deltaDNA：AB测试的重要性

假设您是专注于提高D1保留率的开发人员/发布者（例如）。有多少不同的变量会影响该统计信息？

花点时间，画一些图，做个有根据的猜测，接受你错了，然后进入垃圾箱。这个问题的真正答案是巨大的，不可能实现。

由于影响玩家体验和游戏性能的因素太多，因此任何优化尝试都必须在非常特定的条件下进行严格测试。他们需要经过A / B测试。

什么是A / B测试？

A / B测试实质上是比较同一变量的不同版本，以确定对该变量进行更改的影响。想法是运行并发测试，其中条件要尽可能接近相同，但要测试的变量除外。

对照组继续经历“默认”行为，治疗组收到新的行为，因此您可以比较结果并确定更改所选变量的影响。

为什么要进行A / B测试？

由于以下几个原因，以这种方式测试更改很重要：

通过测试一小部分人口的变化，可以最大程度地降低负面变化的影响。

您可以从统计学上证明您提出的更改的效果，而不必依赖于直觉。

通过在运行测试之前确定什么构成“重大”更改，您可以客观地进行评估。

如果您想了解如何迭代地改进游戏，则需要进行A / B测试。

如何执行成功的A / B测试

这是一个反复的过程。下图按步骤细分了A / B测试。

耐心和纪律是成功进行A / B测试的关键。那些甜蜜的结果会一点一点地出现。朋友们，罗马不是一天建成的。

如何执行不成功的A / B测试

一旦有多个变量起作用，您就无法准确评估其中任何一个变量的精确影响。一次只有一个，或者根本没有。

您可能会认为，按地理位置，人口统计学或任何其他记录的特征来划分组的简便方法。错了，错了，一千倍错误的。您的控制和治疗小组必须由相同的受众组成，否则整个练习没有意义。

相关推荐: 亚马逊重大更新：开放移动客户端数据

厦门商城系统开发 大家最近有没有发现亚马逊从最初的封闭状态到慢慢的开放很多数据了，例如：ABA 分析，用户画像等，之前还内测了加购数据，现在还开放了移动端的数据。 虽然我们一直都知道移动端的占比是大于 PC 的，但是具体大多少，谁都说不清，这一次开放的是移动客…