增长策略：如何用AB测试进行活动评估及优化？

本文以电商行业的促销活动为例，尝试构建促销的评估体系，以及讨论应该如何优化。enjoy~

电商行业充斥着大大小小的促销活动，O2O领域也常常上演补贴大战，在开疆辟土阶段，砸钱让利招揽用户的法子自然最为好使，但当形成一定规模之后，疯狂促销补贴的模式是否仍然高效？个性化的运营策略是否有必要？活动的真实效果到底如何？

为了解决以上问题，建立科学的活动效果评估体系，当前最简便的方法莫过于AB测试。

一、如何建立评估体系？

AB测试目前广泛应用于产品灰度发布阶段，除此以外，AB测试还有更为广泛的用途，比如：精准营销等增长策略。

要进行某类方案的验证，其理念非常朴素，无非就是控制变量，但商业世界尤其复杂，想要控制一切不相干变量极其困难，因此AB测试大行其道，成为了检验“真理”的常用标准。

基于AB测试的思想，通过随机分组，可以保证两个组的其他变量基本一致，通过对实验组施加影响，来观察实验组相对于对照组的表现差异，从而评估该影响的效果。

接下来，我们就以电商行业的促销活动为例，尝试构建促销的评估体系。

首先，通过标签筛选出潜在人群，并随机抽取一部分用户作为测试组，在不做任何干预的情况下，暗中观察用户的转化情况。

• 对于实验组的用户，我们通过定向优惠券加短信触达的形式进行干预，然后静静等待用户转化。
• 对于对照组而言，用户都是自然转化，而实验组的用户是在干预下产生的转化。在实验组中，一部分用户确实是被优惠吸引，从而下单购买，但还有一部分用户即使没有优惠券也很有可能自然转化。

因此，我们以对照组的转化率作为没有优惠券情况下的自然转化率，那么，我们可以得到以下与用户相关的指标：

• 用户基线=干预总人数*自然转化率
• 用户提升=干预总人数*（干预转化率-自然转化率）
• 用户提升率=用户提升/用户基线

同理，从经营分析的层面，我们可以评估实际的销售效果：

最终，我们可以得到评估经营效果的综合指标：

上边的指标这么多，那哪个才是最重要的呢？

以上指标罗列的目的是便于理解指标的拆解计算过程。但对于不同角色而言，最终只需要关注与其相关的结果指标。

• 对于运营或者营销而言，他们的考核目标可能聚焦于月活跃用户数，所以，他们会更关心用户提升率，通过多次活动的横向比较，可以识别活动效果的好坏，从而再逐步挖掘根因。
• 对于负责销售的同事而言，需要考量的因素会相对复杂一些，但他们也可以直接通过GMV净提升率和ROI这两个指标来评估活动的综合效果。

其中，GMV净提升率反应的是活动对于GMV的提升效果，如果当前的目标是不惜一切代价冲GMV的话，那么应该选择GMV净提升率高的活动形式或力度。而如果需要权衡考量利润的话，那么还应该把ROI纳入分析，选取GMV净提升率较高，同时ROI也较为可观的活动方案。

二、如何构建优化策略？

上边有提到，运营或者销售可以通过AB测试优化活动方案，那么具体应该如何实现呢？

如果需要测试不同促销形式、不同活动力度的效果，那么有必要对实验组进一步细分。

例如：对于实验组1可以发放满100减20的券，实验组2发放满100减10的券，最后与对照组比对分析活动效果差异。满100减20的券GMV提升可能较高，但由于成本较大，也会导致GMV净提升率和ROI并不高。

同样，对于不同促销形式，如定向优惠券、定向优惠价格等，同一折扣力度不同门槛，如100减20和200减40，也可以以相似方法进行测试。

进行多次AB测试之后，可以根据历史测试数据进行初步判断，识别符合目标的最优促销方案。

三、AB测试有哪些坑？

方法论总是看上去很美好，但一到落地层面就会面临很多意想不到的问题，下面就来扒一扒，按照上述AB测试的方法来做活动效果评估及优化会有哪些坑。

结语

现实世界纷繁复杂，想要抽丝剥茧，捋出头绪谈何容易。试验总会好过停步不前，在实践之中，我们可以学着避开一个又一个的坑。

我们都在试图去搭建一个框架，在这个框架下反复地探究，找到一丝可能的线索，最终，这些线索会编织起一个网络。

作者：Mr.墨叽