编辑导语：AB Test，即有A、B两个设计版本。通过小范围发布，得到并比较这两个版本之间你所关心的数据，**选择效果**的版本。对于互联网产品来说，通过A/B测试提升点击转化率，优化获客成本可以得到越来越多的关注。本文作者从案例实战出发，为我们分享了AB Test系统设计及其原理。

在实际工作中，我们经常会遇到这种问题，准备上线的新策略真的会比老策略好吗？遇到这些问题总是让人不知所措左右为难，难道真的只能遇事不决量子力学了吗？

在数据驱动时代，只要你遇到的问题是数据可量化的，还真的有这么一个万能工具能回答你的这些困惑，它就是A/B Test。

相信大家对A/B Test并不陌生，但大部分人仅仅处在了解阶段，在真正动手做A/B Test实验的时候还是会遇到各种各样的问题。

如果你也遇到过以上问题，那我们今天就从数据产品经理的角度通过实战案例一起来探讨一下A/B Test具体怎么做及其里面的原理是什么，以及如何将A/B Test产品化。

一、A/B Test的前世今生

A/B Test的思想最初应用于化学、生物、医疗等传统学术研究领域，叫做双盲实验，在2000年由谷歌引进到在互联网中进行了第一次A/B Test。A/B Test解决的是在现有认知下不确定哪种方案更优的问题，避免了拍脑袋决策，那么什么场景下适合做A/B Test呢？

首先有两个条件：

1. 有两个到多个待选方案；
2. 有最直接的数据指标可衡量各待选方案，如：比率、数值。

目前A/B Test比较常见的应用场景如下：

二、abtest案例引出

关于A/B Test的案例有很多，最常见的无非就是一个按钮的颜色或者是按钮的文案，虽然很经典但未免太简单，以至于有的地方涉及到的实验知识点无法详细展开。今天我们就拿一个工作中的实际例子来举例：

某产品想上线付费发表情功能，于是产品同学A设计了一套付费引导流程：点击表情按钮->弹出付费引导弹窗->点击付费弹窗支付按钮->支付成功。

在需求评审上，产品同学B提出了不同意见：为什么不在用户点击具体某个表情的时候再弹出付费弹窗，使用如下引导逻辑：点击表情按钮->弹出表情面板->点击具体某个表情->弹出付费引导弹窗->点击付费弹窗支付按钮->支付成功。

根据以上逻辑，两个方案的转化漏斗如下：

假设：点击表情按钮人数=n，那么两个方案看到付费引导弹窗用户数分别为：

• A方案看到付费引导弹窗人数 = n*x%
• B方案看到付费引导弹窗人数 = n*100%*a%*100%=n*a%

付费用户数分别为：

• A方案付费用户数 = A方案看到付费引导弹窗人数*y%*z% = n * x% * y% * z%
• B方案付费用户数 = B方案看到付费引导弹窗人数*b%*c% = n * a% * b% * c%

针对两个方案孰优孰劣，两个产品同学分别给出了以下观点：

就这样，两个产品同学谁都说服不了谁，最终一致决定做个A/B Test看看用户的真实选择，是骡子是马牵出来溜溜就知道了。

三、abtest实验设计