导图社区 AB测试-知识图谱
AB测试是为Web或App界面或流程制作两个(A/B)或多个(A/B/n)版本,在同一时间维度,分别让组成成分相同(相似)的访客群组(目标人群)随机的访问这些版本,收集各群组的用户体验数据和业务数据,最后分析、评估出最好版本,正式采用。
这是一篇关于增长分析类平台的思维导图,详细介绍了增长分析类平台的相关知识点,想要了解增长分析类平台的小伙伴可以收藏起来。
数据资产是指由个人或企业拥有或者控制的,能够为企业带来未来经济利益的,以物理或电子的方式记录的数据资源。 数据资产是拥有数据权属(勘探权、使用权、所有权)、有价值、可计量、可读取的网络空间中的数据集。
社区模板帮助中心,点此进入>>
项目时间管理6大步骤
互联网9大思维
项目管理的五个步骤
电商部人员工作结构
组织架构-单商户商城webAPP 思维导图。
暮尚正常运转导图
域控上线
产品经理如何做好项目管理
车队管理
python思维导图
AB测试
功能清单
实验管理
实验列表
新建按钮
查询
实验元信息
实验名称
模式
类型
状态
运营时间
流量分配
实验状态
创建新实验
实验种类
运营
研发
推送
广告
实验调优
权限管理
实验报告
报告综述
实验关注指标
定量分析
置信区间 + P-value
实验关注标签
同期群分析
按周期分类,分析
群体洞察
指标管理
定义
衡量实验是否成功的指标
实验:成功指标 = n : n
实现指标复用
子功能
增
删
改
查
分享
收藏
Feature管理
千人千面
针对不同人群,使用不同策略
系统管理
统计量化
有XX大的把握,新策略结果落在XX~XX区间
置信度
别名
统计显著性
置信系数
作用场景
问题
新策略的量化结果是在抽取的样本中发掘出的
有可能是随机引起的
有可能是真正性能差异
描述实验结果可信度
P-value=1-置信度水平
P-value越小越好
目前接收95%置信度,也就是P-value5%
置信区间
正态分布中靠近均值程度不同,概率不同
理论基础
假设检验
思路
做出假设
验证假设(反证法)
原假设(null hypothes)
实验者收集证据,要证伪的假设。(新策略没有效果)
备择假设(alternative hypothesis)
实验者收集证据,要证明的假设
原假设与备择假设为互斥
中心极限定理
量化抽样误差
从中体中不断随机抽取样本,做无数次小流量实验。
无数次小流量实验的均值,近似呈正态分布
此正态分布以真值为中心,越接近中心概率越大
AB实验
实验组
新策略
对照组
老策略
互斥组
实验组和对照组为互斥组,流量无重合
互斥实验
互斥组实验
正交实验
目的
为解决流量不够用问题
原理
实验一和实验二使用相同的流量
流量先经过实验一组
随机打乱后,均匀流过实验二组
实验一和实验二流量正交
就算实验一对实验二有影响也是均匀影响新策略和老策略
基本思路
截取小流量
AB测试又名小流量随机实验
只取样本中的小部分流量做实验
有后悔药可以吃
较低风险
随机分配
随机抽样
流量正交
互斥组保证流量只命中一个策略
排除干扰
策略评估
结合统计方法确定策略
两种策略的相对效果可量化
量化结果
为什么要AB测试
大环境
整体流量红利见顶,草莽已过,需要精细化运营
量化改变
从拍脑袋靠经验到量化策略结果
单变量分析
可基本排除其它因素导致新策略量化结果偏差