增長策略：如何通過AB測試評估活動效果及優(yōu)化？

電商行業(yè)充斥著大大小小的促銷活動，O2O領域也常常上演補貼大戰(zhàn)，在開疆辟土階段，砸錢讓利招攬用戶的法子自然最為好使，但當形成一定規(guī)模之后，瘋狂促銷補貼的模式是否仍然高效？個性化的運營策略是否有必要？活動的真實效果到底如何？

為了解決以上問題，建立科學的活動效果評估體系，當前最簡便的方法莫過于AB測試。

一、如何建立評估體系？

AB測試目前廣泛應用于產品灰度發(fā)布階段，除此以外，AB測試還有更為廣泛的用途，比如精準營銷等增長策略。

要進行某類方案的驗證，其理念非常樸素，無非就是控制變量，但商業(yè)世界尤其復雜，想要控制一切不相干變量極其困難，因此AB測試大行其道，成為了檢驗“真理”的常用標準。

基于AB測試的思想，通過隨機分組，可以保證兩個組的其他變量基本一致，通過對實驗組施加影響，來觀察實驗組相對于對照組的表現差異，從而評估該影響的效果。

接下來，我們就以電商行業(yè)的促銷活動為例，嘗試構建促銷的評估體系。

首先，通過標簽篩選出潛在人群，并隨機抽取一部分用戶作為測試組，在不做任何干預的情況下，暗中觀察用戶的轉化情況。

對于實驗組的用戶，我們通過定向優(yōu)惠券加短信觸達的形式進行干預，然后靜靜等待用戶轉化。

對于對照組而言，用戶都是自然轉化，而實驗組的用戶是在干預下產生的轉化。在實驗組中，一部分用戶確實是被優(yōu)惠吸引，從而下單購買，但還有一部分用戶即使沒有優(yōu)惠券也很有可能自然轉化。

因此，我們以對照組的轉化率作為沒有優(yōu)惠券情況下的自然轉化率，那么，我們可以得到以下與用戶相關的指標：

用戶基線=干預總人數*自然轉化率

用戶提升=干預總人數*（干預轉化率-自然轉化率）

用戶提升率=用戶提升/用戶基線

同理，從經營分析的層面，我們可以評估實際的銷售效果：

GMV基線=用戶基線*客單價

GMV提升=用戶提升*客單價

成本=每單優(yōu)惠金額*下單用戶量+每條短信資費*干預總人數

GMV凈提升=GMV提升-成本

最終，我們可以得到評估經營效果的綜合指標：

GMV凈提升率=GMV凈提升/GMV基線

ROI=GMV凈提升/成本

上邊的指標這么多，那哪個才是最重要的呢？

以上指標羅列的目的是便于理解指標的拆解計算過程。但對于不同角色而言，最終只需要關注與其相關的結果指標。

對于運營或者營銷而言，他們的考核目標可能聚焦于月活躍用戶數，所以，他們會更關心用戶提升率，通過多次活動的橫向比較，可以識別活動效果的好壞，從而再逐步挖掘根因。

對于負責銷售的同事而言，需要考量的因素會相對復雜一些，但他們也可以直接通過GMV凈提升率和ROI這兩個指標來評估活動的綜合效果。

其中，GMV凈提升率反應的是活動對于GMV的提升效果，如果當前的目標是不惜一切代價沖GMV的話，那么應該選擇GMV凈提升率高的活動形式或力度。

而如果需要權衡考量利潤的話，那么還應該把ROI納入分析，選取GMV凈提升率較高，同時ROI也較為可觀的活動方案。

二、如何構建優(yōu)化策略？

上邊有提到，運營或者銷售可以通過AB測試優(yōu)化活動方案，那么具體應該如何實現呢？

如果需要測試不同促銷形式、不同活動力度的效果，那么有必要對實驗組進一步細分。

例如，對于實驗組1可以發(fā)放滿100減20的券，實驗組2發(fā)放滿100減10的券，最后與對照組比對分析活動效果差異。滿100減20的券GMV提升可能較高，但由于成本較大，也會導致GMV凈提升率和ROI并不高。

同樣，對于不同促銷形式，如定向優(yōu)惠券、定向優(yōu)惠價格等，同一折扣力度不同門檻，如100減20和200減40，也可以以相似方法進行測試。

進行多次AB測試之后，可以根據歷史測試數據進行初步判斷，識別符合目標的最優(yōu)促銷方案。

三、AB測試有哪些坑？

方法論總是看上去很美好，但一到落地層面就會面臨很多意想不到的問題，下面就來扒一扒，按照上述AB測試的方法來做活動效果評估及優(yōu)化會有哪些坑。

1） 測試組人數太少。測試組和實驗組的人數不需要完全一樣，但各組的人數要保證有統(tǒng)計學上的意義，如果實驗組10w人，測試組只有10個人，那么測試組的結果受個體的影響會很大，最終可能導致異常的結果。

2） 實驗組人數太少。如果想要測試什么門檻的優(yōu)惠券效果更好，那么需要拆分多個實驗組，發(fā)放不同的優(yōu)惠券，如果分的組太多，會使得每個實驗組人數偏少，從而導致結果不準確。

3） 你的測試組是別人的實驗組。現實環(huán)境下，不存在絕對干凈的試驗田，你以為測試組可以代表用戶在不受干擾下的自然轉化，殊不知有其他活動已經將他們劃入了實驗組。如果是公司內部的沖突，那么可以在數據回流后剔除掉參與其他實驗的用戶，但如果是受到外部友商的干擾，那么我們將無從知曉，只有通過多次實驗綜合評估，對沖單次活動可能會面臨的特殊情況。

4） 你的實驗組是別人的實驗組。同理，外部友商可能有更大力度的活動，剛好圈定了你的實驗組用戶，那么結果可想而之。

5） 干預時間滯后。從圈定用戶、申請優(yōu)惠券到最后的短信觸達，這個時間多少有些滯后，如果系統(tǒng)不判斷用戶是否已經下單，那么用戶在下單之后才收到優(yōu)惠券，一方面會影響體驗，另一方面，用戶可能取消訂單后再下單，導致履約成本的上升。如果在發(fā)送短信前剔除已下單用戶，那么最后實際干預的都是購買傾向相對偏弱的人群，會導致結果失準。因此，營銷系統(tǒng)的完善性、各部門的協(xié)同執(zhí)行力都至關重要。

結語

現實世界紛繁復雜，想要抽絲剝繭，捋出頭緒談何容易。試驗總會好過停步不前，在實踐之中，我們可以學著避開一個又一個的坑。

我們都在試圖去搭建一個框架，在這個框架下反復地探究，找到一絲可能的線索，最終，這些線索會編織起一個網絡。