AB实验

首先，我们有两组用户，A、B两组策略 A组：原策略，经过验证 B组：新策略，未验证，很可能有提升

整个流程为：AA --> AB --> BB

image.png

前置AA实验

image.png

在做AB实验时，需要对用户进行均匀分组，常用的有按ID、Hash等方式随机分组。但是这些方法，都只是改善措施，随机采样也有概率造成样本偏斜。既然无法保证结果均匀，那么就需要对分组结果进行检验，对检验不通过的重新采样。 AA实验应运而生——在线上开启AB实验前，先开启一段时间两组用户用同一个A策略进行实验，用来验证实验组与对照组两组用户的一致性。

那么如何度量一致性呢 -- 两组之间t检验，多组之间F检验 但是检验需要满足正态性 -- 用户由于其样本量足够大，按用户分组的指标必然呈现正态分布。 正态性度量指标：偏度、峰度；W检验（Shapiro-Wilk Test) 偏移较大则需要记下该指标特性，并将最终处理方式配置进试验系统。 一般的原因和处理方式有：“有组织的作弊、某个业务因素、采样总体包括幸存者偏差”。作弊可以过滤、打击，业务因素可以分析，总体存在bias可以取对数。