A/B 测试
A/B Testing将用户随机分为对照组和实验组，对比两个版本效果差异，是数据驱动产品决策的基础实验方法，能排除主观判断偏差。
# 度量
# 实验
# 数据驱动
A/B 测试
核心逻辑： 在「其他条件不变」的前提下，只改变一个变量，测量其对目标指标的影响。
标准流程： 1. 明确假设（「改变按钮颜色会提升点击率」） 2. 确定目标指标和样本量（统计显著性所需） 3. 随机分组（A：对照，B：实验） 4. 运行至达到样本量（不要提前看结果） 5. 统计显著性检验（p < 0.05） 6. 决策：推广 B / 保留 A / 继续迭代
常见错误： - 样本量不足就宣告胜利（假阳性） - 测试期间频繁查看结果调整（p-hacking） - 同时测试多个变量（无法归因）
工具： Optimizely、VWO、Statsig、自建实验平台
提示： 大多数 A/B 测试结果是「无显著差异」——这也是有价值的结论，说明你的直觉可能有误。