AB测试从0到1

在大数据时代，业务的科学增长要靠数据来驱动。但是有很多人认为，数据驱动不就是做几次数据分析、产生一些报表嘛？当然不是了。要把数据真正用在公司 / 团队的业务决策流程中，A/B 测试是非常关键的一环。

但 A/B 测试是一种实践性非常强的方法。其实，A/B 测试的原理并不难，难的就是在面对千变万化的业务场景和数据时，该怎么灵活处理。毕竟在 A/B 测试都实施过程中，有太多琐碎的环节，也存在着太多的误区。

• 一个科学、规范的做 A/B 测试的框架是什么样的？
• 选取样本量时，真的是越多越好吗？
• 复杂业务场景下，怎么选取评价指标呢？
• 测试结果在预计时间之前达到了统计显著，实验是不是提前成功了呢？

很多人被这样的问题所困扰，这也是为什么我们经常会看到这样一个怪现象：如果没有扎实的统计学基础，那么肯定做不好 A/B 测试；可即使掌握了理论基础，在实施 A/B 测试中还是会遇到各种数据问题或者工程 Bug。要是一不小心哪怕忽视了很小的一个点，实验结果就会变得不准确，所有的功夫就都白费了。

所以，我们特意邀请了美国互联网大厂 FLAG 的资深数据科学家张博伟，从框架搭建和实战解析两个层面，帮助你学会使用 A/B 测试，以及用好 A/B 测试。

开篇词｜用好A/B测试，你得这么学
01 | 统计基础（上）：系统掌握指标的统计属性
02｜统计基础（下）：深入理解A/B测试中的假设检验
导读 | 科学、规范的A/B测试流程，是什么样的？
03｜确定目标和假设：好的目标和假设是什么？
04｜确定指标：指标这么多，到底如何来选择？
05｜选取实验单位：什么样的实验单位是合适的？
06 | 选择实验样本量：样本量越多越好吗？
07｜ 分析测试结果：你得到的测试结果真的靠谱吗？
08 | 案例串讲：从0开始，搭建一个规范的A/B测试框架
09 ｜测试结果不显著，要怎么改善？
10｜常见误区及解决方法（上）：多重检验问题和学习效应
11 | 常见误区及解决方法（下）：辛普森悖论和实验组/对照组的独立性
12｜什么情况下不适合做A/B测试？
13｜融会贯通：A/B测试面试必知必会（上）
14｜举一反三：A/B测试面试必知必会（下）
15｜用R/Shiny，教你制作一个样本量计算器
结束语｜实践是检验真理的唯一标准
结课测试题｜这些A/B测试的知识你都掌握了吗？
加餐｜试验意识改变决策模式，推动业务增长