【💡💡營運小教室-第32堂】🕹 A/B測試 重點分享 🕹
.
🔎文章同步部落格：https://bit.ly/3rPadlk
(圖文同步、畫好重點，閱讀更方便)
.
最近這兩週我在研究A/B測試，
何謂A/B測試我就直接引用文章內的話：
「針對某一需要改進的功能、頁面或是產品，提供兩種或以上的方案，合理分配流量，將不同方案发布給不同用戶。在運行一段時間後，結合各項指標和科學的統計方法，對比實驗數據做出決策，將最優方案更新給全量用戶。」
.
因此，A/B測試在現今網路行業中被用的相當頻繁，
Google更是把A/B測試視為圭臬，
大到一個功能，
小到一個按鈕的顏色都要做A/B測試，
也因為Google進行了大量的A/B測試，
把用戶旅程(user journey)中每個節點的轉換率一步步提高，
使得每次產品功能或是頁面的改動更符合多數用戶需求，
自然效能與績效就能極大化，
其他像是臉書、亞馬遜等電商公司，
都是將A/B測試納入必要的工作項目內。
.
專門在做這工作的人，
現在也有個很新穎的職務名稱叫成長駭客(Growth Hacker)，
大家到104人力銀行搜尋就知道其工作內容，
這邊不贅述。
(注意，A/B測試只是成長駭客內的其中一個工作項目，並非成長駭客就只做A/B測試，差很多)
.
遊戲業坦白說在營運上不太會進行A/B測試，
因為用戶幾乎都從雙平台上下載遊戲，
如果要做A/B測試就只能在雙平台上著手，
新產品或許還能這樣做，
但對既有產品來說就不切實際點，
因此A/B測試通常會出現在廣告的買量測試中。
.
以下分享我自己在A/B測試上的心得分享：
.
1⃣A/B測試不代表一次只能測試兩個，你想測試2個以上也行，主要是得確認每個群體樣本數要夠多，如果樣本數太少，達不到性效度的話，做出來的結果就沒有參考價值。
.
2⃣如何確認有足夠的樣本數呢？身為營運人員，自家的營運數據自己最清楚，可以透過這個網站輸入母體大小，就會自動算出要多少樣本數才能達到統計顯著性。
👉https://zh.surveymonkey.com/mp/sample-size-calculator/
.
3⃣假設是投放廣告，如果不曉得母體會有多少，那可以用以下免費工具來反推，例如你想要達到的轉換率是1%提升到5%，這個頁面就可以幫你計算出兩個群體各自要曝光幾次才足夠，就能判斷預算會花多少。
👉https://clincalc.com/stats/samplesize.aspx
.
4⃣會需要計算上述的原因主要有兩個，一個是預算問題，另一個是在不確定風險下，建議做足夠樣本數就好。
👉舉例來說，如果今天某款遊戲每月付費玩家有10,000人，如果想改動一個功能，可能一開始會想到的做法是隨機5,000人分配到不同群組(也就是A/B測試為50% / 50%)。
.
但這樣就會有一個風險，萬一這個改動是失敗的，等於就會直接影響到5,000人，那在A/B測試期間，可能就開始蒙受不小的營收損失，或是等不到信效度出現就提早結束測試，因此如果能事前估出足夠的樣本數，就能降低上述風險。
.
以10,000人這例子，丟到頁面內，只要370人的樣本就能達到統計顯著性了，不用分到50% / 50%這麼多，只要5%就足夠了，這樣即使A/B測試不理想，也只會影響到那5%付費用戶。
.
5⃣要確保兩個群體是完全獨立，而非交集，如果有交集，就會影響分析結果。
👉這點比較吃技術的工，技術要能夠確保實驗對象進入A/B測試時會被隨機分派到不同群體內，如果因為裝置過多、版本不同等因素而導致有部分用戶既是A群體、也在B群體的話，那就會導致數據判讀出現錯誤。
.
6⃣不要在一個A/B測試還沒做完情況下，又緊接著做另一個A/B測試，除非能確定這兩個A/B測試是完全不相干，不然不但在分析時不容易分清楚每個群體，也很容易影響整個數據的分析。
.
7⃣做出來的結果到底有沒有達到統計顯著性，可以把數據輸入到這個網頁內，非常方便。
👉https://abtestguide.com/calc/
.
8⃣A/B 測試前，可以先執行A/A測試，先確認目前的隨機分配中有沒有其他的變異數，確保這兩個群體的整個營運數據夠乾淨。
👉由於測試的是群體內有沒有其他變因，而非方案本身，因此在流量分配上就能夠以50% / 50%進行。
.
以上就是我對於A/B 測試目前的經驗與心得分享，
如果要再探討下去絕對有更多的理論基礎與分析模組，
我自己也還在學習摸索中，
日後如果有甚麼心得或是勘誤，
我會持續更新在這篇文章中，
如果你有其他心得或是已經發現錯誤的地方，
也歡迎分享給我。
.
🔎參考資料：A/B 測試要測多久？從統計顯著與檢定力看廣告測試結果
https://bit.ly/3CcQAIL
.
🔎延伸閱讀：谷歌是怎么用A/B測試的
https://bit.ly/3lr6KYZ
隨機分派舉例 在 [問題] （等組）隨機分派random assignment (equal size groups) 的推薦與評價
我要設計一個實驗。
現在在考慮要α.random assignment 或是 β.random assignment+等組 ！
先釐清一下「等組」的定義（我找不到英文有此說法）。
等組指的是condition groups裡的size一樣。例如實驗組有100人，控制組有100人。
我要在網路上實驗，參與者是陸續進來實驗的。我的組別共有三組：A,B,C。
分派方式是，每一位參與者進來就隨機分派到三組之一。
我事先不知道會有誰自願參與實驗，也無法事先得知會有多少名參與者。
情況一 α.random assignment
假設實驗結束後，總計有300名參與者。
那我三組的人數分配有很多種可能，例如：
A B C
100 100 100
120 90 90
80 105 115
有很大可能性，我的組分派會是不均等的。也就是容易出現(100,100,100)以外的組合。
我的問題來了，等組比不等組更理想嗎？
我爬文發現，不等組比較容易顯著？
因此不等組比較容易看到（研究者想看到的）效果？
（這暗示著不等組實驗比較好做，因為容易有效。）
也因此，同樣都顯著，等組因為較難顯著，
等組的解釋能力會比較強（相較不等組）？
再好奇問一下，什麼情況下，不等組的人數差異會大到不能跑統計？
比如說A組 30人
B組 100人
C組1000人
還是說只要看組的變異性同質，以及常態那些，就可以跑呢？
情況二 β.random assignment+等組
同上例 這次我強制讓300人 分成(100,100,100)這種組合
這種分法 Gravetter & Forzano (2009)稱為restricted random assignment
（以下偏操作面、技術面，略嫌囉嗦……）
可是我的這300名參與者，是在不同時間進來實驗的，300人我要做300次隨機分派。
在情況一不用等組時，這不是問題。但情況二要等組時，我就有困擾了。
舉例來說
第一位001號進來實驗時，沒問題，A,B,C隨機選一個給他。
A B C A B C
001 → 001
第二位002號進來時，由於001號已經占據了B，若要等組的話，勢必只能A,C二選一了。
A B C A B C
002 001 → ? 001 ?
問題來了，002從A,C二選一，算是隨機分派嗎？
隨機分派的目的，是為了確保所有個體有同樣的機會被分派到一個組別。
(Gravetter & Forzano, 2009)
001可以3選1，但002只能2選1，003更是只能1選1，這樣算有同樣的機會嗎？
如果不算，那我這麼做，就不能算隨機分派了嗎？
以我的例子來看，β.random assignment+等組 是不是一個無法成立的設計呢？
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 122.116.40.183
※ 編輯: tomin 來自: 122.116.40.183 (08/29 04:30)
※ 編輯: tomin 來自: 122.116.40.183 (08/29 04:31)
... <看更多>