在进行Google Play商品详情实验时，我们一定都会注意到谷歌后台对于测试结果的展示形式：
一次不太成功的商品详情实验
这和我们平时对客户端所做的A/B测试看起来不太一样。通常我们对于AB测试的结果，都会说，B版本相比A版本提高了多少个百分点。但在谷歌后台进行的这项AB测试，我们并不能直接从图中得到，版本C要比原来版本转化率提高了多少，而是给出了一段区间。同时提供给了我们一个有点陌生的指标：90%置信区间。
从数学上来讲，90%置信区间，是这样定义的：
置信区间是指由样本统计量所构造的总体参数的估计区间。
90%置信区间意义在于，有90%的概率，真值会落在这个区间内。
翻译到这个场景中，就是，有90%的可能性，实际效果或落在“比原来差6.2%”和比“原来好11%”之间。当然也不用太过担心，采用了第三组结果反而更差。这个概率分布是正态的，实际效果更大概率地会落在均值（+2.4%）附近。
当然如果按照我们平时对于AB测试结果的描述，我们通常只会说，版本C比原版转化率高2.4%。这样对比来看，谷歌后台的结果描述更为科学。置信区间的描述结果，也和我们实际经验相符合。毕竟转化效果不可能每天都是+2.4%，有可能超过2.4，有时还可能原版低一点。
如果把置信区间的方式，用在我们平时的AB测试上，会有怎样的结果呢？下面以现在手上项目之前做过的，对于营收功能X对于用户留存影响的AB测试做一个例子:
样本范围：某渠道买量用户
A组用户：不做特殊处理，正常默认开启功能X；
B组用户：默认关闭功能X，但用户能在设置中发现这个功能的存在；
C组用户：不仅默认关闭功能X，而且隐藏了设置X的开关，让用户完全感受不到功能X的存在；
按照原来的思路，这次测试的结果图表是这样的：
针对功能X，某渠道用户留存情况
因为该渠道当时刚刚起量，三种类型的用户都不算多，但好在三条留存曲线变化比较规则平稳。因此得到初步结论：
（1）功能X的自动开启，对留存影响很大。相比于最为”纯净“的C组，留存降低至少15%。
（2）即使默认关闭功能X，但是用户仍然可以发现有X这项功能，也会对留存产生10%左右的影响，选项关闭但可见，对留存影响仍不可小看。
接下来我们分别计算这三组数据的置信区间。在计算前，需要先约定一个基础假设，那就是：我们可以将次日留存情况视作一种二项式分布，对每一个样本，都存在当天卸载（二项式分布中的0）和当天未卸载（二项式分布中的1）这两种情况，用户选择的结果，与日期无关。这样我们就可以将四天的用户数看作一个容量为n的样本库。
对于二项式分布的置信区间的计算公式如下：
其中p为二项式分布的均值，n为样本容量，1.645则是90%置信度时正态分布的临界值
根据公式计算出的得到的置信区间如下：
根据这个置信区间数值，转化成类似Google Play后台看到的图表形式，我们这次的AB实验结果变成了这样：
从这张图表中，就可以对之前给出的一些结论进行一些修正：
（1）默认开启X对留存影响很大，这个结论依然成立。相比与完全隐藏功能X，留存至少降低12%。
（2）默认关闭X时，X的设置开关是否可见，对留存的影响，没有我们之前结论中的那么大。虽然均值的差距在10%左右，但两组留存区间有一定程度的重叠。如果只说“关闭并隐藏”会比“仅关闭”高10%的留存是不太准确的。
由此可见，谷歌后台对于AB结果的表述，提供给了我们一个新的分析数据的视角。特别实在样本量较小的时候，能让我们对估算误差有一个科学的判断标准。
网友评论