A/B 測試前身：歷史悠久的對照實驗

今天互聯(lián)網(wǎng)巨頭熱衷的 A/B 測試，其實源于學術層面的“隨機對照試驗”，作為一種方法論，這種對照試驗有著悠久的歷史：

• 1747 年，為了治療壞血病，皇家海軍的外科醫(yī)生 James Lind 設計了一項實驗。他測試了蘋果醋、大麥水、橘子等六種不同藥方。

最終發(fā)現(xiàn)新鮮的橘子為最佳的治療藥物，盡管那時并不清楚是橘子中維 C 的作用。

[[407113]]

1835 年，醫(yī)學史上第一次“雙盲實驗”在紐倫堡實現(xiàn)。一位名為弗里德里希的公共衛(wèi)生官員，為對抗當時頗為流行的順勢療法開啟了一個賭注：將 25 瓶順勢療法鹽水和 25 瓶蒸餾水分發(fā)給 50 位雙盲受試者。

最后 8 位聲稱產(chǎn)生了治療效果，但揭盲后發(fā)現(xiàn)，有 3 位喝的其實是蒸餾水，弗里德里希贏得了賭注。

1935 年，統(tǒng)計學家兼生物學家羅納德·費雪(Ronald Fisher)寫了一本名為《實驗設計》的書。在書中，他系統(tǒng)論述了隨機對照實驗的設計原則和統(tǒng)計檢驗的方法，成為實驗設計領域的開山之作。

1944 年，在制造原子彈的過程中，曼哈頓計劃的領軍科學家奧本海默，用 3 種方法測試如何分離鈾 235，這一步驟成為整個項目中最關鍵的環(huán)節(jié)之一。

1960 年代，大衛(wèi)·奧格威用對照測試的方法驗證廣告的有效性——寫兩條不同的文案并要求報紙將其各印一半，同時在文案中留下索取免費樣品的郵編和地址，但樣式不一樣，最終根據(jù)實際樣品索取量來觀察哪種文案效果更好。

……

可以清楚地看到，隨機對照實驗作為一種方法論，在現(xiàn)代科學和商業(yè)發(fā)展中發(fā)揮了重要作用。它本質(zhì)上能通過控制單一變量的方法來尋找最優(yōu)解決方案，已經(jīng)被廣泛運用到工程學、醫(yī)學、教育學和多個領域的商業(yè)實踐中。而我們今天要聊的 A/B 測試其實就是隨機對照實驗在互聯(lián)網(wǎng)領域的具體應用。

A/B 測試，互聯(lián)網(wǎng)巨頭的標配

A/B 測試——又被稱為小流量實驗。

通常是針對某個功能/UI/邏輯策略等，提供兩種(或多種)不同的備選解決方案，從總體用戶中隨機抽取一小部分流量，分配給不同方案，最終通過實驗數(shù)據(jù)對比來確定最優(yōu)方案。

今天，在硅谷和中國的互聯(lián)網(wǎng)頭部企業(yè)，A/B 測試已經(jīng)成為業(yè)務發(fā)展的標配。我們簡單梳理下 A/B 測試是如何風靡各大互聯(lián)網(wǎng)巨頭的——2000 年 2 月 27 日，谷歌搜索部門的一位工程師進行了互聯(lián)網(wǎng)時代的第一次 A/B 測試——他想知道搜索結(jié)果每頁展示多少條是效果最好的，當時默認為 10。實驗是這樣設計的：對于 0.1%的搜索流量，每頁顯示 20 條結(jié)果;另外兩個 0.1%分別顯示 25 條、30 條。這次測試從直接結(jié)果看并不成功——由于技術故障，實驗組頁面的加載速度明顯慢于對照組，最終導致實驗的相關指標下降。

但谷歌因此獲得了意外收獲——他們發(fā)現(xiàn)即便是0.1秒的加載延遲也會顯著影響用戶滿意度。很快，谷歌將改善響應時間提升為高優(yōu)先級事項。以這次實驗為開端，A/B 測試在谷歌內(nèi)部快速流行起來。

2012 年，據(jù)谷歌的首席經(jīng)濟學家范里安稱，谷歌每年就會開展超過 5000 次的 A/B 測試。

亞馬遜早期，工程師 Greg Linden 曾提出一個想法——在客戶支付時，根據(jù)他們購物車中的商品，向他們提供個性化的“沖動購買”建議。他精心做了一個 Demo，但演示后當時亞馬遜的一位副總裁武斷地否決了這一想法。Greg Linden 并不氣餒，他業(yè)余時間用三個半月完成了這一功能的開發(fā)，并對這個功能進行了小流量的測試。結(jié)果證明，即便是這個極其粗糙、簡陋的版本，也讓實驗組用戶的購買規(guī)模提升了 17%。

于是，“商品推薦”這個今天司空見慣的功能從此在亞馬遜開啟。

在 Facebook，CEO 扎克伯格曾公開宣稱：

“在任何給定的時間點，都不會只有一個版本的 Facebook 在線上運行，而是有超過一萬個，我們的實驗框架能隨時發(fā)現(xiàn)和感知用戶最細微的行為差異。”

在中國，頭部的互聯(lián)網(wǎng)企業(yè)也都有自己的 A/B 測試平臺。比如字節(jié)跳動的 Libra、美團的 Gemini、滴滴的阿波羅。張一鳴曾表示——“即使你有99%的把握某個名字比另一個名字更好，測一測又有什么關系呢?”

目前在字節(jié)跳動，每天同時進行的 A/B 測試達上萬場，單日新增實驗數(shù)量超過 1500 個，覆蓋 400 多項業(yè)務。截至今年 3 月底，字節(jié)跳動累計已經(jīng)做了 70 多萬次 A/B 測試。

為什么互聯(lián)網(wǎng)巨頭熱衷于 A/B 測試?

互聯(lián)網(wǎng)公司大規(guī)模運用 A/B 測試并非偶然，這背后深層次的原因在于，A/B 測試是數(shù)據(jù)驅(qū)動理念的最佳落地實踐。它能以最小的風險實現(xiàn)業(yè)務的有效反饋。

字節(jié)跳動在發(fā)布 APP 的時候，通常會給 APP 取多個名字，打多個包上架到應用市場進行 A/B 測試，觀察不同名字的下載率、留存率等指標。這背后其實是一種尊重客觀事實的決策哲學。事實上，在硅谷的互聯(lián)網(wǎng)文化中，那些靠拍腦袋的決策有一個專有名詞“HiPPO”—”Highest-paid person’s opinion”，即“公司收入最高的那個人說了算”。

谷歌的技術專家 Avinash Kaushik 曾說：

• “大多數(shù)互聯(lián)網(wǎng)產(chǎn)品都很糟糕，因為 HiPPO 創(chuàng)造了它們。”

Netflix 在 2016 年 4 月的一篇技術博客中寫道：

• “通過對照測試的方法，我們確保產(chǎn)品變更不是由最固執(zhí)己見，和最有發(fā)言權的 Netflix 高管驅(qū)動，而是由實際的在線數(shù)據(jù)驅(qū)動，這是我們走向成功的基礎。”

有人會問——A/B測試的決策思想其實由來已久，為什么直到現(xiàn)在才變得流行起來?

答案是——實驗成本。

在硬件產(chǎn)品時代，產(chǎn)品的開發(fā)成本很高，一臺電腦如果控制不同變量，事實上它就變成兩臺不同的電腦，本質(zhì)上屬于兩條產(chǎn)品線，而開發(fā)多條產(chǎn)品線對于硬件產(chǎn)品的成本是非常高的。軟件產(chǎn)品時代開發(fā)成本同樣高昂，一個版本的 Windows 要開發(fā)數(shù)年，一個 3A 大作開發(fā)同樣動輒數(shù)年，這樣龐大的開發(fā)成本是無法同時進行不同版本的開發(fā)的。同時，無論是硬件產(chǎn)品還是軟件產(chǎn)品，它們從開發(fā)、上市到客戶反饋，這個周期是極其漫長的，這樣冗長的周期也讓靈活多變的 A/B 測試難以大規(guī)模應用。而到了互聯(lián)網(wǎng)時代，每一個產(chǎn)品特性都可以快速迭代，每一次迭代都能迅速得到反饋。開發(fā)成本的降低和反饋周期的縮短——這兩重因素無疑給A/B測試提供了極其便利的實踐條件。

為了讓 A/B 測試的價值得到更大發(fā)揮，很多互聯(lián)網(wǎng)巨頭還將這項能力開放給 C 端用戶。比如今日頭條發(fā)布文章的界面，作者可以取雙標題和雙封面，經(jīng)過小流量的測試之后，推薦系統(tǒng)會自動推薦點擊率高的標題。Facebook 的廣告系統(tǒng)也給廣告主提供了一項組合實驗能力，即客戶可以上傳不同的標題、描述、封面和按鈕。Facebook 自動對這些元素進行隨機組合，形成多個創(chuàng)意進行 A/B 測試，自動將預算分配到轉(zhuǎn)化率最高的創(chuàng)意組合上。

為什么今天傳統(tǒng)的“廣告大師”越來越少了?因為互聯(lián)網(wǎng)廣告在很大程度上不再依靠“大師”的靈光乍現(xiàn)，而是更多地依靠優(yōu)化師每天測試無數(shù)版文案和素材，甚至很多文案是機器生成的。

如何利用工具做好 A/B 測試?

我們在上面的部分了解了 A/B 測試的原理和意義，很多公司會問：我知道在增長日益困難的今天，A/B 測試是一個好東西，那到底應該如何付諸實踐呢?

的確，A/B 測試的實踐并不是一個簡單的過程，它比很多人想象得要困難，這個困難體現(xiàn)在幾個層面——

首先，需要確定 A/B 測試的關鍵環(huán)節(jié)。A/B 測試到底測什么的問題，即企業(yè)必須清楚哪些環(huán)節(jié)是推動業(yè)務發(fā)展的關鍵，在關鍵環(huán)節(jié)上進行試驗。如果找不到關鍵環(huán)節(jié)，在無關痛癢的環(huán)節(jié)上，無論做多少 A/B 測試也是徒勞的。

其次，需要確保 A/B 測試過程的科學性和合理性。比如控制單一變量，即確保實驗組和對照組只有一個關鍵變量是存在差異的;比如確保流量分配的均勻隨機，即實驗組和對照組的流量是完全獨立的，不存在互相影響的關系。

最后，還需要確定合適的評價指標。評價指標通常不止一個，是看 A 指標還是 B 指標?過程指標還是結(jié)果指標?短期指標還是長期指標?單個指標還是多重指標?這些都需要根據(jù)業(yè)務實際情況審慎決定。

總結(jié)

A/B 測試作為一種科學的實驗手段，能夠幫助企業(yè)在多種方案中尋求最優(yōu)解，以最小的風險前置性地驗證策略效果，為企業(yè)規(guī)避風險。作為互聯(lián)網(wǎng)時代的企業(yè)，理性擁抱前沿趨勢永遠是最優(yōu)的選擇。