「A/B 測試不一定是最好的評估方法。它不是萬能的，但不會 A/B 測試肯定是不行的?！?br/>

　　4 月 20 日，首個火山引擎技術開放日在北京方恒時尚中心舉辦，字節(jié)跳動副總裁楊震原以《聊聊數(shù)據(jù)驅動和用 A/B 測試解決問題》為題，分享了他對于 A/B 測試的理解。

　　楊震原稱，A/B 測試是字節(jié)跳動一項非?；A的工具，從公司成立之初就在使用，支撐了抖音、今日頭條等產(chǎn)品的增長迭代。目前，字節(jié)跳動 A/B 測試每日新增 1500 + 實驗，服務于 400 多項大大小小的業(yè)務，累計做了 70 多萬次實驗。這項工具已經(jīng)實現(xiàn)產(chǎn)品化，通過火山引擎向企業(yè)客戶開放。

　　A/B 測試廣泛應用于字節(jié)跳動方方面面，包括產(chǎn)品命名、交互設計、推薦算法等。但楊震原表示，這項工具也存在很多應用局限，比如獨立性、置信度、長短期等問題。

　　楊震原透露，抖音產(chǎn)品名字，其實是綜合了 A/B 測試和人為判斷的結果，「『抖音』這個名字在測試結果中排名第二。但大家覺得，這個名字更符合認知，更能體現(xiàn)它的形態(tài)，所以還是選了它?！?/p>

　　楊震原在火山引擎技術開放日現(xiàn)場

　　以下為楊震原演講全文：

　　大家好，我叫楊震原。非常高興在火山引擎技術開放日上和大家交流分享，希望對大家有所幫助。

　　字節(jié)跳動做了很多產(chǎn)品，我們希望技術團隊對待自家產(chǎn)品就像對待客戶一樣。我們不僅有內部客戶，像抖音、今日頭條，也希望有更多外部客戶，把我們的技術能力輸出，于是就有了火山引擎品牌。火山引擎技術開放日也是這個目的，希望把我們的技術對外，跟更多朋友分享交流。當然，也有點私心，希望我們的產(chǎn)品能賣到更多地方去。

　　今天我們聊的話題是 “數(shù)據(jù)驅動和用 A/B 測試解決問題”。這里的關鍵詞是“解決問題、數(shù)據(jù)驅動、A/B 測試”。解決問題一定要有好的方法，每個人都想用更好的方法解決問題，這涉及用什么方法，達成什么目標?！皵?shù)據(jù)驅動” 是我們公司內非常看重的一系列方法，“A/B 測試”是 “數(shù)據(jù)驅動” 中的一個具體方法。

　　用戶畫像和使用時長不是好的目標

　　要想解決問題，第一個問題是：目標是什么？很多人覺得：這個很簡單啊！目標嘛，今天想干一個什么事情，我就確定一個目標，接下來就是照著這個目標去完成。但是，確認目標，以及這個目標是否可量化，其實是特別重要的。

　　我給大家舉幾個例子。我大概 2014 年初來到字節(jié)跳動。剛來時，張一鳴說把我們的推薦質量提升提升，想想辦法怎么做改進。所以，當時我的目標就是提升今日頭條產(chǎn)品的用戶體驗，把推薦做得更好。

　　很快我發(fā)現(xiàn)，這方面其實已經(jīng)有很多項目在做了，其中有一個子方向的目標是“全面、精準的用戶畫像體系”。但在我看來，這個目標其實有很多問題。

　　我們的實際目標是“提升推薦的用戶體驗”。我們有很多方法來達成目標，用戶畫像只是方法之一。它是個子目標，不是我們要解決的目標，甚至可能都不是重要的方法。即使假設這個目標就是我們的主要目標，我們也還要評估它是不是可衡量的。

　　如何評估這一點非常難，比如衡量用戶畫像是不是好，很難量化。用戶的實際興趣是什么，很難評估。問用戶喜歡不喜歡旅游，一般人都說喜歡，但是推薦旅游相關文章看不看？實際上很多人都不看。

　　因此，用戶畫像不是一個好的目標。首先，這個目標優(yōu)先級不一定高，其次，它的評估非常難，這就意味著，這個目標很難指導我們的具體工作。

　　還有一種常用目標，叫“使用時長”。A 做了一個算法，平均使用時長 40 分鐘，B 做的算法，平均使用時長 45 分鐘，那是不是 B 就比 A 好？這個聽起來似乎很科學。

　　但是我要跟大家講一個例子。大概在 2016 年，有一個傳統(tǒng)老牌外企，它在美國的 PC 端有一款產(chǎn)品是新聞推薦。這個公司在中國有一個研究所，其中一項工作是去提高新聞推薦質量，采用的評估標準是用戶使用時長。對于用戶在平臺上閱讀了多少時長，這個研究所每個季度都有 KPI，連續(xù)幾年他們每年都能完成目標，并且經(jīng)常超額完成。但后來我跟他們聊的時候，這個研究所快要解散了。

　　原來，雖然使用時長在增加，但這個產(chǎn)品的用戶規(guī)模其實是不好的，用戶體驗也不夠理想，整個產(chǎn)品的留存在下降。我問他們，為什么你們的時長一直在漲，但是你們產(chǎn)品卻不行了？對方說：時長是在漲，但時長增長有兩種方式，一種是用戶體驗變好了、用戶看的時間更長了；還有一種方式是用著很好的用戶繼續(xù)留下來了，而一些時長很短的用戶看了看覺得這個產(chǎn)品不好，就走了。這些用戶走了以后，平均時長繼續(xù)變長。于是就變成了 “不斷驅趕體驗差的用戶，平均時長卻變長了” 這樣一個過程。

　　這是很可怕的，看起來是個很好的目標，但卻把產(chǎn)品做死了?？梢灶A見，如果我們只用使用時長作為目標的話，是有風險的。

　　那怎么辦呢？我們也沒有大招，只能是盡量將多個目標綜合。既要考慮用戶體驗，也要考慮一些客觀指標，同時可能輔以一些用戶訪談的直觀印象，最后綜合去制定我們的方向。

　　好的目標層次合理、可衡量

　　如何選一個合適的目標？我覺得至少有兩個角度，需要去考慮。

　　第一個角度，目標層次合理性。

　　什么叫“層次合理性”？比如你是一家公司的首席技術官（CTO），CEO 問你公司的技術目標是什么，你說“我要讓我們的公司市值做得更大，原來估值 5 億美元，10 年之后估值 50 億美元”。這個目標很泛、很高層次，跟最終目標很接近。通常大家也不會質疑說這個目標有錯誤。但是這個目標就不太能指導你的工作。CTO 下面的總監(jiān)、經(jīng)理、工程師這個季度該干什么呢？這個目標能有些推導分解嗎？很難。雖然目標層次很高，不容易偏離，但是對具體工作很難有指導。

　　那我們定非常具體的目標可以嗎？比如像剛才的例子，以使用時長為目標。這種時候，會有另一個問題：這個目標很具體、很能指導工作，但是它偏離了怎么辦？還有一個可能出現(xiàn)的問題是，這個目標沒有偏離，但不可衡量，它不利于指導工作。

　　所以，應該選一個不要太高、不要太低的目標，并且定期衡量特別重要。聊數(shù)據(jù)驅動思路時，當試圖用數(shù)據(jù)驅動思路去細化目標時，有利于你仔細反思：我的目標是不是這個？我的目標能不能量化？它會逼你把目標想得很清楚。

　　第二個角度，目標可衡量。這一點特別重要。它跟數(shù)據(jù)驅動的理念互相幫助，定好目標，才能更好的應用數(shù)據(jù)驅動，當你用數(shù)據(jù)驅動的方法去做事情時，它就會 push 你的目標到底是不是合理。比如你想了想這個目標：哦，之前的目標就定錯了，怪不得搞不清楚。

　　什么是靠譜的評估方法？

　　當目標想清楚了，那我們就評估吧。通常我們有哪些方法？

　　一是經(jīng)驗判斷。不管什么公司，每天都在不停的用這個方法，這個方法非?？孔V的，但是有它的問題。

　　二是非 A/B 測試的數(shù)據(jù)分析。

　　三是 A/B 測試的數(shù)據(jù)分析。我特別把 A/B 測試和非 A/B 測試區(qū)分了一下，因為它是一個更接近真實、更能夠把握住本質的一個方法。相信很多朋友都了解因果推斷，做精準的 A/B 測試能夠把因果說得更清楚，所以是更有效的方法。

　　經(jīng)驗判斷是什么？本質上是就靠人，這個方法是普遍采用的。舉個例子，大家都知道我們公司在做短視頻，怎么評估質量好壞？很多時候都靠人去判斷，如果你用客觀指標判斷它，會有另外的風險，所以很多時候用人判斷。在很多公司，比如戰(zhàn)略決策通常是人判斷的，很難靠數(shù)據(jù)定你的戰(zhàn)略方向，這是一個很重要的方法。

　　但它的問題在于：執(zhí)行層面很容易不一致，尤其對一個很大的公司來說，每天要決策的事情很多，并不是每個決策都由 CEO 或者高管來做，可能會分到公司很多團隊很多部門，每個部門都有很多人，這些人在他們的點上去做希望對公司正確的決策，但他們的意見有可能是不一致的。而且每個人可能有每個人的偏好，這是很難避免的。尤其公司比較大的時候，就會帶來非常多風險，比如不一致性和有偏性。

　　非 A/B 測試的數(shù)據(jù)分析。這個主要想強調關聯(lián)跟因果的問題，我們來舉個例子就很容易看到。暑假前，運營團隊做了一波活動，聲勢非常浩大，到了暑假開始的時候，發(fā)現(xiàn)用戶的活躍度大幅上升，這個提升是我們的運營活動帶來的嗎？二者是有關聯(lián)的，但是關聯(lián)并不代表因果。很明顯，暑假就是一個因素，暑假帶來的變化跟運營活動帶來的變化，到底誰更大？這個事情很難歸因的。每個人都覺得自己做的事情有用，關聯(lián)分析中往往就會帶有偏見。

　　我們再舉個有趣的例子，諾貝爾獎和巧克力消費量的關系圖。圖片顯示，巧克力吃得越多的國家，諾貝爾獎得主就越多。如果想改進中國的科技水平，多拿諾貝爾獎，我們應該多吃巧克力嗎？這顯然不靠譜?？赡軙兣郑茈y拿到諾貝爾獎。

　　這可以說明一件事情，這兩個事件有關聯(lián)性，但是它不是因果性。從數(shù)據(jù)分析中得出結論，就會面臨很多這樣的風險，它會混淆關聯(lián)性和因果性，并不能解決問題。

　　真正的完美解決方案是什么？得靠平行宇宙了。當前時空是這個狀態(tài)，做了一波 A 操作，比如一些同事搞了一波活動，時間退回去，他沒有做這個事情。我們再回過頭來看這兩個平行宇宙的差別是什么，這個差別就是這個活動所帶來的，這個很好理解。但是我們沒辦法做平行宇宙的實驗，就只能做 A/B 測試了。

　　怎么做 A/B 測試？當我們想觀測某個方面，比如說人群或者某類產(chǎn)品，就把人群和產(chǎn)品分成 A、B 兩組，比如你的操作是發(fā)紅包，或者改了設計頁面，又或者是做了運營活動。除了這些操作之外，其他的分布完全一樣。當然了，這件事情只能無限逼近，不能做到理論上完全一樣，除非是平行宇宙。

　　A/B 測試看上去好像效率很低，非常復雜，要分組，還要看因素是不是剝離干凈了。但是當你真正把一個事情搞清楚以后，就可以一個臺階一個臺階往上走。如果你搞不清楚，做得很快，有可能今天上一個臺階，明天下一個臺階，后天上一個臺階，不能保證一直在前進，這是非常大的差別。

　　字節(jié)跳動的 A/B 測試實踐

　　早期有記載的 A/B 測試，是在 1747 年，詹姆斯 · 林德治療壞血病的臨床實驗。他們把患有壞血病的水手分成 6 組，每組 2 個人。在 6 天的時間內，他們把大家安排在同樣的治療室中，吃同樣的食物，盡量排除實驗的干擾。這個人群選擇也很重要，我們應該選擇各種年齡段的，各種國家地區(qū)的。這里沒有寫，沒有足夠的數(shù)量，這是它不嚴謹?shù)牡胤?。唯一的不同是每組的治療方案，吃什么東西？檸檬、橘子、蘋果汁、醋、海水等等。最后的實驗結果是檸檬 / 橘子、蘋果汁有用。

　　在此之前有很多玄學，這個病，有人說用這個方法有用，用那個方法有用，有的是碰上了，有的是有效了。這個實驗雖然不夠嚴謹，還可以做得更好，但是它真正確定了什么原因。當你非常確信這個結論時，就可以繼續(xù)深入研究，比如從這個食物中分離出它所必要的真正有效物質是什么。在很確定結論的基礎上不斷演化，就能夠往后走得很遠。

　　知道了 A/B 測試的源頭后，現(xiàn)在說下字節(jié)跳動做的 A/B 測試實踐。

　　2012 年公司成立，那時候我還沒來。聽說那會兒一鳴還在自己寫代碼，已經(jīng)開始做 A/B 測試。

　　我大概是 2014 年來的，發(fā)現(xiàn)公司已經(jīng)非常重視這方面。這跟我的理念非常像，我也在繼續(xù)推動這件事情。比如定目標，推動 A/B 測試的平臺化，讓它更嚴謹，以及發(fā)現(xiàn)它的問題，在公司中更廣泛地使用。

　　到 2016 年，已經(jīng)變成一個內部廣泛使用的平臺了，叫 Libra 平臺，它有很多的功能。到 2019 年時，我們已經(jīng)不只是內部平臺了，正式立項，開始做對外平臺，給外部更多客戶來用我們的產(chǎn)品。

　　內部來說，我們用 A/B 測試確實很多，現(xiàn)在每天大概新增 1500 個實驗，服務了 400 多項業(yè)務，累計已經(jīng)做了 70 萬次實驗。

　　應用在哪些方面呢？產(chǎn)品命名、交互設計，比如改一個字體、一個彈窗、界面大小，都會做 A/B 測試。推薦算法就不說了，從一鳴自己寫代碼開始，就一直在做了。廣告優(yōu)化，這是業(yè)界普遍做法。用戶增長，也是這樣。市場活動，我們做了一小部分。內部基本上就是，能用 A/B 測試的都用。

　　A/B 測試不是萬能的

　　那 A/B 測試是不是就一統(tǒng)天下了呢？顯然也不是。A/B 測試不一定是最好的評估方法，它不是萬能的，但是我覺得，不會 A/B 測試肯定是不行的。

　　為什么說它不一定是最好的評估方法？我們說說它的一些局限和問題。

　　首先是獨立性的問題。如果你真的想做 A/B 測試，就要對你的實驗對象進行分組，分組之后，去做一個操作，觀測結果。這個分組要求兩組是非常獨立，除了你的這個操作之外，其他部分都一樣，至少是分布一樣。但有時候這點并不容易保證。

　　舉個例子，網(wǎng)約車的司機分配策略，比如這個網(wǎng)約車分配什么司機？誰離你最近，我就分配，這是一個策略。我們還可以考慮價格，以及車型和時間等等，做別的策略。A 同學做了 A 策略，B 同學做了 B 策略，哪個策略更好？

　　我們可以來做個 A/B 實驗，把用戶分成兩組，A 組是一部分用戶，用 A 策略，B 組是另一部分用戶，用 B 策略。但這是有很多問題的。如果只按用戶來分，A 策略和 B 策略的用戶有可能都用同一個司機，A 策略的用戶把這個司機訂走了，B 組的用戶就訂不到這個司機了。

　　也就是說，你最后觀測到的統(tǒng)計指標，比如成單量、成單率，可能會有交叉影響，但具體是多少？單從這個實驗數(shù)據(jù)來講，是看不出來的，也不太容易分析，所以它不獨立。交叉影響在哪？按用戶分了，但是司機沒有分開，兩波用戶有可能會聯(lián)系到同一個司機，這就叫“獨立性問題”。

　　更嚴謹?shù)膶嶒炘趺醋?？應該把用戶和司機都分開，把用戶編個組，司機也編個組，用戶司機 A 組，用戶司機 B 組。當你發(fā)現(xiàn)你要觀測的對象不能被嚴格切分的話，就需要考慮獨立性的問題，這時候你做的結論很可能是錯的。

　　我們再看一個置信度的問題。比如做搜索評估，我們評估 100 個隨機測試，把它們分成 A、B 兩個測試組，其中有 22 個變好了，有 20 個變差了，加起來是 42 個，剩下的 58 個兩邊一樣。

　　請問，A 組是比 B 組變好了嗎？有人說，系統(tǒng)變好 10%，效果非常明顯。你相信嗎？你要相信的話就被蒙蔽了。

　　我這里寫了一個置信度，P 值 = 0.75，這是什么意思？我們通常認為，P 值要小于 0.05，這個數(shù)據(jù)才是可信的，也就是 A 比 B 好。0.75 的意思是 “A 比 B 好” 碰巧出現(xiàn)的概率是 75%，這是不可信的。我們把這個箱型圖畫出來，它波動的范圍如果按照 95% 的區(qū)間，從 - 0.1 一直到 0.147，是非常大的范圍。把置信度畫出來，發(fā)現(xiàn)這個實驗完全不能說明 A 比 B 好。結論就是：這個實驗不可信，沒有顯著性，完全不能從這個實驗中得出 A 比 B 好的結論。

　　還有長短期的影響，這也是一個常見的問題。我舉一個例子，比如說，我們對每個商品會有評價，現(xiàn)在興趣電商比較熱，電商的推薦主要會考慮它的評價，對于評價低的商品，我們會做一些控制和懲罰，讓它的推薦少一些。如果加大懲罰力度，或者由不懲罰變成懲罰，交易量會怎么樣變化？

　　如果做 A/B 實驗，會發(fā)現(xiàn)加上這個懲罰，它的交易量是下降的。這很顯然，商品本來可以買，現(xiàn)在不讓買了，那它的交易量肯定下降。如果你看了 A/B 測試，說我們不應該做，對這些差的產(chǎn)品就應該保持，那你很可能就錯了。

　　有時候，靠人的經(jīng)驗相信這個事情是對的，堅持做，你很可能會得到一個正確的答案。為什么？我們這個實驗不再測 3 天或者 1 個星期，而是測 1 個月，你會發(fā)現(xiàn)，這個交易量開始是下降的，但是慢慢持平了。隨著時間再往前推移，它的交易量就變好了。

　　可以想象，當你做了一些正確的事情，短期可能會受一定損失，但是積累了用戶口碑，這些東西周期都很長的，慢慢效果就體現(xiàn)出來了。A/B 測試通常不會做那么多時間。

　　所以有時候要結合判斷相信背后本質的東西，可以用更長期的 A/B 測試驗證它，這時候你會做出更正確的選擇。如果相信短期，就掉到溝里了，得出錯誤的結論。

　　抖音的名字是怎么來的？

　　最后再講講抖音取名字的故事。很多人都很關心這件事，甚至有人說抖音的名字是找大師算過的。起名字是可以做 A/B 測試的。當年，我們做了這個短視頻產(chǎn)品，有很多候選名字，那會兒已經(jīng)有一些產(chǎn)品 demo 了。

　　我們就把這個 demo 產(chǎn)品起成不同的名字，用不同的 logo，在應用市場商店做 A/B 測試，同樣的預算，同樣的位置，這能測出用戶對這個名字的關心程度，吸引力程度，下載轉化率等等，但其實也是非常短期的。

　　做完這個測試之后，我們得出了一個排名，比如第一名是什么，第二名是什么?！岸兑簟笔桥琶诙模皇亲詈玫拿?。當時負責抖音的產(chǎn)品經(jīng)理，討論應該用哪個名字。

　　你去看這個分析和排名，看那個過程，就會發(fā)現(xiàn)有一些是符合你的感覺，有一些不是符合你的感覺，才知道，原來人們對這個東西可能會這么想。所以 A/B 測試的過程，有時不完全看它的結論，它也會給你帶來很多認知，這就是經(jīng)驗帶來的偏差。A/B 測試可以糾正這些偏差，但是它也會有這樣或那樣的問題，有時候你不會完全采納它的結論。

　　我們就沒有采納排名第一的名字，大家覺得，“抖音”長期來講更符合認知，更能體現(xiàn)它的形態(tài)，所以就選擇了 “抖音” 這個排名第二的選項。

　　從這個故事中可以看到，真正想去做一個科學決策，是很難有完美方法的，沒有一招鮮的方法，只有最合適的方法。充分地做 A/B 測試，這是一個能夠在很大程度上補充信息的過程，能夠消除很多偏見，能夠帶來很多客觀的事實。但是它也不是完美的，需要補充其他方法一起來用。就像 “抖音” 起名字的例子一樣。在公司中更廣泛地使用 A/B 測試，我相信對提高整個公司的決策質量是很有幫助的。