火山引擎 A/B 测试的思考与实践

为什么要做 A/B 测试

首先我们看一个案例。字节跳动有一款中视频产品叫西瓜视频，最早它叫做头条视频。为了提升产品的品牌辨识度，团队想给它起个更好的名字。经过一些内部调研和头脑风暴，征集到了西瓜视频、奇妙视频、筷子视频、阳光视频 4 个名字，于是团队就针对一共 5 个 APP 名称进行了 A/B 实验。这个实验中唯一改变的是应用市场里该产品的名称和对应的 logo，实验目的是为了验证哪一个应用名称能更好地提升“头条视频” APP 在应用商店的点击率。最后西瓜视频和奇妙视频的点击率位列前二，但差距不显著，结合用户调性等因素的综合考量后，最终决定头条视频正式更名为西瓜视频。

通过这个案例可以看到，A/B 测试可以帮助业务做最终决策。结合案例的直观感受，我们可以这样来定义 A/B 测试：在同一时间对目标受众做科学抽样、分组测试以评估效果。

以上图图示为例，假设我们有 100 万用户要进行 A/B 测试：

先选定目标受众，比如一线城市的用户。
A/B 测试不可能对所有用户都进行实验，所以要进行科学抽样，选择小部分流量进行实验。
抽样之后需要对样本进行分组，比如 A 组保持现状，B 组的某一个因素有所改变。
分组之后在同一时间进行实验，就可以看到改变变量后用户行为的变化。
再根据对应实验目标的指标，比如点击率的高低，来评估实验的结果。

以上就是我们对 A/B 测试的定义。目前，A/B 测试已被 Google、Facebook、亚马逊等大型互联网公司广泛采用；字节跳动更是在 2012 年成立之初便开始使用 A/B 测试，公司内部一直流传一句话：一切皆可 A/B 测试。A/B 测试在字节跳动已是非常基础的设施和文化，目前，字节跳动累计已有 80W+ 的 A/B 实验，日新增实验 1500+，同时运行试验 1W+，服务 500+ 业务线。

那我们为什么要做 A/B 测试呢？我总结有 3 点原因：

风险控制：小流量实验可以避免直接上线效果不好造成损失。其次，实验迭代的过程中，决策都是有科学依据的，可以避免系统性的偏差。
因果推断：我们相信 A/B 实验中的优化和改变最终能影响到线上数据以及用户的行为。在这个前提下，A/B 测试就是最好的因果推断工具。
复利效应：A/B 测试是可以持续不断进行的实验，即使一次实验提升的效果不大，但是长期下来复利效应的积累会产生很大的变化和回报。

A/B 测试系统实现

了解了我们为什么要做 A/B 测试，下面我们来看一下火山引擎的 A/B 测试系统是如何实现的。

上图是火山引擎 A/B 测试系统的架构示意图，整体架构分为几层：

运行环境层：在最底层，服务可以运行在容器内，也可以运行在物理机上。
基础设施层：会用到关系型数据库和键值对。因为 A/B 测试要处理很大的数据量，这一层也会使用离线和实时的大数据组件。
服务层：包括实验所需的分流服务、元信息服务、调度服务等。在 A/B 测试中我们也需要标识用户，因此这一层有设备服务。为了提供多种数据查询，还有 OLAP 引擎。
业务层：包括实验管理、指标管理、Feature 管理、评估报告等。
接入层：包括 CDN、网络防火墙、负载均衡。
应用层：提供管理后台控制实验、查看报告等，SDK 调用。

下面介绍几个实验流程的实现。

客户端实验参数传递及生效过程

客户端实验的流程如上图所示：

业务方开发策略，确定实验内容；
枚举策略中的映射关系并在客户端实现映射关系；
创建并开启实验；
客户端已经集成了火山引擎 A/B 测试系统的 SDK，向 A/B 测试系统请求分流服务，判断用户命中哪些实验哪些版本，下发参数；
客户端从 SDK 取到参数，进行相对应的流程完成实验。

服务端实验参数传递及生效过程

服务端的实验和客户端类似：

设计实验；
服务端实验的 SDK 是跟业务系统比如服务端集成在一起。客户是从其他 C 端用户直接请求业务的服务端，该服务端会在本地 SDK 做决策；
决策完之后将参数下发到下游，使策略生效。

统计分析实践

在统计分析中，我们总结了一些有用的实践经验：

确定业务的指标体系：可以从宏观/微观、长期/短期、横向/纵向三个角度建设指标体系。
分类检验：对指标进行置信度计算的时候，并不会每次都用同一套方法，而是针对不同的指标类型（包括转化类、人均类、CTR 类等）进行不同的建模采用不同的方法。
统计修正：如果一个实验开了多个组，可能犯了多重比较的错误。还有时开完实验之后每天都会查看结果，这就犯了连续观测的错误。所以在实践中需要有一些统计修正的方法来修正行为。
基于叶贝斯体系的探索：区别于经典的假设检验，我们也在探索基于叶贝斯体系，如何评估实验效果，降低面向用户使用时候的理解门槛。在智能流量调优、模型超参数搜索等场景下有具体落地。

这里也跟大家分享一些 A/B 实验设计背后的思考：

避免过度曝光：A/B 实验中有一个很关键的点是决策哪些样本应该进入实验。如果所有打开应用的人都能命中实验，实验结果就不会很明显。
进组和出组：假设我们对北京的用户进行了实验，有些人出差或者旅游离开北京之后还能命中实验吗？我们可以把这个决策留给实验者，让实验者自己决定是进组还是出组。
和 Feature Flag 的珠联璧合：实验之前可以把能进行实验的内容抽象成 Feature Flag，简单理解成功能开关。实验完成之后的上线或者重复实验，也可用 Feature Flag 进行管理。

字节跳动 A/B 测试最佳实践

在字节跳动，A/B 测试已经是一种企业文化，大家都认可其价值，达成共识才能一起探讨。A/B 测试跟其他环节是紧密相关的。我们在收集和分析数据之后会得到一些洞察，基于这些洞察可以知道有些环节是比较薄弱的，可进行提升，然后就可以提出假设，设计 A/B 实验，完成实验之后评估效果。有可能实验没有达到预期效果，可以对实验进行迭代继续收集数据，这样就形成了以 A/B 测试为核心的业务增长闭环。

下面为大家介绍如何完整进行一次 A/B 实验。

如何产生好的实验想法

关于如何产生好的实验想法，我们可以从定量分析和定性分析几个角度来看。前面提到的构建完善的指标体系就是定量分析，这里不再赘述。在收集到指标数据以后，对于指标发生的异动进行现象分析，针对已存在问题（非异动），则可以进行新的产品策略或者运营策略迭代执行。

定性分析可以分为三个方面：

产品本身的价值主张是什么？比如一款打车 APP 的价值主张是通过共享经济实现社会的效率提升，这个产品有没有很好地体现价值主张？可以从这一方面产生一些实验想法。
推动因素

相关性：同一个页面中如果有不相关的功能，用户大概率也不会点击，这样的设计就没有效果。
清晰度：要表达的内容（比如命名）是否足够清晰。
紧迫性：对于有时间周期的活动，可以设计一些事件营造紧迫感。

阻碍因素：

注意力分散：避免在一个页面放五花八门的信息让用户找不到重点。
焦虑性：有的地方可能给了用户很多选择，也会造成选择困难，不自觉地形成一种焦虑感，不如简单一些只设计一个选择。

如何建立一个有效的实验假设

我们需要针对一个用户群体做出改变，然后产生一定的影响。但是这个假设不是无脑定的，要有逻辑性是合理的，最终能通过指标来评估变化的影响。针对这几个要素，我们总结出了设计 A/B 实验的 PICOT 原则，即 Population、Intervention、Comparison、Outcome、Time，明确对什么样的用户做出了什么样的改变，然后进行分组比较，最终需要设计衡量结果的指标，并决策实验要进行多长时间。

A/B 测试效果评估

看哪些数据

上图是一份 A/B 测试实验报告，可以看到指标在实验版本里是绝对值，还有变化值以及置信区间。置信区间是指假设策略全量上线，你有 95% 的把握会看到真实的指标收益在 [,] 这个范围内。置信区间越窄且不包含 0，可信度就越高。从「查看图表」进入选择差异值可以观察累计 diff 趋势图，如果呈现置信区间逐渐变窄的现象，说明随着样本量越来越大，我们对评估结果的信心就越来越强。

指标变化是显著的吗

A/B 实验的结果有以下几种：

正向显著：说明当前样本容量条件下，实验版本优于对照版本，实验结果和假设一致；
负向显著：说明当前样本容量条件下，实验版本不优于对照版本，实验结果和假设不一致；
不显著：

确实不显著：可以参考 MDE 指标是否符合预期，如果符合，则说明结果确实不显著。
其他原因导致的不显著：比如样本容量小，指标对应的用户行为渗透率低，实验时长较短等。在这些情况下，如果实验效果不显著，可以进一步优化实验，比如增大样本量，扩大流量、再观察一段时间积累更多进组用户等。

接下来我们可以再看两个案例。

哪个首页新 UI 版本更受欢迎

今日头条 UI 整体风格偏大龄被诟病已久，不利于年轻和女性用户泛化，历史上几次红头改灰头实验都对大盘数据显著负向。因此团队设计了 A/B 实验，目标是在可接受的负向范围内，改一版用户评价更好的 UI。通过控制变量法，对以下变量分别开展数次 A/B 实验：

头部色值饱和度
字号
字重
上下间距
左右间距
底部 tab icon
结合用户调研（结果显示：年轻用户和女性用户对新 UI 更偏好）

综合来看，效果最好的 UI 版本如图 2 所示，全量上线。

新 UI 上线后，Stay duration 显著负向从-0.38% 降至 -0.24%，图文类时长显著 +1.66%，搜索渗透显著 +1.47%，高频用户（占 71%）已逐渐适应新 UI。

选择更优的视频上滑引导产品形态

某款短视频在刚面世时，很多用户都不知道上滑的玩法，因此就设计实验验证如何能更好地引导用户上滑。实验目标定为优化后提升新用户留存，上滑操作渗透率提升 1%，错误操作渗透率下降 1%。定向受众为新用户，面向 10% 的线上流量进行为期 1 个月的实验。

我们做了两轮实验，第一轮实验结果并不符合预期，上滑操作渗透率下降 1% 且显著，错误操作渗透率提升 1.5%，不符合预期。新用户留存未见显著上升。但在不符合预期的情况下，还是能做一些分析来发现原因。因此经过改进我们做了第二轮实验，结果上滑操作渗透率上升 1.5% 且显著，新用户 7 日内留存提升 1%-1.8%，且指标结果呈显著，符合预期。

上面的例子就说明了我们可以把 A/B 测试当成一个理解用户的工具。

展望

最后想跟大家一起展望一下 A/B 测试行业未来的情况。从行业前景来看：

认知率和普及率在高速提升：我们之前做过一个调研，发现 A/B 测试在国内整体认知度较低，可能低到一个难以想象的数字。我们认为在未来 5-10 年内，A/B 测试的认知度可能会有 50-100 倍的提升，这个市场还是一片蓝海。
从 nice-to-have 到 must-have：现在很多人认为 A/B 测试是一个锦上添花的工具，但在数据驱动越来越重要的今天，A/B 测试是必须要掌握的工具，是企业开展业务过程中的刚需，否则在行业竞争中就会失去优势。
破圈：我们也发现 A/B 测试正在破圈。大家的印象中 A/B 测试只有互联网公司会用，但是我们在交流的过程中发现，很多传统企业虽然没有线上业务，但如果能解决数据收集的问题，A/B 测试也能满足传统企业优化的诉求。

从技术趋势上来看，有这样几个发展方向：

智能化：A/B 测试目前还处在早期阶段，一些实验结论或实验洞察对数据和用户属性的利用还不是很充分。如果 A/B 测试能和统计方法、算法模型相结合，很可能提高整个行业的水平。
场景化：很多场景还没有开始使用 A/B 测试，未来更多的行业场景能和 A/B 测试相结合，让 A/B 测试更易用。
被集成：目前我们的 A/B 测试平台可以一站式管理实验、查看报告，但是一些用户的业务已经很成熟，希望 A/B 测试能够走入业务和系统，更顺滑地使用。所以 A/B 测试技术也需要提高自身被集成的能力，无缝地和各种业务、系统结合起来。