揭秘今日头条系增长的秘密—— A/B 测试（今日头条了解）

揭秘今日头条系增长的秘密—— A/B 测试（今日头条了解）

2018 年，中国移动互联网用户增长放缓，上半年仅增长 2 千万。

但是有一匹黑马，硬是在这种恶劣的情况下，逆流而上。

今日头条系独立 App 用户使用时长占比，从 3.9% 猛增到 10.1%，增长了1 .6 倍，超过百度系、阿里系稳居总使用时长第 2 名。

更牛逼的是，头条系产品这种突飞猛进的增长速度还在持续，单今日头条资讯 App 每天还在保持 100万+ 的新增。

在头条系如何做到这般“丧心病狂”的用户增长的背后，其实有一些不为认知的小秘密。

头条内部会创新（或者抄袭）孵化产品，并且为每款产品设置留存生死线（RIO），超过生死线的产品就可以头条系站内流量扶持，快速让它达到千万级日活。

今日头条涉足近60个产品

头条内部有非常强大的数据监控系统（花大价钱买数据），任何产品的日活和增长数据都在它们的监控之下。

另外，为了帮助提升创新产品的成功率，头条内部甚至研发出了一套增长引擎，在咱们还在纠结功能按钮排序时，他们就在同时进行几十组甚至上百组的 A/B 测试，帮助产品经理和运营们找到最优的方案。

头条强大的生死线和数据监控系统我们模仿不来，他们的增长引擎我们也暂时研发不出来。但是帮助筛选最优方案的 A/B 测试，我们还是可以进行借鉴学习的。

虽然 A/B 测试过去更多的是在产品领域，通过它来判断功能的价值。其实到现在 A/B 测试已经渗入到运营，哪天公众号能推出小流量打开率测试功能，我想你会开心坏了！

01 什么是 A/B 测试

A/B 测试，也叫对照实验和随机实验。简单说，就是为同一个目标设计 A 方案和 B 方案，让一部分用户使用 A 方案，一部分用户使用 B 方案。记录用户的使用情况，根据用户反馈，比较得出哪个方案更佳。

千万不要以为这里的“A/B测试”真的只会有 A 方案和 B 方案，“A/B 测试”只是习惯性叫法，你还可以有 C、D、E 多种供测试的方案。

看完定义，你可能会觉得“A/B 测试”这个概念已经烂大街了，不就是提出多种方案供选择，然后选择效果最好的哪一种吗？

其实理论讲起来很简单，实际做起来还是需要很多技巧的。我们先来看一看，今日头条是如何开展 A/B 测试的？

今日头条的头条号具有“双标题”功能，这其实就是 A/B 测试的一种实践。

也许你会说，这难道不是为了让用户有更广阔的起标题空间吗？一篇内容可以起两个标题，那么一个标题废了，还有另一个标题撑腰。不像微信公众号，只有一个标题，一旦标题废了，阅读量基本上就完蛋了。

事实上，今日头条设置“双标题”功能是为了更精准地了解用户对于标题的反馈，从而掌握用户的行为数据。

当然，今日头条在 A/B 测试上最牛逼的玩法不是“双标题”功能，因为只测试标题，就会造成“标题党”泛滥横行。基于此，今日头条 A/B 有一套“动态”的内容推荐机制，这里的”动态“指的是根据反馈结果，实时更新调整。

这套“动态”内容推荐机制是如何运转的呢？

同样的方案，今日头条会先推荐给小范围的人群：

比如 100 人，如果这 100 人对标题、内容的反馈均不错，那就把方案推荐给更大范围的人群，比如 500 人，如果这 500 人对标题、内容的反馈效果很好，再推荐给更大范围的人群，比如 2000 人，以此类推。

用户的行为动作会被搜集，据《今日头条推荐系统原理》介绍，基本上每小时都可以看到用户对内容的反馈。但因为每小时都有数据上的波动，今日头条通常以天为时间节点，来查看用户的行为数据。

将用户的行为动作进行搜集后，今日头条会有日志处理、分布式统计，写入数据库。

今日头条系统就可以自动生成：实验数据对比、实验数据置信度、实验结论总结以及实验优化建议。

这样看来，是不是觉得 A/B 测试的威力真的很强大，不仅完成了方案调研，还能通过测试掌握用户口味，实现精细化内容推荐，从而更好地留住用户。

02 A/B 测试的应用

可能你会觉得 A/B 测试只有大公司才玩得起，和我们并没有什么关系。可能你也会觉得这只是产品的事，和我们运营没什么关系。

那你误解可就大了。不仅小玩家也能玩，而且和我们运营大大的相关。如果你是一个会做增长的运营，那你很可能就会成为你们公司的扛把子。

举个例子：

我们之前邀请了「深夜发媸」的主编阿芙，来给我们做微课分享。既然谈到微课，那肯定是要打磨微课海报，提升宣传效果的。

于是我们请我司首席设计师做了一版，结果一出来，编辑部的小姐姐们意见不合吵了起来。

一个人认为“如何写出用户喜欢的营销文案”，这个主题没有吸引力，应该改成“10 招写出让用户喜欢的营销文案”。

还有一个人表示赞同，但是应该进一步优化，改为“10 招写出让用户疯传的转化文案”。

这个时候，贤哥很机智的说了一句，你们就不能做 3 版海报嘛？每版海报只让一个宝宝号，在同一个时间转发（所有宝宝号均拥有 5000 人好友），这样不就测出来哪版效果好了嘛？

当时我们没有想到，其实这就是 A/B 测试的思维。

后来我们实施了贤哥的想法，测试出了 3 个海报的转发率（转发海报用户/新增用户），分别为：30%，35%，44%，效果最好的一张是：10 招写出用户疯传的转化文案。

接下来，就发动所有宝宝号，公司的全体员工分享海报，最终吸引了 3000 人来听课，这也是我们目前效果最好的一次微课分享。

除了微课的应用，还有很多地方也可以用到 A/B 测试。

比如 App 的 push 可以做 A/B 测试。饿了么想要测试，不同的促销活动，对用户的留存有多大作用，所以就发生了以下场景。

昨天，小松果兴冲冲和我说，饿了么给她发了一条推送：“你有一张 15 元大额券待领取”，结果点进去发现是“满 40 减 15 ”。尽管这样，她还是凑单点了很多东西。

根据以往经验来看，饿了么喜欢在我们吃饭前推送。所以我看了看自己的饿了么推送：“订单满 45 可享七五折优惠”。一看我就没有兴趣，起点那么高。

其实这就是饿了么运营给我们做的 A/B 测试。

通过这次测试，他们可以通过订单率发现，同样都是优惠 15 元（都花 40 块的前提下），直接突出数字 “优惠 15 元”，就比“满 40 减 15”效果好。

总之，通过 A/B 测试，确确实实能够试出最佳增长方法。除了 App 的推送，微课主题，还有很多场景可以用 A/B 测试，比如付费广告，应用商店，着陆页，新用户引导流程等等。

03 A/B 测试容易踩的坑

A/B 测试看似简单，实则隐藏着许多沟沟坎坎，稍不注意就会导致试验结果偏离科学轨道。

1）忽略测试环境差异

如果真的有一天公众号开发的标题 A/B 测试的功能，你会用下列哪个方案去测试的你的标题？

a. 将上海地区用户分成 3 个组，并在同一时间分别推送 3 个不同的标题。 b. 将上海地区用户分成 3 个组，并在不同时间点分别推送 3 个不同的标题。

如果你的是选择 b 方案的话，恭喜你翻车了！

举个不太恰当的例子，b 方案的测试方法就好比在电视上投放广告，分别选取了工作日的下午 3 点钟和晚间黄金时段进行测试收集。

由于轮流展示时的测试环境不尽相同，所面向的受众群体更是千差万别，因此最终试验结束后的数据结果必然会存在一定偏差，也就更不具有说服性了。

2）容易「以全概偏」

在测试结果没有表现出理想状态下的数据提升时，如果你直接放弃的话，有可能你又踩坑了。

国际短租平台，搜索是 Airbnb 生态系统中很基础的一个组成部分。Airbnb 曾经做过一个关于搜索页优化的 A/B 测试，新的版本更加强调了列出的图片，以及房屋所在位置（如下图所示）。

在等待了足够长的时间之后，试验结果显示新老版本的整体数据相差无几，似乎这次优化没有很好的效果。

如果此时，Airbnb 直接根据整体的数据表现放弃了这次优化，那么这个花费了很多精力设计的项目就会前功尽弃。

相反，经过仔细研究，他们发现除了 IE 浏览器之外，新版在其他不同浏览器中的表现都很不错。当意识到新的设计制约了使用老版本 IE 的操作点击后（而这个明显为全局的结果造成了很消极的影响），Airbnb 当即对其进行了修补。

至此以后，IE恢复了和其他浏览器一样的展示结果，试验的整体数据增长了 2% 以上。

通过 Airbnb 的例子，我们能学到正确的做法是：在整体效果不太好的时候，不要一竿子打死，而需要从多个维度细分观察个体的情况，以避免区群谬误带来的决策偏差。

3）只做到了局部最优

避开了上面的 2 个坑之后，你可能得到一个相对不错的测试结果，在你欣喜若狂时，正准备对外宣布战果时，可能已经踩入了另外一个坑——“局部最优”

以某金融平台提升新用户的注册率的 A/B 测试为例，运营通过不断进行注册按钮的文案优化，发现相比于“立即注册”、“免费注册”等文案而言，“领取 100 元新人红包”的注册率是最高的。

但是，如果只是沉迷在文案上做测试，其实他可能就错过了提升用户注册率的其他更效假设。

正确的做法是可以进行用户调研，了解用户不注册的原因在哪，通常情况下金融平台让用户放弃注册的原因还在于，注册流程繁杂、信任问题、无匹配的理财产品等，所以在完成了注册按钮的文案测试时，我们还需要在这些方面也进行想要的实验。

04 总结

今天的文章，我们通过分析今日头条，向大家展示了 A/B 测试的强大功效，采用 A/B 测试不仅能够在众多方案中选择出最佳方案，其实更能对产品进行不断的迭代优化，实现用户留存。

如今，A/B 测试已经渗透到运营工作中，运营社也在实际工作中感觉到这个理论真的很好用。

1）当有多种方案供选择，但又产生意见分歧时，可以通过 A/B 测试找出找出最优解。比如文章起标题、裂变海报文案、以及 App 的 Push  等。

2）看似简单的 A/B 测试，其实有很多坑：

① 忽略测试环境差异，没有进行变量控制（只能有一个变量），造成数据偏差；

② 以偏概全，在测试结果没有实现理想状态下的数据提升时，就放弃对产品优化，会导致项目前功尽弃；

③ 只进行局部优化就忽略对其他部分的调整更新，无法查找出其他方面的漏洞。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。