带你熟悉SpringBoot+RabbitMQ方式收发消息

没有AB实验能力，如何尽量评估贡献？

AB实验固然好，但是有的时候，因为各种各样的原因，特殊时期，没有AB实验，产品上线了。上线后，数据分析师依然有职责量化出贡献，以我负责业务为例，2020的微视集令牌活动，如何量化贡献？

我们思考过程如下：

• 首先，采用对比法，对比参与活动与未参与活动的活跃天差别。（此步，考虑到了有幸存者偏差）

• 接下来，为了解决幸存者偏差，分别对比了下两组用户在之前的活跃程度，做了下差分比较。（此步，有考虑同期的其他活动，会因为用户交集太大，无法分离）

• 最后为了区分同期的其他用户，将是否参与其他用户也做了分组，同时做对比差分。
   

  （说明：实验中，各层的流量是正交的，简单理解，例如，A层的分流采用用户ID的倒数第1位，B层的分流采用用户ID的倒数第2位，在用户ID随机的情况下，倒数第1位和倒数第2位是没有关系的，也称作相互独立，我们称作正交。当然，AB Test实验系统真实的分流逻辑，是采用了复杂的hash函数、正交表，能够保证正交性。）

  这样分层后，我们可以按照如下的方式量化贡献：

  •    计算长期的整体贡献：实验填充层-填充层填充组 VS 贯穿层2-贯穿层填充

  •     每个小迭代对整个系统的贡献：实验层中的实验组 VS 对照组

  •     周期内，系统全部迭代与上个周期的比较：实验填充层 VS 贯穿层1

  类似与上面这种层次设计，在推荐系统中较为常见，在某一些产品或系统中，贯穿层不能够完全没有策略，那么采用去年或上个季度的策略，代表着基准值，从而量化新一个周期的增量贡献
   

  多层域AB实验法——准确量化短期和长期贡献

  以我负责的模块为例，老板们会关心

  • 长期以来贡献了多少DAU？

  • 每次产品迭代，提高了多少？

  • 严谨一点，我们采用了AB实验的方式核算，最终可能会发现一个问题：短期迭代贡献，不等于长期贡献，为什么呢？（本文重点讲述AB实验，对于1+1≠2话题，详细请看本人的文章《数据分析中，为什么1+1不等于2？》）

  • 有的时候，迭代A和迭代B，有着相互放大的作用，这个时候就会 1+1 > 2

  • 还有的时候，迭代A和迭代B，本质上是在做相同的事情，这个时候就会 1+1 < 2

  有些场景，我们的业务需要和去年或上个季度的自身对比，同时业务还不断在多个方面运用AB Test迭代

   

  这个时候，我们准确量化一个长期产品模块的贡献，就需要一个【贯穿】所有活动的对照组，在AB实验系统中通俗称作贯穿层
  
  
   

（编辑：潍坊站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!