A/B 测试，简单来说，就是为同一个目标制定两个方案（比如两个页面），让一部分用户使用 A 方案，另一部分用户使用 B 方案，记录下用户的使用情况，看哪个方案更符合设计。那我们要如何通过 AB Testing 提升产品数据？
产品或者设计师在做设计方案时，会有一套方法论来制作多个方案，经过评审之后一般都会得出一个平衡了用户体验和业务目标的方案。但往往也存在一种情况：A方案和B方案各有优劣，实在无法主观判断两个方案上线之后数据如何。
如果AB方案的实现成本不是很高，就可以使用AB Testing来解决。依据上线之后的数据表现，最终上线数据更好的方案。
1. 原理
数理统计学中有一个概念叫“假设检验(Hypothesis Testing）”，其基本的原理是对整体特征做出某种假设，然后通过抽样研究的统计推理，对此假设应该被拒绝还是接受作出推断。
在假设检验中，存在原假设和备择假设，以下图为例：
改变按钮样式的AB Testing
原假设指改变按钮样式会带来转化率的提升，备择假设是改变按钮样式不会带来转化率的提升。
原假设和备择假设有且只能有一个为真。
2. 背景
Google是最早将AB Testing应用到互联网产品的公司，谷歌工程师在2000年进行了他们的第一次AB测试，试图确定在搜索引擎结果页面上显示的最佳结果数量。后来AB测试不断发展，但基础和基本原则通常保持不变，2011年，谷歌首次测试后11年，谷歌进行了7,000多次不同的AB测试。
目前像Facebook、LinkedIn等公司都有专门的增长团队来做AB Testing的实验（增长团队的核心就是不断的进行AB Testing来提升产品数据），并且团队负责人直接向CEO汇报，最近两年国内不少公司也越来越重视数据增长。
3. AB Testing越来越被重视的原因
为什么数据增长会在互联网行业兴起，我认为有两点原因：
- 一是互联网产品的表现形式趋于成熟，目前市场上主流的智能手机操作系统只有iOS和Android，它们在交互和视觉层面越来越规范和统一；
- 二是互联网产品设计的方法论逐渐成熟，互联网公司产品设计流程的分工已经很细，产品经理、交互设计师、视觉设计师，而且每个岗位都有成熟的方法论。
由于这两点原因，导致大家做出来的东西在用户体验层面已经拉不开很大的差距，这时候如何在同质化产品中脱颖而出变得更加困难，其中通过科学的方法，采用认知心理学和统计学相关知识的AB Testing展现了它的威力，并为互联网产品的数据增长带来了新的动力。
4. 具体方法论：如何做实验？
①提出想法，设定假设
得出假设的方法有很多，包括福格模型、头脑风暴、经验总结、行业借鉴、公司不同部门人员提出建议、用户调研、数据分析。方法有很多，以后我们会详细介绍。
②预估成本/设定优先级
有些实验方案不仅涉及设计和开发成本，还需要额外的资金成本，像增加现金或优惠券奖励来提升转化率的实验，这个时候需要对该类实验经济成本预估，并且结合ICE模型来设定优先级，决定哪个实验先做，哪个实验后做。
ICE模型是指：Impact Level 重要度；Confidence 自信度； Ease 容易度。每项满分为十分，ICE总分为三项的平均分，ICE分值越高，对应的优先级也越高。
③设计方案
决定了哪些实验先做，哪些后做，接下来就要开始进入方案的设计阶段了，有些简单的实验可能不需要经过设计阶段，可以直接开发上线。主要跟交互设计师，根据第一步提出的假设，提出多种方案，最后选择一到两个方案进行AB testing。
著名的资讯公司Upworthy会对每篇即将上线的文章讨论出25个标题，最终选择2个标题进行A B testing。
④确定实验人数和周期
关于计算实验人数和周期，有很多工具网站可以使用，例如：Evanmiller网站。打开这个网站，你会发现有四个字段需要输入：
- 一个是Baseline conversion rate，指原有的转化率；
- 二是Minimum Detectable Effect，指预计会提升的百分比，另外两个是β和α值，你只要记住设定这两个值是为了保证实验结果的准确性。一般β值会设定在5%/10%，α值会取1%~10%之间。
⑤安排开发与测试
这个大家太熟悉了，就不多说。
⑥分析实验结果
在分析实验结果的时候要特别注意两点：
- 一要排除其他因素导致的数据变动，例如你的产品是受季节影响的话，实验得出的数据要扣除季节对数据产生的影响；
- 二是确保关联数据也有相应增长，例如你的实验是要提升活动详情页到支付页的转化率，实验结果显示，转化率从之前的5%提升到了6%，这相当于增长了20%。但是别高兴太早，你要看看这增加的20%的用户，有没有成功进入下一步，也就是支付成功，很有可能本次实验只是把用户从活动详情页吸引到了支付页，但是吸引来的用户并没有去真正下单。
⑦扩大实验或失败
分析完实验结果后，如果判定实验成功，接下来就扩大实验范围，把本次改进覆盖所有用户；如果实验失败，也不要灰心，毕竟AB Testing的成功率并不是很高，大胆的接受实验失败，并开始下一个实验吧。
5. 注意事项
- 确保实验的变量唯一；
- 确保试验周期不能过长，一般控制在2到3周，最好不要超过一个月；
- 确保α和β值在合理的区间内，保证实验的准确性；
- 分析实验结果时，记得排除其他因素在实验中的影响。
