近日，第四屆“數據智能創新與實踐人工智能大會”在北京舉辦�；鹕揭�擎DataTester數據科學家就“傳統視角下的AB實驗與互聯網實驗平臺演進”這一話題作了分享，從宏觀層面介紹了AB實驗平臺的發展狀態，及未來演進趨勢。

　　互聯網AB實驗平臺期望解決的問題是：通過結果數據度量業務方案收益，并做出最優決策。但由于AB實驗結果的合理性保障，是在假設隨機及滿足SUTVA假設兩個點的基礎上存在的，因此當前的AB試驗實驗平臺亟待解決的問題，絕大部分都與二者有關。

　　目前互聯網AB實驗平臺的建設，圍繞分流能力、數據追蹤與計算能力、統計分析與結果可視化能力以及標準實驗流程4塊核心能力展開。大多數互聯網公司都有自建的實驗平臺，但成熟度參差不齊。其中，火山引擎DataTester完善度相對較高。在C端場景下，火山引擎DataTester SUTVA假設滿足較好，實驗能力發展相對成熟，可滿足80%以上C端實驗需求，且額外投入的人力相對較少。

　　但在社交、直播等違背SUTVA假設的場景下，互聯網公司雖有嘗試，但都未建成標準化能力。現階段上述場景進行AB實驗仍需要投入大量人力，“如何實現隨機化”和“配套通用統計分析方法”成為實驗平臺發展的痛點。與此同時，現階段的實驗平臺在易用性方面，如何降低使用成本和提升效率仍需提升。

　　DoE是Design of Experiment 的縮寫，旨在描述在假設反應變化的條件下，信息變化的任何任務的設計。DoE可以分為單因素實驗和多因素實驗，有4大基本原則：對照原則、隨機化原則、重復性原則以及均衡性原則。而DoE的4大基本原則可以分別對應到互聯網實驗的“對照組”“流量分層 hash”“多天觀測、擴流”以及“SRM問題”。

　　在DoE的啟示下，可以分析出AB實驗平臺可能的六個演進方向：

　　1. C端場景實驗深度發展：從分流服務、實驗結果精度以及實驗分析縱橫發展三個方面分別演進。

　　2. 增加正交分層：完善實驗平臺正交性，實驗正交的作用是兩個實驗沒有相互影響時，可以在各個兩個實驗層獨立進行，獨立評估效果。

　　3. 健全實驗分析能力：完善平臺數據歸因解讀能力，同時發展平臺正態分布外分析能力。

　　4. 實驗工程成本優化：采用正交設計框架，并且建設標準數據源。

　　5. 拓展實驗能力邊界：減少流量場及業務之間的相互影響。

　　6. 完善非標場景推進準因果實驗方法：平臺非 C 端實驗類型都不同程度具備業務系統的侵入性，平臺建設難度陡增。目前此方面優化在抖音 & 火山引擎，已有一定的嘗試和基礎建設。

　　會上，火山引擎的數據科學家也介紹了DataTester。據了解，火山引擎DataTester源自字節跳動長期沉淀，截至2023年6月，字節跳動已通過DataTester累計做過240萬余次AB實驗，日新增實驗 4000余個，同時運行實驗5萬余個。

　　目前，DataTester服務了包括美的、得到、凱叔講故事等在內的上百家企業，為業務的用戶增長、轉化、產品迭代、運營活動等各個環節提供科學的決策依據，將成熟的“數據驅動增長”經驗賦能給各行業。(作者：梁嚴諄)