ABTEST实验平台

一、单层实验 

一般早期的ab-test都是单层实验，逻辑非常简单，比如使用userId/deviceId做hash然后取模，将流 量打在0-99，做成100份。

有如下问题: 

1、扩展性差，只能同时支持少量实验。但是以数据驱动的业务，需要极快的创新速度，大量的创新 需要被测试，会严重delay业务。 

2、如果在单层同时进行多个实验，实验之间不是独立事件，并行的时候，同一个策略，只能进行一 个实验，如果多个并行支持，无法实现。不同策略之间也有影响。

3、流量饥饿问题:假设我们整体用户要做5个实验，如果前2个实验占据了大部分的流量，后面的3个 实验就有很少的流量可以供使用，甚至没有流量可用。 

4、流量偏置问题:假设上游的实验把所有的年轻人都获取了，下游的实验，没有年轻人的样本。导致有偏差。

二、多层实验优势: 

1、突破限制，加速迭代:以前单层最多10个组(总流量有限，分组太多会失去置信度)。现在可以无限分层，每层100%流量再分组，理论上同时在线实验组不受限；

2、层与层间流量正交，还有业务场景间也流量正交，不用担心不同场景间的abtest互相影响；

 3、独立平台:除了推荐搜索业务，抽离架构依赖，独立为通用ABTEST实验平台，让其它业务都可接入

 

三、ABTEST实验闭环

ABTEST目的观测的指标需要多维度对比，以及观测显著性效果，用于判断 是否放量、推全、下线实验依据；

原来方式是需要将数据报表打通到报表系统，在报表系统上观测数据效果，缺点就是实验策略是什么都要一一 对应，链路太长，效率比较低；

后面将整个数据指标迁移到abtest实验平台，直接可以看到某个实验的实验效果数据，提高效率；

 

点击实验效果观测：

 

此处显著性需要再调整为直接给是否显著，而不给数值

四、未来展望

• 自动化报警提醒，将实验结论可自动化通知到相关人员；
• 再则可自动化扩量实验、回收下线实验

五、参考架构资料

 

参考google重叠实验论文 https://ai.google/research/pubs/pub36500

本文地址：https://blog.csdn.net/duck_genuine/article/details/108871414