AB测试实践全总结

　　所谓AB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目标。
　　一：基本概念
　　网站设计中，我们经常会面临多个设计方案的选择，比如某个按钮是用红色还是用蓝色，是放左边还是放右边。传统的解决方法通常是集体讨论表决，或者由某位专家或领导来拍板。虽然传统解决办法多数情况下也是有效的，但AB测试（ABTesting）可能是解决这类问题的一个更好的方法。
　　所谓AB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目标。当然，在实际操作过程之中还有许多需要注意的细节。
　　AB测试最核心的思想，即：
　　多个方案并行测试；
　　每个方案只有一个变量不同；
　　以某种规则优胜劣汰。
　　需要特别留意的是第2点，它暗示了AB测试的应用范围，必须是单变量。
　　另外，虽然AB测试名字中只包含A、B，但并不是说它只能用于比较两个方案的好坏，事实上，你完全可以设计多个方案进行测试，比如测试，“AB测试”这个名字只是一个习惯的叫法。
　　回到网站设计，一般来说，每个设计方案应该大体上是相同的，只是某一个地方有所不同，比如某处排版、文案、图片、颜色等。然后对不同的用户展示不同的方案。
　　要注意，不同的用户在他的一次浏览过程中，看到的应该一直是同一个方案。比如他一开始看到的是A方案，则在此次会话中应该一直向他展示A方案，而不能一会儿让他看A方案，一会儿让他看B方案。
　　同时，还需要注意控制访问各个版本的人数，大多数情况下我们会希望将访问者平均分配到各个不同的版本上。要做到这些很简单，根据cookie（比如cookie会话ID的最后一位数字）决定展示哪个版本就是一个不错的方法。
　　要实现AB测试，我们需要做以下几个工作：
　　1、开发两个（或多个）不同的版本并部署；
　　2、收集数据；
　　3、分析数据，得出结果。
　　二：实践方法
　　从左到右，条较粗的竖线代表了AB测试中的个关键角色：客户端（Client）、服务器（Server）、数据层（Data）。从上到下代表了种访问形式：
　　无AB测试的普通访问流程（NonABtest）
　　基于后端分流的AB测试访问流程（BackendABtest）
　　基于前端分流的AB测试访问流程（FrontendABtest）。
　　AB测试需要将多个不同的版本展现给不同的用户，即需要一个“分流”的环节。从上图中我们可以看到，分流可以在客户端做，也可以在服务器端做。
　　传统的AB测试一般是在服务端分流的，即基于后端的AB测试（BackendABtest），当用户的请求到达服务器时，服务器根据一定的规则，给不同的用户返回不同的版本，同时记录数据的工作也在服务端完成。
　　基于后端的AB测试技术实现上稍微简单一些，不过缺点是收集到的数据通常是比较宏观的PV（PageView）信息。虽然可以进行比较复杂的宏观行为分析，但要想知道用户在某个版本的页面上的具体行为往往就无能为力了。
　　基于前端的AB测试则可以比较精确地记录下用户在页面上的每一个行为。它的特点是，利用前端JavaScript方法，在客户端进行分流，同时，可以用JavaScript记录下用户的鼠标行为（甚至键盘行为，如果需要的话），直接发送到服务器记录。
　　下面，我将重点介绍一下我们在基于前端的AB测试上的一些实践。
　　首先遇到的问题是如何分流的问题。对于大部分需求来说，我们希望各个版本的访问人数平均分配。可以根据某一个CookieID来划分用户，比如“123。180。140。。1267882109577。3”，可以根据这个CookieID的最后一位（在本例中是“3”）来划分人群，比如单数的显示A版本，偶数的显示B版本。
　　正确展示对应的版本后，就要开始采集需要的数据了。当前版本有多少PV（PageViews，访问量），如果需要记录这个数据的话，在正确版本加载完成之时就要发送一个打点信息。不过很多需求中，具体版本的PV的精确数值可能不是很重要，而且要收集这个信息需要多一次打点操作，所以一般情况下这个数据是可选的。
　　必须的数据是测试区域内用户的点击信息。当用户在测试区域点击了鼠标左键（无论这个点击是点击在链接、文字、图片还是空白处），我们就需要发送一条对应的打点信息到打点服务器。一般来说，这个打点信息至少需要包含以下数据：
　　当前AB测试以及版本标识
　　点击事件的位置
　　点击时间戳（客户端时间）
　　当前点中的URL（如果点在非超链接区域，此项为空）
　　用户标识（比如CookieID）
　　用户浏览器信息
　　三：应用例子
　　今年，EA公司发布新版《模拟城市》（SimCity）游戏时，在网站做了一个AB测试，以便试验转化率在不同的布局下是否有变化。
　　下面是两个不同的版本：
　　B版本与A版本的差别在于新版本删除了PreOrder的促销广告图片，页面更清爽一些。
　　结果数据显示，A版本的转化率为5。8，B版本的转化率为10。2，提高了43。4。
　　这几乎是一个完美的AB测试案例：有明确的测试目标，清晰的衡量标准（订单转化率），以及完美的结果数字。