【💡💡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
母體變異數 在 [問題] 請問母體分配未知、大樣本的Z檢定- 看板Statistics 的推薦與評價
大家好，最近自學統計，有個問題實在太困惑
問了身邊的人都沒能完全解答，上來請教各位
我手邊的統計教科書寫說，在：
1.母體分配未知、或非服從常態分配
且2.簡單隨機抽樣，樣本規模大
且3.母體變異數未知
的時候，可以直接用樣本變異數取代母體變異數，去對母體平均數作Z檢定
課本裡寫的理由是，因為用樣本變異數去代入標準誤，
所得到的「( x bar - mu ) / ( s / sqrt (n) )」這個東西，服從自由度n-1的T分配
而因為此時n很大，這個T分配趨近於Z，為了查表方便，可以用Z alpha來代替T alpha
但是，我的疑惑是，據我所知，
上面引號那個東西服從T分配的前提，是母體分配服從常態分配
那麼在母體分配未知的情形，應該不能直接說上面那個東西服從T分配
而雖然中央極限定理確實指出，樣本規模大的此時，樣本平均數的抽樣分配服從常態
但中央極限定理所給出的樣本平均數的變異數
是1/n的母體變異數，而非1/n的樣本變異數
雖然樣本變異數是母體變異數的不偏估計式
但一次大規模抽樣得到的樣本變異數，畢竟不等於樣本變異數的期望值
不能只因為n很大，就直接在這裡以樣本變異數取代母體變異數吧？
若是可以直接在推導時使用大數法則
那麼「( x bar - mu ) / ( sigma / sqrt(n) )」這個式子的分子豈不也可化約成0
這麼一來，底下的sigma不管換成什麼數字，甚至代常數進去，反正出來都是0
還是說會變成，比如我現在要算mu的信賴區間
我還必須考慮樣本變異數的抽樣分配，去看樣本變異數等於母體變異數的機率
所以用樣本變異數代進去算mu的信賴區間，上下界各自又要用信賴區間來表達
總結一下，其實情感上我可以理解
因為中央極限定理，母體分配未知的大樣本可以用Z檢定
但我不能理解的是，此時可以放水用樣本變異數代入標準誤的數學上的理由
煩請版友們協助解惑> <，願以P幣回報，感恩，新年快樂
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.165.227.196 (臺灣)
※ 文章網址: https://www.ptt.cc/bbs/Statistics/M.1577870628.A.A1F.html
大感謝！綜合兩位的指點，我的理解是這樣：
假設A1,A2,...An是 ( x bar - mu ) / ( sigma / sqrt(n) ) 隨n增加的序列
而B1,B2,...Bn是 sigma / s 隨n增加的序列
因為中央極限定理，所以An分配收斂到Z
又因為樣本標準差是母體標準差的一致性統計量，所以Bn機率收斂到1
所以根據Slutzky定理
An * Bn = ( x bar - mu ) / ( s / sqrt(n) ) 分配收斂到 Z * 1 = Z
應該是這樣吧，能解決疑惑真是太好了
※ 編輯: nyannyannyan (118.165.227.196 臺灣), 01/01/2020 20:03:49
... <看更多>