

　　实验是这样设计的：

• 对于0.1%的搜索流量，每页显示20条结果；
• 另外两个0.1%分别显示25条、30条。

　　这次测试从直接结果看并不成功。由于技术故障，实验组页面的加载速度明显慢于对照组，最终导致实验的相关指标下降。

　　但谷歌因此获得了意外收获，他们发现即便是0.1秒的加载延迟也会显著影响用户满意度。很快，谷歌将改善响应时间提升为高优先级事项。

　　以这次实验为开端，A/B测试在谷歌内部快速流行起来。

　　2012年，据谷歌的首席经济学家范里安称，谷歌每年就会开展超过5000次的A/B测试。

　　亚马逊早期，工程师Greg Linden曾提出一个想法：在客户支付时，根据他们购物车中的商品，向他们提供个性化的“冲动购买”建议。

　　他精心做了一个Demo，但演示后当时亚马逊的一位副总裁武断地否决了这一想法。Greg Linden并不气馁，他业余时间用三个半月完成了这一功能的开发，并对这个功能进行了小流量的测试。

　　结果证明，即便是这个极其粗糙、简陋的版本，也让实验组用户的购买规模提升了17%。

　　于是，“商品推荐”这个今天司空见惯的功能从此在亚马逊开启。

　　在Facebook，CEO扎克伯格曾公开宣称：

“在任何给定的时间点，都不会只有一个版本的 Facebook 在线上运行，而是有超过一万个，我们的实验框架能随时发现和感知用户最细微的行为差异。”

　　在中国，头部的互联网企业也都有自己的A/B测试平台。比如字节跳动的Libra、美团的Gemini、滴滴的阿波罗。

　　张一鸣曾表示：

“即使你有99%的把握某个名字比另一个名字更好，测一测又有什么关系呢？”

　　目前在字节跳动，每天同时进行的A/B测试达上万场，单日新增实验数量超过1500个，覆盖400多项业务。截至今年3月底，字节跳动累计已经做了70多万次。

　　三、为什么互联网巨头热衷于A/B测试？

　　互联网公司大规模运用A/B测试并非偶然，这背后深层次的原因在于：A/B测试是数据驱动理念的最佳落地实践，它能以最小的风险实现业务的有效反馈。

　　字节跳动在发布APP的时候，通常会给APP取多个名字，打多个包上架到应用市场进行A/B测试，观察不同名字的下载率、留存率等指标。

　　这背后其实是一种尊重客观事实的决策哲学。

　　事实上，在硅谷的互联网文化中，那些靠拍脑袋的决策有一个专有名词“HiPPO”：”Highest-paid person’s opinion”，即“公司收入最高的那个人说了算”。

　　谷歌的技术专家Avinash Kaushik 曾说：

“大多数互联网产品都很糟糕，因为 HiPPO 创造了它们。”

　　Netflix在2016年4月的一篇技术博客中写道：

“通过对照测试的方法，我们确保产品变更不是由最固执己见，和最有发言权的Netflix高管驱动，而是由实际的在线数据驱动，这是我们走向成功的基础。”

　　有人会问：A/B测试的决策思想其实由来已久，为什么直到现在才变得流行起来？

　　答案是实验成本。

　　在硬件产品时代，产品的开发成本很高，一台电脑如果控制不同变量，事实上它就变成两台不同的电脑，本质上属于两条产品线，而开发多条产品线对于硬件产品的成本是非常高的。

　　软件产品时代开发成本同样高昂，一个版本的Windows要开发数年，一个3A大作开发同样动辄数年，这样庞大的开发成本是无法同时进行不同版本的开发的。

　　同时，无论是硬件产品还是软件产品，它们从开发、上市到客户反馈，这个周期是极其漫长的，这样冗长的周期也让灵活多变的A/B测试难以大规模应用。

　　而到了互联网时代，每一个产品特性都可以快速迭代，每一次迭代都能迅速得到反馈。

　　开发成本的降低和反馈周期的缩短，这两重因素无疑给A/B测试提供了极其便利的实践条件。

　　为了让A/B测试的价值得到更大发挥，很多互联网巨头还将这项能力开放给C端用户。

　　比如今日头条发布文章的界面，作者可以选取双标题和双封面，经过小流量的测试之后，推荐系统会自动推荐点击率高的标题。

　　Facebook的广告系统也给广告主提供了一项组合实验能力，即客户可以上传不同的标题、描述、封面和按钮。

　　Facebook自动对这些元素进行随机组合，形成多个创意进行A/B测试，自动将预算分配到转化率最高的创意组合上。

　　为什么今天传统的“广告大师”越来越少了？

　　因为互联网广告在很大程度上不再依靠“大师”的灵光乍现，而是更多地依靠优化师每天测试无数版文案和素材，甚至很多文案是机器生成的。

　　四、如何利用工具做好A/B测试？

　　我们在上面的部分了解了A/B测试的原理和意义，很多公司会问：我知道在增长日益困难的今天，A/B测试是一个好东西，那到底应该如何付诸实践呢？

　　的确，A/B测试的实践并不是一个简单的过程，它比很多人想象得要困难，这个困难体现在几个层面：

　　首先，需要确定A/B测试的关键环节。

　　A/B测试到底测什么的问题，即企业必须清楚哪些环节是推动业务发展的关键，在关键环节上进行试验。

　　如果找不到关键环节，在无关痛痒的环节上，无论做多少A/B测试也是徒劳的。

　　其次，需要确保A/B测试过程的科学性和合理性。

　　比如控制单一变量，即确保实验组和对照组只有一个关键变量是存在差异的；

　　比如确保流量分配的均匀随机，即实验组和对照组的流量是完全独立的，不存在互相影响的关系。

　　最后，还需要确定合适的评价指标。

　　评价指标通常不止一个，是看A指标还是B指标？过程指标还是结果指标？短期指标还是长期指标？单个指标还是多重指标？这些都需要根据业务实际情况审慎决定。

　　所以，A/B测试并不是一件容易的事。要充分解决以上问题，对于企业而言，开发一套完整的实验系统是其中的一个方案，但这通常需要较高的开发成本。

　　另一种方式是使用成熟的第三方测试工具。

　　比如字节跳动就将其内部的A/B测试技术能力，通过其旗下的To B品牌“火山引擎”统一对外开放。

　　2014年，字节开始推动A/B测试的平台化，2016年正式建立A/B测试平台Libra。

　　运行至今，Libra已经在字节的多个产品线验证了有效性，同时经过多年迭代，在实用性、易用性、灵活性等层面都得到了充分验证。

　　火山引擎的A/B测试具体适用于哪些场景？主要有以下几个：

• 个性化推送实验：在运营场景下支持APP个性化推送试验，比较不同组推送效果。
• 可视化建站实验：无需代码，运营人员就可以直接在页面上修改文案等元素进行试验。
• 多链接网页实验：在需要转跳网页的场景下，可以把流量打到不同的着陆页上去对比评估效果。
• 客户端和服务端编程实验：从前端的交互、功能迭代到后端的策略和模型优化，支持灰度发布。

　　火山引擎的A/B测试可以灵活支持获客、留存、转化、传播等各个环节的测试工作。比如说：

• 获客阶段，可以看哪个文案更适合；
• 转化阶段，可以看哪个算法效果更好；
• 传播阶段，可以看哪个互动效果更佳。

　　悟空租车就使用火山引擎的A/B测试，对整个租车流程进行了对照实验。实验的出发点是想减轻用户对押金的压迫感，提升转化率。

　　悟空租车原有的流程是租金和押金在同一个页面支付，用户支付时心理成本较大，于是产品经理设计了一个新方案：延迟支付押金，即先付租金再付押金。

　　但悟空租车不知道新方案是否奏效，于是就做了小流量的A/B测试。

　　很显然，新方案页面的流程更长，在直观体验上增加了用户的操作成本，然而结果显示，新方案的整体转化率提升了7%。

　　这就是A/B测试的意义。

　　据我观察，字节跳动对A/B测试的确有着非常深刻的理解，同时通过内部的历练和打磨，系统在同类产品中也的确最为成熟，可以切实为企业解决问题。

　　正如亚马逊将本来给自己内部使用的云服务开放出去一样，字节跳动也希望将自己有价值的能力对外开放。

　　这种开放是一种增量，既是自己技术能力的变现，也能通过市场验证反哺团队的技术水平。

　　五、总结

　　A/B测试作为一种科学的实验手段，能够帮助企业在多种方案中寻求最优解，以最小的风险前置性地验证策略效果，为企业规避风险。

　　作为互联网时代的企业，理性拥抱前沿趋势永远是最优的选择。

　　#专栏作家#

　　卫夕，微信公众号：卫夕指北（ID：weixizhibei），人人都是产品经理专栏作家，2018年年度作者。一名兴趣广泛的广告产品经理，致力于用简单语言深度剖析互联网相关的逻辑。

　　本文原创发布于人人都是产品经理。未经许可，禁止转载。

　　题图来自 Unsplash，基于CC0协议