如果你不能衡量它，你就不能优化它。对于互联网产品来说，不仅仅是推荐系统，更是整个app系统的更新迭代。需要建立一套权重和措施来控制整个流程优化的方向。abtest系统是变量控制和优化方向选择的好工具，周期为：测量-发现-迭代-验证。所谓精细化迭代，就是一种基于数据的思维方式。——以更低的成本获得更好的效果。没有数据就没有优化，在线分流实验是优化推荐算法的唯一途径。而abtest不仅仅是一个推荐迭代的工具，也服务于所有需要一步一步改进的产品迭代。有人说为什么需要abtest，为什么不能对比前后的实验。同步测试的abtest之所以很有必要，是因为不同时间的测试并不能说明B比A好，通常时间也是一个变量，比如电商的双十一。
在网络分析中，A/B检验(桶检验或分流检验)是一个随机实验，通常有A和B两个变量，在使用控制变量法保持单个变量的前提下，对A和B数据进行比较，得出实验结论。AB是一种用数据证明方案可行性的科学方法，广泛应用于网站。通过abtest系统对迭代方案进行实验，并对数据进行分析，对方案进行反验证和驱动，这是一个发现问题、提出假设、验证猜想、不断优化的过程。合适的推荐方法是要通过不断的实验来验证的，验证过程也是对数据进行验证，从而优化推荐系统策略，最终促进用户的添加和保留。
1.指标的定义
在abtest之前，我们需要整理一些自己关心的指标，选择一些指标作为北极星指标，比如点击率、转化率、浏览时间、gmv、客户单价等。未来讨论的推荐系统的相关优化也将围绕几个目标展开。也有人把核心指标称为北极星指标，这是成长黑客经常使用的指标。来自微软必应的例子：必应希望优化长期查询份额(市场中的查询百分比)和长期收入。短期来看，多展示广告赚钱容易，但可能会损害用户体验。因此，短期和长期指标的定义也非常重要。如何通过abtest平衡和评估长期和短期效益？
2.了解一些事实
不是每个想法都是好的，大多数想法都是坏的；很多时候，我们不得不告诉人们，他们新漂亮的素心锁其实是……丑。
根据微软官方公布的数万个abtest实验数据：
1) 1/3的想法是积极的想法，具有统计学意义
2) 1/3的想法是平的：没有统计学上的显著差异
3) 1/3的想法是负面的，具有统计学意义
3.实验管理平台
3.1实验报告
报表需要对脏数据进行过滤，并做一定的效果平滑和效果波动预警。异常值会产生：的明显偏差，足以导致错误的统计结果。例子：亚马逊有一个拥有10万用户的abtest实验。其中2%的用户单价为30美元，2%的用户单价为1200美元。有时(很少)，“用户”购买足以严重扭曲结果。
3.2分流和分层策略
如果流量不分层、不划分，可能会导致流量饥饿，即实验1占用整个站点80%的流量，实验2只能使用20%的流量。因此，良好的分层和分流规则可以充分利用网站流量。常见的分流策略有：对可变结果集的随机-随机分流、按用户划分-按用户划分，同一用户总是会看到相同的结果、按类别划分-按类别划分，针对不同的分类来测试算法的针对性。分流的上层会考虑分层，在互联网公司应用广泛。
通常，网站会使用分层和分流的机制来确保该网站的流量高度可用，原因如下：
1)网站流量有限。
2)实验对象为多层或同一层无干扰。多层：比如网站不仅有UI层(界面)，通常还有算法层。同层内互不干扰：比如有多少推荐站点？
个 ( 首页推荐位、商详页推荐位 ) 。3）AB tests 的需求是大量的
注意点：幂等-均匀化-并行-互斥; 分层实验，促进流量的最大化利用。
规则 1. 正交、互斥
在介绍分层规则之前，先介绍一下正交和互斥的概念。
1）正交，如何理解正交？
例如：我们有 100 个兵乓球，随机拿出来 50 个染成蓝色，50 个染成白色，则我们有蓝色、白色兵乓球各 50 个，现在我们把这 100 个兵乓球重新放在袋子中摇匀，随机拿出 50 个兵乓球，那么这 50 个兵乓球颜色蓝色和白色各 25 。当然举这个例子并不是非常的恰当，因为样本太少了，此处举例只为说明正交的意义。
正交实验：每个独立实验为一层，层与层之间流量是正交的，一份流量穿越每层实验时，都会再次随机打散，且随机效果离散。
2) 互斥，如何理解互斥？
例如：我们有 100 个兵乓球，每 25 个为一组，分别染成蓝、白、橘、绿。若 X 实验拿的是蓝色、白色则 Y 实验只能拿橘色和绿色，我们说 X 实验的和 Y 实验是互斥的。
互斥实验：实验在同一层拆分流量，且不论如何拆分，不同组的流量是不重叠的。
其中，分流及分层实验设计基于 Goolge 论文：
Overlapping Experiment Infrastructure : More, Better, Faster Experimentation
https://dl.acm.org/citation.cfm?id=1835810
流量从上往下流过分流模型：
1）规则详述：
域 1 和域 2 拆分流量，此时域 1 和域 2 是互斥的。
流量流过域 2 中的 B1 层、B2 层、B3 层时，B1 层、B2 层、B3 层的流量都是与域 2 的流量相等。此时 B1 层、B2 层、B3 层的流量是正交的。
扩展：流量流过域 2 中的 B1 层时，又把 B1 层分为了 B1-1 ，B1-2 ，B1-3 ，此时 B1-1 ，B1-2 ，B1-3 之间又是互斥的。
根据以上规则我们可以不断的在此模型中增加域、层，并且可以互相嵌套。这要与实际的业务相匹配，拆分过多的结构可能会把简单的业务复杂化，拆分过少的结构又可能不满足实际业务。
2）使用场景
例1：B1 层、B2 层、B3 层可能分别为：UI 层、搜索结果层、广告结果层，这几层基本上是没有任何的业务关联度的，即使共用相同的流量 ( 流量正交 ) 也不会对实际的业务造成结果。但是如果不同层之间所进行的试验互相关联，如 B1 层是修改的一个页面的按钮文字颜色，B2 层是修改的按钮的颜色，当按钮文字颜色和按钮颜色一样时，该按钮已经是不可用的了。因此建议同一类型的实验在同一层内进行，并且需要考虑到不同实验互相的依赖。
例2：域 1 的此种分流的意义在于，当我们做一个实验，并且希望其他任何实验都不能对我实验进行干扰，保证最后实验的可信度。
3.3 AA/AB 测试要点
1）候选策略+预测模型作为最小的考察单元
2）通过规则配置 ABtest：配置流量切分，候选策略及预测模型
3）重视抽样误差
4）关注时间周期效应
3.4 流程
1）随机分组 ( ABCDE… ) ：A - 控制组，与线上一致;B - 测试组;C ...
2）收集相关数据 ( 对决策有用的数据 )
3）数据分析，必须通过假设检验来确定差异不是来自于偶然，通过因果关系证明变化由测试桶的变化带来。
▌4. abtest 的那些技术
4.1 为什么灵敏度 ( p-value ) 很重要
p-value 即概率，反映某一事件发生的可能性大小，主要在 abest 中说明实验的提升的显著性，并且往往与假设检验相挂钩。统计学根据显著性检验方法所得到的 P 值，一般以 P < 0.05 为有统计学差异， P<0.01 为有显著统计学差异，P<0.001 为有极其显著的统计学差异。其含义是样本间的差异由抽样误差所致的概率小于 0.05 、0.01 、0.001 。实际上，P 值不能赋予数据任何重要性，只能说明某事件发生的几率。在实践中建议，运行 A / A 测试，并同时也关注相关指标及 p-value 。A / A 测试中度量的 P-value 分布应该是统一的，进行 1,000 次 A / A 测试，并检查分布是否均匀，当我们得到异常信息时，则需要纠正一些事情。
4.2 假设检验
假设检验是推论统计中用于检验统计假设的一种方法。而“统计假设”是可通过观察一组随机变量的模型进行检验的科学假说。一旦能估计未知参数，就会希望根据结果对未知的真正参数值做出适当的推论。统计上对参数的假设，就是对一个或多个参数的论述。而其中欲检验其正确性的为零假设 ( null hypothesis ) ，零假设通常由研究者决定，反映研究者对未知参数的看法。相对于零假设的其他有关参数之论述是备择假设 ( alternative hypothesis )，它通常反映了执行检定的研究者对参数可能数值的另一种 ( 对立的 ) 看法 ( 换句话说，备择假设通常才是研究者最想知道的 ) 。
常见假设检验的种类包括：t 检验，Z 检验，卡方检验，F 检验等等。
4.3 t-test、z-test、p-value、ci ( confidence interval )
1）T检验，亦称 student t 检验 ( Student's t test ) ，主要用于样本含量较小 ( 例如 n<30 ) ，总体标准差 σ 未知的正态分布数据。T 检验是用 t 分布理论来推论差异发生的概率，从而比较两个平均数的差异是否显著。
适用条件：已知一个总体均数；可得到一个样本均数及该样本标准误；样本来自正态或近似正态总体。
T 的公式：
T=(T-μ)/S/n的平方根
若 T 值大于临界值，则拒绝原假设，否则不拒绝。
2）Z 检验是一般用于大样本 ( 即样本容量大于 30 ) 平均值差异性检验的方法。它是用标准正态分布的理论来推断差异发生的概率，从而比较两个平均数平均数的差异是否显著。当已知标准差时，验证一组数的均值是否与某一期望值相等时，用 Z 检验。
Z 检验的步骤 适用条件：已知一个总体均数；可得到一个样本均数及该样本标准误；样本来自正态或近似正态总体。
第一步：建立虚无假设，即先假定两个平均数之间没有显著差异，
第二步：计算统计量 Z 值，对于不同类型的问题选用不同的统计量计算方法.
如果检验一个样本平均数 ( x ) 与一个已知的总体平均数 ( μ0 ) 的差异是否显著。其 Z 值计算公式为：
Z=（X-μ)/S/n的平方根
若 Z 值大于临界值，则认为为二者有差异，否则认为没差异。
注：事实上由于总体参数标准差未知，因此一般使用 T 检验。
3）p-value ，就是当原假设为真时，所得到的样本观察结果或更极端结果出现的概率。如果 p-value 很小，说明原假设情况的发生的概率很小，而如果出现了，根据小概率原理，我们就有理由拒绝原假设，p-value 越小，我们拒绝原假设的理由越充分。p-value 代表的是不接受原假设的最小的显著性水平，可以与选定的显著性水平直接比较。例如取 5% 的显著性水平，如果 p-value 大于 5% ，就接受原假设，否则不接受原假设。这样不用计算 t 值，不用查表。p-value 能直接跟显著性水平比较；而 t 值想要跟显著性水平比较，就得换算成 p-value ，或者将显著性水平换算成 t 值。在相同自由度下，查 t 表所得t统计量值越大，其尾端概率 p 越小，两者是此消彼长的关系，但不是直线型负相关。
作者：洁净的老虎 句逗科技联合创始人