杠杆|A/B 测试：以变应变，给用户更好的体验“宠爱”( 二 ) 机器人|仓储|红杉中国|箱式|供

有限还原场景。从抽象过的、框架化的角度还原用户的整个决策过程，比如通过漏斗分析、用户路径分析，就可以描绘用户的整体行为情况。
做为诊断依据。感知用户行为，通过时间或分类维度的横向竖向比较，可以大致确定是否存在问题。
进行杠杆排序。知晓当前哪个比较重要，哪个暂时不那么重要，虽然问题可能很多，但事儿还得一件一件干。

除此之外，比数据应用重要的事情是知道事情怎么做？要描述好这个事情，我通常会列出两张表。
第一张表叫做：为什么？如果我们对于要解决的问题有更准确的认识，解决起来的效果当然是较好的，因此可以从动力、阻力、时机等角度罗列可能的原因，并做一些主观上的排序。
第二张表叫做：怎么办？针对于这些具体原因，我们可以列出可能的方案或者方案的方向。最终使用 ICE 模型（Impact 影响范围、Confidence 自信程度、Ease 实现难易）进行主观排序，确定最近的一段时间，我们要做的试验是什么。
比如针对电商场景，我们可以梳理出电商的核心路径，并找到核心路径上的薄弱环节，或者杠杆指标，并进一步定位我们的关注点。

文章插图
当定位到某个问题页面或者模块之后，我们会进一步列出为什么和怎么办。比如我们在数据分析中诊断出某电商的轮播图模块存在转化问题，该模块靠后的几张广告的渗透率急剧下降，且经评估我们认为该模块的重要度比较高，我们就可以进一步针对其列出以下列表：

文章插图
三、Action：基于业务决策，实施 A/B 测试当我们已经有了比较具体的试验方向，就可以进一步设计试验本身的细节，去罗列出试验实施的几个要素：

试验的假设：我们所认为的目标和手段之间的因果关系。（改动什么会影响什么？原因是什么？）
试验的变量：具体的改动元素，通常是单一元素，方便归因。
试验的指标：评估试验成败的指标及其相关指标。
试验的受众：具体实施试验的用户对象。

四、Feedback：分析试验数据，获取反馈与认知“反馈”的字面含义，指的是我们从试验结果中获得的直接结论，即各试验组是否有差异，哪组策略更好或是更坏。而“认知”却是更深一层的，即我们学到的、可以被沉淀的知识。
比如在我司客户的某个电商场景中，对于奢侈品的图片加上各种相关标语的大图版本，从数据上来看转化率是更差的，这是“反馈”。而奢侈品类产品的大图中加上标语，对用户来说受到了注意力干扰，影响到体验产品的美感，这是“认知”。

文章插图
在统计学中讲到，“即使数据上存在显著差异，我们无论接不接受新的方案，都是有概率犯错误的。”也就是说，反馈可能是错误的。
更要命的是，即使我们得到的反馈是对的，也可能在认知上犯错误。比如我们错误的认为，奢侈品的大图上不加标语是更好的，但实际上，只是不能只加优惠政策类标语，因为这看起来会很山寨，影响客户的信任度，恰当添加标语也可以提升信任度。

文章插图
基于反馈，我们可以判定最近的试验是否有效，基于认知，我们也可以沉淀更多可累积的经验。
【杠杆|A/B 测试：以变应变，给用户更好的体验“宠爱”】就像企业一直追求的精细化运营，其背后就是这种聚沙成塔式累积的效应，能够帮助我们累积得更多，走得更远！