用好AdScope A/B测试功能，优化提升广告变现收益！

在上一期的《变现干货》中，我们讲到流量分组，流量分组是用来为流量做细分，区分流量价值的功能，对于变现优化来说，能够对流量进行不同维度的细分只是第一步，接下来需要的是对流量组进行收益验证，一般我们会采取分组测试的方法来验证收益差异，就会用到A/B测试功能。

A/B测试的作用

A/B测试(A/B Testing)，又称A/B试验、A/B实验，对照试验（Controlled Experiments）、双盲试验（Double Blind Clinical Trial）。主要应用于互联网产品、设计、搜索、推荐系统、广告系统、增长黑客、用户增长、数据分析、数字化运营、智能营销等领域。我们这里所指的A/B测试是广告营销方向的一类应用，主要是针对APP流量按一定的维度拆分、分组测试，从而达到优化变现策略，取得最大收益的目标。

A/B测试的作用

1. 变现冷启动阶段，帮助制定广告变现策略；
2. 广告变现开始后，验证实际效果；
3. 帮助分析诊断变现问题原因；
4. 调优既定运营策略与优化；
5. 持续优化变现策略形成评估闭环；

A/B测试的思路

1. 流量分析：全面了解APP特点，对自身APP所处行业、用户数量、用户行为等做全面的分析，掌握自身流量特点。

2. 渠道分析：在测试前要了解不同广告平台或同一平台对不同流量的政策及价格，填充情况，广告量级等等，便于有针对性的设置测试方向。

3. 确定目标：确定要测试的目标是什么，简单说就是想看到什么样的差异，诸如，广告收益、eCPM、频次、点击率……方面的不同流量的差异，这里要设置的目标项应该是以重要影响因素为首选，对变现影响较大的方面为主，不建议在很小的方面耗费大力气。

4. 流量分配：按与测试目标相关的维度拆分设置流量组，一般来说，流量的分配可以基于OS、网络环境、频次、展示间隔、地域、时间、APP版本、SDK版本等等。分配流量测试一般都是在相同实验环境下，测试单变量变化。

5. 数据分析：测试数据收集，实验组/对照组相关广告数据，全面统计分析。分析数据表现，一般指标有请求量、返回量、填充率、曝光量、点击量、点击率、收入、eCPM、CPC等。

6. 得出结论：主要查看两组对比测试结果，反映测试既定目标的数据上的差异，从而得出或验证某种结论，进而对广告变现策略进行调整或优化，使之更加完善。

A/B测试的策略制定

一般进行A/B测试主要都是围绕变现收益在测，关于收益可以从流量的不同维度去衡量，主要与流量分组功能相结合去配置，常见的A/B测试方向主要有相同流量不同渠道表现，不同流量相同渠道表现，不同策略组合的表现，例如：按相同比例分配流量给到不同渠道测试，看不同渠道是否有差异；按不同频次分配流量给同一渠道，看不同频次的差异，串并行等不同广告分层组合后的差异等等。

ADSCOPE A/B测试功能

AdScope A/B测试功能作为变现优化工具核心功能，可支持绝大多数开发者普遍的测试需求。

1. 基本信息设置

AdScopeA/B测试功能，支持简单化创建A/B测试，配置实验基本信息，区分操作系统、广告形式、广告位、实验时间。

2. 流量组配置

可配置具体流量维度，支持App版本、设备ID、地域、网络环境、运营商、频次及分桶规则等细分粒度。

3. 支持流量比例设置

可配置测试流量比例，分配对照组和实验组的流量比例。

4. 广告源配置

支持为A/B测试配置广告源，转发规则等广告分层策略设置，快速开启测试实验。

5. 测试数据报表

提供完整实验数据报告，多维度数据呈现，实验结果完全掌握。

关于A/B测试应用的一些注意事项：

• 实验流量分配不易过少，样本数量过少差异性表现会不明显，导致测试置信度降低；

• 测试的时间不易过短，时间太短也会使差异性就无法完全表现，从而影响对测试结果的判断；