交互设计入门基础：帮你快速掌握A/B测试的实战应用

扫一扫
官方手机版

扫一扫
AI创作程序

扫一扫
木子公众号

扫一扫
AI公众号

本次的文章输出主要有两个目的：第一让自己略显浮躁的心沉淀下来；第二对于自己脑海中交互设计的「原则、定律、模型、法则、效应、注意事项等」进行一次整理和探索。

上篇：

交互设计入门基础：常见的设计模型全面解析

前沿：本次的文章输出主要有两个目的：第一让自己略显浮躁的心沉淀下来；第二对于自己脑海中交互设计的「原则、定律、模型、法则、效应、注意事项等」进行一次整理和探索。

A/B test

文中实例已经上线

1. 概念

A / B 测试（也称为分割测试或桶测试），是为了同一个优化目标制定了不同的方案，让相同数据的用户分为两部分，一部分用户路径为 A 方案，一部分用户路径为 B 方案，之后统计不同方案下的点击率、转化率等数据进行分析。

AB 测试这项技术最早被应用于美国的互联网市场，进入国内市场也不过 6、7 年时间。2000 年左右，以谷歌为首的互联网企业开始采用 AB 测试的方法，运用数据帮助企业做决策管理，降低试错成本，促进业务增长。2010 年以后，AB 测试开始出现产品化的趋势，并成为企业决策的一项重要工具。

通过不同方案的数据表现，去确定那个方案更加的合理，利用用户反馈数据去决定设计目标走向。互联网产品的更新迭代速度很快，在如此快速的迭代环境下，无论是产品的优化方向，还是决策的制定，都需要有数据来说话。

互联网发展到今天，更加注重用数据反馈去进行决策，随着互联网红利的消失，运营成本的逐步上升。越来越多的产品运营开始关注数据驱动的精细化运营方法，期望通过精细化运营在一片红海中继续获得确定的用户增长，而 A/B 测试就是一种有效的精细化运营手段。

2. 目的

引自：火山引擎

先验结论 科学决策

结合统计学原理，通过分组实验，前置验证收益，使决策有据可依

保证体验 降低风险

分流出小部分流量进行测试，防止错误决策对整体用户产生负面影响

复利效应 持续增长

确保每个决策都带来正向收益，持续循环，最终实现指数级增长

科学职能的评估策略

科学智能的评估策略 ，依托经典统计学&贝叶斯原理，提供概率分布、漏斗转换、多种留存分析等

3. 模型

工作实例，该测试进行了两周。

①UI 模型

A 方案：拼团购买按钮+单独购买按钮+加入购物车按钮

B 方案：团购按钮+加入购物车按钮

方案产生原因：PM 觉得在电商项目中详情页到下单完成中应该尽量减少界面跳转，降低流程的复杂化。UI 同学（主要是我）觉得这样的流程不合理，且视觉上和其余不可拼团的常规按钮差异化太大、会导致按钮很小、点击区域过小........

②交互模型

变量：下方购买按钮分为两种不同的交互方案。

A 方案用户路径

B 方案用户路径

当用户从商品入口点击进入后会被分流为两部分一部分处于方案 A，一部分处于方案 B，点击按钮后触发记录，之后的用户路径也会记录下来。之后通过整体的数据对于去查看方案 A 和 B，时间大约会持续一周到两周到时间节点，期间也会一直观察数据。

要点：时间越长，用户量越大，数据越可靠，需要根据公司所能承担的时间去综合查看时间点。

要点：注意控制变量，要保持变量的唯一性。例如本次测试中除了变量“按钮”之外区域的元素内容是完全一致的。

要点：尽量保证测试群体的一致和同时投入这两个方案。

4. 多层级 A/B Test

未进行商品详情测试，直接使用待用商品详情图的，仅做展示说明。

变量一：详情页下方按钮分为 A 组和 B 组（上述内容）

变量二：A 组（详情页内容有商品描述+商品详情图） B 组（详情页内容仅有商品描述）

产生变量二因素：欧美主流电商产品详情页内容只有商品描述而无商品详情图，部分电商也会有商品详情图。调研显示国外用户会更加倾向于简单明了的阐述。

分层级展示

变量：按钮设计一方案，按钮设计二方案，详情页内容一方案，详情页内容二方案。

流量分配

我么设定按钮设计方案一为“A”按钮设计方案二为“B”详情页内容方案一为“C”详情页内容方案二为“D”

在进入详情页时总流量为 100%，进入后流量分为两部分一部分 C 和 D 各自获取 50%，之后在 C 和 D 的方案下再次划分出 A 和 B，把 C 和 D 的流量分为四份。分别为 C-A 百分 25，C-B 百分之 25，D-A 百分之 25，D-B 百分之 25.分层测试的原理就是在保证变量的唯一性的情况下，评分上层流量。分层实验多见于在成熟的产品进行的测试，只有更加合理的进行测试才能够得到更真实的数据。

如下图所示

5. 数据分析

实际的应用场景中我们不会单一的去查看 A/B 方案组的不同数据去下结论，还会根据按钮的点击次数、页面跳转、用户页面停留时间、下单滞留页面、下单返回页面等情况去查看。案例中以抛弃了这些情况下去分析。

一般情况下 A/B 测试会出现下列两种不同的情况（数据接近占多数这个时候就需要我们结合多种不同的数据去分析）

数据接近：

数据差异大：

当数据差异较大时，我么应先检测流程看是否流程出错或者中间环节有错误，之后再去定义。

当数据差异较小时，尤其是数据接近时除了去参考其余数据之外，我么可以再次进行对照实验或者延长实验时间，这样得出来的最后数据会更加趋于真实。

6. 流程

建立假设：进行测试需要先明确实验的目标和预期值以及实验时间点。

创建测试：对目标进行拆解和分析，确定变量和测试流程。开始生成 A/B 测试，定义本次测试的时间长短和测试核心指标。

流量分配：给不同的方案进行相应的流量分配，遵循均匀、随机、用户群、样本充足。

数据分析：通过数据的收集和用户反馈，建立分析模型，进行数据分析。

得出结论：分析结束后，根据分析结果对照那个方案更加合理。建立本次 A/B 测试的数据模型，方便后期优化方案重新测试。

7. 数据埋点

获取数据最重要的便是数据埋点

数据分析是我们获得需求的来源之一，通过对数据的比对，对数据趋势的分析，能让我们发现哪些环节存在问题，哪些环节有提高空间。同时，数据分析也是检验功能是否有效，是否受欢迎的重要佐证。只有进行了数据埋点才可以进行A/B测试。

全方位了解用户从哪里来

广告、公众号、小程序、二维码，用户从哪来？

不同媒体、不同活动，哪个渠道的拉新效率最高？

多维度分析用户使用行为

用户主要访问了哪些页面？使用了什么功能？

用户次日、7 日留存如何？页面访问时长多久？

实时查看用户分享回流效果

哪个页面被分享次数最多？带了多少回流？

哪个用户最乐于裂变分享？分享带来的流量质量如何？

自由定义核心业务指标

用户的年龄、性别、分布是什么样的？不同人群，行为是否有差异？

用户访问商品页、查看详情、加购物车、支付，逐步的转化率如何？

参加活动的用户，是晚上活跃度高，还是早上活跃度高?

数据埋点需要 PM 调动整个团队去完成的一项工作，对于整个的埋点过程，我尚且处于探索的过程中，有时候甚至不需要 UI 的参与，UI 的参与最多参与到买点码的设定和方案的讨论。日后有机会可以详细给大家介绍一下（希望有机会）。