A/B 测试前身：历史悠久的对照实验

今天互联网巨头热衷的 A/B 测试，其实源于学术层面的“随机对照试验”，作为一种方法论，这种对照试验有着悠久的历史：

• 1747 年，为了治疗坏血病，皇家海军的外科医生 James Lind 设计了一项实验。他测试了苹果醋、大麦水、橘子等六种不同药方。

最终发现新鲜的橘子为最佳的治疗药物，尽管那时并不清楚是橘子中维 C 的作用。

1835 年，医学史上第一次“双盲实验”在纽伦堡实现。一位名为弗里德里希的公共卫生官员，为对抗当时颇为流行的顺势疗法开启了一个赌注：将 25 瓶顺势疗法盐水和 25 瓶蒸馏水分发给 50 位双盲受试者。

最后 8 位声称产生了治疗效果，但揭盲后发现，有 3 位喝的其实是蒸馏水，弗里德里希赢得了赌注。

1935 年，统计学家兼生物学家罗纳德·费雪(Ronald Fisher)写了一本名为《实验设计》的书。在书中，他系统论述了随机对照实验的设计原则和统计检验的方法，成为实验设计领域的开山之作。

1944 年，在制造原子弹的过程中，曼哈顿计划的领军科学家奥本海默，用 3 种方法测试如何分离铀 235，这一步骤成为整个项目中最关键的环节之一。

1960 年代，大卫·奥格威用对照测试的方法验证广告的有效性——写两条不同的文案并要求报纸将其各印一半，同时在文案中留下索取免费样品的邮编和地址，但样式不一样，最终根据实际样品索取量来观察哪种文案效果更好。

……

可以清楚地看到，随机对照实验作为一种方法论，在现代科学和商业发展中发挥了重要作用。它本质上能通过控制单一变量的方法来寻找最优解决方案，已经被广泛运用到工程学、医学、教育学和多个领域的商业实践中。而我们今天要聊的 A/B 测试其实就是随机对照实验在互联网领域的具体应用。

A/B 测试，互联网巨头的标配

A/B 测试——又被称为小流量实验。

通常是针对某个功能/UI/逻辑策略等，提供两种(或多种)不同的备选解决方案，从总体用户中随机抽取一小部分流量，分配给不同方案，最终通过实验数据对比来确定最优方案。

今天，在硅谷和中国的互联网头部企业，A/B 测试已经成为业务发展的标配。我们简单梳理下 A/B 测试是如何风靡各大互联网巨头的——2000 年 2 月 27 日，谷歌搜索部门的一位工程师进行了互联网时代的第一次 A/B 测试——他想知道搜索结果每页展示多少条是效果最好的，当时默认为 10。实验是这样设计的：对于 0.1%的搜索流量，每页显示 20 条结果;另外两个 0.1%分别显示 25 条、30 条。这次测试从直接结果看并不成功——由于技术故障，实验组页面的加载速度明显慢于对照组，最终导致实验的相关指标下降。

但谷歌因此获得了意外收获——他们发现即便是0.1秒的加载延迟也会显著影响用户满意度。很快，谷歌将改善响应时间提升为高优先级事项。以这次实验为开端，A/B 测试在谷歌内部快速流行起来。

2012 年，据谷歌的首席经济学家范里安称，谷歌每年就会开展超过 5000 次的 A/B 测试。

亚马逊早期，工程师 Greg Linden 曾提出一个想法——在客户支付时，根据他们购物车中的商品，向他们提供个性化的“冲动购买”建议。他精心做了一个 Demo，但演示后当时亚马逊的一位副总裁武断地否决了这一想法。Greg Linden 并不气馁，他业余时间用三个半月完成了这一功能的开发，并对这个功能进行了小流量的测试。结果证明，即便是这个极其粗糙、简陋的版本，也让实验组用户的购买规模提升了 17%。

于是，“商品推荐”这个今天司空见惯的功能从此在亚马逊开启。

在 Facebook，CEO 扎克伯格曾公开宣称：

“在任何给定的时间点，都不会只有一个版本的 Facebook 在线上运行，而是有超过一万个，我们的实验框架能随时发现和感知用户最细微的行为差异。”

在中国，头部的互联网企业也都有自己的 A/B 测试平台。比如字节跳动的 Libra、美团的 Gemini、滴滴的阿波罗。张一鸣曾表示——“即使你有99%的把握某个名字比另一个名字更好，测一测又有什么关系呢?”

目前在字节跳动，每天同时进行的 A/B 测试达上万场，单日新增实验数量超过 1500 个，覆盖 400 多项业务。截至今年 3 月底，字节跳动累计已经做了 70 多万次 A/B 测试。

为什么互联网巨头热衷于 A/B 测试?

互联网公司大规模运用 A/B 测试并非偶然，这背后深层次的原因在于，A/B 测试是数据驱动理念的最佳落地实践。它能以最小的风险实现业务的有效反馈。

字节跳动在发布 APP 的时候，通常会给 APP 取多个名字，打多个包上架到应用市场进行 A/B 测试，观察不同名字的下载率、留存率等指标。这背后其实是一种尊重客观事实的决策哲学。事实上，在硅谷的互联网文化中，那些靠拍脑袋的决策有一个专有名词“HiPPO”—”Highest-paid person’s opinion”，即“公司收入最高的那个人说了算”。

谷歌的技术专家 Avinash Kaushik 曾说：

• “大多数互联网产品都很糟糕，因为 HiPPO 创造了它们。”

Netflix 在 2016 年 4 月的一篇技术博客中写道：

• “通过对照测试的方法，我们确保产品变更不是由最固执己见，和最有发言权的 Netflix 高管驱动，而是由实际的在线数据驱动，这是我们走向成功的基础。”

有人会问——A/B测试的决策思想其实由来已久，为什么直到现在才变得流行起来?

答案是——实验成本。

在硬件产品时代，产品的开发成本很高，一台电脑如果控制不同变量，事实上它就变成两台不同的电脑，本质上属于两条产品线，而开发多条产品线对于硬件产品的成本是非常高的。软件产品时代开发成本同样高昂，一个版本的 Windows 要开发数年，一个 3A 大作开发同样动辄数年，这样庞大的开发成本是无法同时进行不同版本的开发的。同时，无论是硬件产品还是软件产品，它们从开发、上市到客户反馈，这个周期是极其漫长的，这样冗长的周期也让灵活多变的 A/B 测试难以大规模应用。而到了互联网时代，每一个产品特性都可以快速迭代，每一次迭代都能迅速得到反馈。开发成本的降低和反馈周期的缩短——这两重因素无疑给A/B测试提供了极其便利的实践条件。

为了让 A/B 测试的价值得到更大发挥，很多互联网巨头还将这项能力开放给 C 端用户。比如今日头条发布文章的界面，作者可以取双标题和双封面，经过小流量的测试之后，推荐系统会自动推荐点击率高的标题。Facebook 的广告系统也给广告主提供了一项组合实验能力，即客户可以上传不同的标题、描述、封面和按钮。Facebook 自动对这些元素进行随机组合，形成多个创意进行 A/B 测试，自动将预算分配到转化率最高的创意组合上。

为什么今天传统的“广告大师”越来越少了?因为互联网广告在很大程度上不再依靠“大师”的灵光乍现，而是更多地依靠优化师每天测试无数版文案和素材，甚至很多文案是机器生成的。

如何利用工具做好 A/B 测试?

我们在上面的部分了解了 A/B 测试的原理和意义，很多公司会问：我知道在增长日益困难的今天，A/B 测试是一个好东西，那到底应该如何付诸实践呢?

的确，A/B 测试的实践并不是一个简单的过程，它比很多人想象得要困难，这个困难体现在几个层面——

首先，需要确定 A/B 测试的关键环节。A/B 测试到底测什么的问题，即企业必须清楚哪些环节是推动业务发展的关键，在关键环节上进行试验。如果找不到关键环节，在无关痛痒的环节上，无论做多少 A/B 测试也是徒劳的。

其次，需要确保 A/B 测试过程的科学性和合理性。比如控制单一变量，即确保实验组和对照组只有一个关键变量是存在差异的;比如确保流量分配的均匀随机，即实验组和对照组的流量是完全独立的，不存在互相影响的关系。

最后，还需要确定合适的评价指标。评价指标通常不止一个，是看 A 指标还是 B 指标?过程指标还是结果指标?短期指标还是长期指标?单个指标还是多重指标?这些都需要根据业务实际情况审慎决定。

总结

A/B 测试作为一种科学的实验手段，能够帮助企业在多种方案中寻求最优解，以最小的风险前置性地验证策略效果，为企业规避风险。作为互联网时代的企业，理性拥抱前沿趋势永远是最优的选择。