本次查询：A/B测试
中文解释：A/B测试
常见场景：产品优化 / 营销决策
一句话解释
A/B测试是将用户随机分成两组，分别展示原方案（A组）和修改方案（B组），通过对比关键指标（如点击率、下单率）的差异，判断哪个方案更优的一种实验方法。它用数据替代直觉，帮助产品团队做决策。
为什么会被关注
在互联网行业，费力不讨好的优化案例比比皆是。A/B测试能让每一次改动都得到客观验证，降低决策风险。它也是增长黑客、精益创业等理念的核心工具，被谷歌、亚马逊等公司广泛采用。
随着用户量增长和流量成本上升，企业更依赖精细运营。A/B测试能帮助量化每个按钮颜色、文案措辞或功能布局对用户行为的影响，从而让资源投入产生最大回报。
核心逻辑
A/B测试的本质是随机对照实验。核心有三步：首先，确定要优化的目标变量（如注册率）；其次，创建两个版本（原版A和新版B），并通过系统将用户随机均匀分流；最后，收集足够样本后，用统计方法检验差异是否显著。
随机分流是为了排除用户自身特征差异的干扰；统计检验（如p值）则用来判断观察到的效果是真实差别还是随机波动。样本量不足时，结果往往不可靠，这是A/B测试最常踩的坑。
常见场景
电商网站的购物车页面改版：测试“加入购物车”按钮从蓝色改为红色后，下单率是否提升；
App新功能上线：对比是否给用户展示引导提示，看对次日留存的影响；
邮件营销：测试不同主题行的打开率，找到最能吸引用户点击的文案。
搜索排序规则：验证调整权重后，用户对搜索结果页面的点击行为是否有显著改善。
容易混淆的点
A/B测试容易与多变量测试混淆。前者一次只改变一个变量，后者同时改变多个变量并分析交互效应。如果改动复杂，建议先做A/B测试找出关键因素，再考虑多变量测试。
另一个常见误区是把A/B测试等同于灰度发布。灰度发布是逐步放量，侧重风险控制；A/B测试则强调随机分组和统计验证，目的是对比效果。两者常结合使用，但概念不同。