江南体育最新官方链接

A/B测试，也叫对照实验和随机实验。顾名思义就是方案A和方案B的比较，为同一个目标设计两个方案，一部分用户使用A方案，一部分用户使用B方案；通过设定衡量标准，设置单一变量，比较各个变量对用户使用情况的影响程度，衡量哪个方案更佳。

此方法，不仅适合移动端产品测试，也适合应用商店内App页面转化测试，为移动营销提供更多的增加点，例如购买率，增加产品的有效下载量。这种方法的妙处在于直接提供用户多种选择，根据客户的反馈数据判断并选择最优。然而，随着A/B测试为大家知晓，并成为产品基础优化不可少的方式之一，常见的测试问题诸多，今天聊聊App Store产品A/B测试中需要注意的几点小细节。希望对大家ASO优化有所帮助，并进一步提升购买率。

一、避免测试样本过小

由于产品在App Store获取用户的途径有限，经常会出现很多产品自然日新增在百级以下，在这种情况下进行A/B测试，由于样本基数小，会导致测试转化数据波动大。如何去预估测试样本的量级？可以根据产品自身的用户基数，误差范围去大概预估，可以利用第三方样品估算工具，Evan是个人比较常用的一款工具（注：需要翻墙）。

二、避免进行多元测试

测试时尽可能进行单元素测试，整个过程的数据监控是有效，随会加大测试的工作量，但输出的效果是更为可靠有效。多元测试的问题在于监测难，即使做了需要大量的规划，也很难证明是那个因素在影响购买率。设计页面变动越多，带来的问题是定向监测难。以背景颜色测试为例，第一张截图与原图一样，依序后面四张截图与原图颜色各不相同，并呈现唯一性，这种情况下监测到的数据很难反馈出是那种背景颜色效果最优。如果这种试错成本很高，还是尽量保证让一次测试一个变化，然后进行快速迭代。

三、安装数据追踪工具

如果是简单的数据层面监测，第三方监测工具便可以满足，如友盟/TalkingData；在应用商店层面的A/B测试，我们更多关注的数据是购买率的转化情况，如果你还要进行更多的测试，可以定向开发跟踪和分析软件，监测每个页面的流失数据。

四、A/B 测试需要连续进行

当你完成第一个测试时，外部因素可能会对实验数据产生干扰。这时，迭代测试就派上用场，不仅分析确认外部的影响因素，而且要仔细检查变动页面元素的变化情况，确保唯一性，接着，可以开始迭代测试，直至达到你想要的结果。

五、避免在周期性环境下测试

所有的测试尽可能控制在正常环境下。季节性的购买习惯、人口结构、市场、产品和竞争对手的变化都可能导致不一样的结果。应用市场变化莫测，要保持快速的迭代优化。要明确的一点，测试是常态，但不要让测试耽误了正常节点的活动，例如圣诞节/元旦等主题活动，做为大厂，你可以配合App Store的主题活动；对于小厂，可以适当调整元素，迎接节点。如果大家对愤怒的小鸟有关注的话，不难发现他们的icon是随着节日经常变动的。

除了上述几点，另外需要注意的时广告投放，测试期间，对于广告投放的渠道及量级要做适度的控制，不同渠道转化差异很大，不同量级导致的是数据可对照度下降。