A/B实验避坑指南：为什么不建议开AABB实验

本文将针对日常开设 A/B 实验过程中一个不太合理的使用方法——AABB 实验进行详细的解释，告诉大家为什么不建议开 AABB 实验。

在开始之前，先来回顾一下“什么是 A/B 实验”，A/B 实验是针对想调研的问题，提供两种不同的备选解决方案，然后让一部分用户使用方案 A，另一部分用户使用方案 B，最终通过实验数据对比来确定最优方案。

什么是 AABB 实验

众所周知，AB 实验就是我们在总流量中分流出两组用户，一组使用原策略 A，一组使用新策略 B，比较两个策略的效果。

那么 AABB 实验是什么呢？

简单来说，在做实验的时候，会从总流量中分流出2个原策略组（A1、A2）和2个新策略组（B1、B2）。两个原策略组的实验配置一模一样，两个新策略组的配置也是一模一样的。实验者会综合比较 A1、A2、B1、B2 各组之间的指标差异（但其实多数实验者分析的方法并没有理论依据，文章后面会作出解释），这样的实验被称为 AABB 实验。

当然，也有实验者会分流出更多策略组（AAABBB、AAAABBBB 等），或者引入多个不同的新策略（AABBCCDD 实验等）。这些实验与 AABB 实验存在的问题趋同，本文中姑且先以 AABB 实验为主要分析对象。

为啥总有人想开 AABB 实验

在进行了部分用户调研后，火山引擎 DataTester 团队发现，开设 AABB 实验的实验者通常想解决以下问题：

验证用户分流是否“均匀”

部分实验者担心火山引擎 DataTester 平台的用户分流不科学，因此开设 AABB 实验，通过比较 A1与A2、B1与B2之间的实验指标差异，来检验用户分流是否合理。

理想状态下，如果用户分流是随机的，那么相同的策略组（A1和A2之间），在实验中检测出的指标差异应该很小 。这是用户对于实验结果指标的预期。这时候，假如实验结果中，A1、A2的指标出现很大的差异，甚至于呈现“显著”，实验者就会认为，是火山引擎 DataTester 后台的分流机制有问题。然而，这个判断是不科学的。为什么呢？请阅读下文中的错误 No.1。

比较“AA组内差异”和“AB组间差异”

有的实验者认为：开设 AABB 实验，假如 AA 之间的实验结果差异很小，AB 之间的实验结果差异较大，那么在这种情况下，我的B策略应该就是有用的。这种想法本身没有问题，但是火山引擎 DataTester 的大部分指标提供了置信度功能，此时这种做法就显得有些画蛇添足了。详细的原因参考下文中错误 No.2和错误 No.4。

AABB 实验到底错在哪儿

No.1 AA组内指标差异显著/置信并不代表分流不科学

A1、A2组之间的实验指标差异大，甚至出现显著，就能说明分流不科学吗？其实并不能。实际上，在对比 AA 组间指标差异时，以下的几种情况都是完全可能发生的：

1.AA组内的指标必然存在差异：虽然A1、A2两组所采用的策略完全一样，但进入A1、A2组的用户是完全随机的，这是随机抽取的两份样本，必然存在抽样误差，因此指标值不可能完全一样。

2.AA组内的指标差异可能还不小：如果样本中的用户量太少，或样本用户中存在极端个例（比如抽20个人算中国人的平均收入，抽样的时候抽到了农夫山泉董事长钟睒睒和月薪5000元的某人），那么在观察常见的均值等类型指标时，AA组内指标差异很可能还“不小”。

3.AA差异可能“显著”：在检验假设的过程中，我们容易犯的一类错误是：策略原本无用，但实验结果显示该策略有用。A1、A2组指标差异显著，正是对应了这类错误——其实两个策略是一样的，但是实验结果显示A2有用。在 A/B 实验中，这类错误出现的概率是5%。也就是说，假如你开100次 AA 实验，出现5次显著是合理的。如果 AA 实验指标差异呈现统计显著，也不过是一个概率问题，并不代表分流不科学。

综上，我们再来回顾一下什么是“统计显著”。顾名思义，这是一个统计术语，并不等同于指标在实际业务中发生了“显著变化”。更不能以此推论出“因为 AA 有差异，且 AA 的策略相同，所以分流结果有问题，AB 的结论也不可信”。

No.2 AABB实验中，统计指标更容易犯错

先来明确一点，目前火山引擎 DataTester 的统计学原理是双样本假设检验。也就是说，目前火山引擎 DataTester 的假设检验都是按照一个对照组（旧策略组A）和一个实验组（新策略组B）来设计的。在1次比较中，我们犯第一类错误的可能是5%。AABB 实验中，实际上有6组对比（排列组合一下：A1A2，A1B1，A1B2，A2B1，A2B2，B1B2）。组合增多，那么我们犯错的概率必然会增大。

如果实验者将实验组增多（AAABBB），或者参与实验的策略增多（ABCDE，AABBCCDD等多个新策略），那么排列组合就会更多了，犯错的概率就会越来越大。再加上在实验中，我们可能会观察多个指标，这样我们犯错的概率就更大了。

No.3 AABB实验一定程度上会影响实验的灵敏度

实验调用的样本量越多，实验结果就越灵敏。相较于A/B 实验（只设置一个A组和一个B组）来说，AABB 实验将实验组的数量增加到了4个。此时实验者不得不面临几个选择：

1.实验总流量不变，各实验组的流量减少一半，这会造成实验灵敏度下降；

2.单实验组的流量不变，将分流进实验的总体流量增加一倍，这意味着实验者可能会承担更大的风险（如果新策略造成负向影响，会有更多的用户受到影响）；

3.也有一些聪明的实验者选择延长实验时长，让更多用户进入实验之中，但这会产生更多的时间成本。

既然如此，我们为什么不干脆把AABB实验合并为A/B实验呢？这样反而可以使得实验更灵敏、风险更小、结果更可靠。

No.4 p-value已经帮助我们比较了“AB差异”与“AA差异”

经过一些用户访谈，我们了解到大多数用户开设AABB实验的动机是：判断“ AB差异”是否高于“ AA 差异”，并以此辅助自己进行决策。事实上，仔细理解显著性水平的原理，我们就会发现，p-value 已经从更科学的角度帮助我们完成了这个任务：p-value 小于0.05，就是在保证了“ AB 差异”一定大于95%以上的“ AA 差异”。

既然 p-value 已经帮我们比较了“ AB 差异”与“ AA 差异”，我们为什么还要自己开设 AABB 实验进行比较呢？从某种程度上说，利用一次 AABB 实验来观察“ AB 差异”是否大于“ AA 差异”，仅仅是在浪费实验资源而已。

核心：让风险“可量化”且“可控”

总体来说，A/B 方法论的核心是要让风险“可量化”且“可控”，火山引擎DataTester 团队围绕这个目的使用假设检验范式设计了一整套系统。AABB 的实验设计作为一种客观存在，并没有什么绝对的对错，只是根据火山引擎的观察，对于绝大多数实验者和绝大多数业务场景，它的 ROI 是远远不足以让你选择的。