A/B 測試的考量

R 中的 A/B 測試

Lauryn Burleigh

Data Scientist

A/B 測試重點

只有在以下情況才用 A/B:

  • 受試者/流量具代表性
  • 有足夠時間設計與測試
  • 假設明確

A/B 測試重點

  • 資料波動
  • 變數數量
  • 均值回歸
R 中的 A/B 測試

資料的波動

  • 為求準確,需要代表整體母體
  • 波動會影響結果
    • 受試者變動
    • 週幾
    • 假期
    • 公眾觀感

折線圖:回訪使用者先降後回升,新用戶上升。

冬季假期期間銷售量上升。

促銷期間銷售上升,非促銷期間下降。

R 中的 A/B 測試

波動範例

normaldist <- rnorm(10000) 
datasample <- sample(normaldist, 10)
ggplot() + 
    aes(datasample) +
    geom_histogram(bins = 8)

10 筆資料的直方圖,分布於整個 x 軸。

10 筆資料的直方圖,長條分佈在 x 軸的開頭、中段與尾端。

10 筆資料的直方圖,長條多集中在 x 軸中段。

R 中的 A/B 測試

變數數量

  • 單一變數:理想
  • 一種配料/一個變數
    • 評估單一配料/條件
    • Cheese:控制變數
    • Pepperoni:配料變數
  • 兩種配料/多個變數
    • 評估組合
    • 配對:bell pepper & onions、olives & garlic
    • 無控制組

起司與臘腸單一配料披薩各 3 名受試者;青椒配洋蔥與橄欖配大蒜雙配料披薩各 3 名受試者。

R 中的 A/B 測試

變數與第一類型錯誤

  • 變數越多 → 分析越多
    • 較高的第一類型錯誤率
  • 常見顯著水準:5%
    • alpha:0.05
    • 第一類型錯誤機率 5%
  • 信心水準:100 - 顯著水準
    • 用於計算家族錯誤率
      • 1 − 無偽陽性的機率

計算家族錯誤率

  • 顯著水準:5%
  • 信心水準:95%
  • 測試數:10
1 - (1-0.05)^10

1 - (0.95)^10
0.40126306076

40%

R 中的 A/B 測試

均值回歸

  • 加入更多資料,極端值會被攤平
  • 第一類型錯誤風險
  • 與控制組比較

折線圖:剛開始提交數多,隨時間回到均值。

折線圖:原按鈕提交無變化;更動組一開始很多新提交,但隨後均值回歸,與無更動組相會。

R 中的 A/B 測試

均值回歸

  • 樣本太小不精確
  • 第一類型錯誤風險
  • 資料愈多 → 越接近真實均值
ID 喜好度 [1-10]
01 1
02 10
03 9
mean(c(1, 10))
5.5
mean(c(1, 10, 9))
6.6666
R 中的 A/B 測試

一起來練習吧!

R 中的 A/B 測試

Preparing Video For Download...