--- title: A/B-тестирование questionDates: q-transfer-0099: '2026-10-01' q-transfer-0100: '2026-10-01' q-transfer-0101: '2026-10-01' seo: description: >- Тема «A/B-тестирование» для собеседования Data Analyst. Что такое A/B-тестирование? Какова цель A/B теста? Что такое A/A тестирование? В чем отличие от A/B теста? title: A/B-тестирование — Data Analyst --- [Все темы Data Analyst](/prep/data-analyst) Подтемы: - [Основные понятия · часть 2](#q-14bee738d69b81fa8f62dee6a8a7a71b) - [Управление трафиком](#q-14bee738d69b81c59eb8e86971ce9a3a) - [Разновидности тестирования](#q-14bee738d69b815e9150c585327e458e) - [Последовательный анализ экспериментов](#q-transfer-0101) ## Что такое A/B-тестирование? Какова цель A/B теста? [#q-14bee738d69b81fa8f62dee6a8a7a71b] A/B-тестирование - это метод экспериментального исследования, используемый в маркетинге и веб-разработке для сравнения двух или более версий одного и того же элемента с целью определить, какая версия демонстрирует лучшую производительность или эффективность. Цель A/B теста состоит в том, чтобы выяснить, какие изменения влияют на поведение пользователей или на эффективность продукта, а также для оптимизации и улучшения пользовательского опыта или ключевых метрик бизнеса. :::note[Ссылки для изучения] 1. [Методичка по A/B-тестированию: гипотезы, дизайн и A/A-проверки](https://habr.com/ru/companies/avito/articles/936804/) ::: --- ## Что такое A/A тестирование? В чем отличие от A/B теста? [#q-14bee738d69b816c851bc805e04eaac4] A/A тестирование - это форма контрольного тестирования, где идентичные или очень похожие версии продукта или условия эксперимента сравниваются между собой без внесения каких-либо изменений для целей анализа или проверки системы. Отличие от A/B тестирования: - В A/A тестировании обычно используется один и тот же вариант продукта или условия эксперимента, что позволяет проверить надежность системы и минимизировать влияние внешних факторов. - A/B тестирование, напротив, включает изменение одного или нескольких элементов продукта или условий, чтобы определить, какие из этих изменений влияют на ключевые метрики или поведение пользователей. :::note[Ссылки для изучения] 1. [Методичка по A/B-тестированию: гипотезы, дизайн и A/A-проверки](https://habr.com/ru/companies/avito/articles/936804/) ::: --- ## Правильный порядок действий при запуске A/B теста? [#q-14bee738d69b812e9eeeeb17bfff6219] Правильный порядок действий при запуске A/B теста включает следующие этапы: 1. Определение целей и гипотезы: Определите, что именно вы хотите измерить или улучшить с помощью A/B теста и сформулируйте гипотезу о том, какие изменения могут достичь этой цели. 1. Выбор переменной для тестирования: Определите элементы или условия, которые вы будете изменять между контрольной и тестовой группами (например, дизайн, текст, расположение элементов и т.д.). 1. Разработка вариантов: Создайте альтернативные версии (варианты) для тестирования, которые отличаются только в том, что вы хотите проверить. 1. Разделение трафика: Разделите своих пользователей случайным образом между контрольной и тестовой группами. Обеспечьте, чтобы каждый пользователь попадал только в одну из групп. 1. Запуск теста: Запустите A/B тестирование и соберите данные о поведении пользователей в обеих группах в течение определенного периода времени. 1. Анализ результатов: Оцените статистическую значимость различий между группами по выбранным метрикам. Решите, являются ли обнаруженные различия статистически значимыми и практически значимыми. 1. Принятие решений: Исходя из результатов теста, примите решение о том, какой вариант продолжать использовать или внедрять. 1. Документация и отчетность: Задокументируйте все этапы проведения теста и результаты, чтобы использовать их в будущих решениях и обучении. :::note[Ссылки для изучения] 1. [Методичка по A/B-тестированию: гипотезы, дизайн и A/A-проверки](https://habr.com/ru/companies/avito/articles/936804/) ::: --- ## Что такое дизайн эксперимента? [#q-14bee738d69b8139a2cccf3e0fa41f9f] Дизайн эксперимента — это систематический подход к планированию и организации эксперимента с целью получения точных и надежных результатов. Он включает выбор переменных, определение условий эксперимента, разработку метода случайного назначения участников, а также контроль внешних влияний, чтобы минимизировать их влияние на результаты. Основная цель дизайна эксперимента — обеспечить точность, повторяемость и интерпретируемость полученных данных для принятия обоснованных решений. :::note[Ссылки для изучения] 1. [Методичка по A/B-тестированию: гипотезы, дизайн и A/A-проверки](https://habr.com/ru/companies/avito/articles/936804/) ::: --- ## Как рассчитать продолжительность теста? [#q-14bee738d69b819f9198c0b8d8b6a020] Продолжительность A/B теста обычно рассчитывается с использованием следующих шагов: 1. Определение минимального размера выборки: Определите минимальный размер выборки, необходимый для достижения статистической значимости при заданном уровне ошибки и мощности теста. 1. Оценка трафика: Оцените среднее количество участников, которые будут включены в тест каждый день или в период времени, который вы рассматриваете. 1. Вычисление времени: Рассчитайте продолжительность теста, поделив минимальный размер выборки на оценку среднего трафика. Учтите, что для получения надежных результатов тест должен продолжаться достаточно долго, чтобы собрать достаточное количество данных. 1. Мониторьте качество данных и безопасность продукта. Для теста с фиксированным горизонтом соблюдайте заранее заданную остановку; продление до значимости и остановка при первом значимом результате искажают вероятность ошибки. Адаптивную остановку планируют отдельным последовательным методом. :::note[Ссылки для изучения] 1. [Длительность A/B-теста: MDE и исторические данные](https://habr.com/ru/companies/avito/articles/936804/) 2. [Длительность A/B-теста и правило остановки. Noukash, с 25:58](https://www.youtube.com/watch?v=FEI1OA-zgb8&t=1558s) ::: --- ## По каким параметрам должен делиться трафик? Почему нельзя просто просто по очереди назначать группу теста? [#q-14bee738d69b81c59eb8e86971ce9a3a] Трафик должен делиться между контрольной (обычной) и тестовой (измененной) группами случайным образом. Это важно по нескольким причинам: 1. Статистическая значимость: Случайное назначение гарантирует, что обе группы будут репрезентативными и сбалансированными по ключевым факторам. Это необходимо для получения достоверных статистических результатов. 1. Минимизация внешних влияний: Случайное деление уменьшает вероятность влияния внешних факторов или сезонных колебаний на результаты теста. 1. Исключение субъективности: При случайном делении исключается субъективное вмешательство или предвзятость при назначении участников. Простое поочередное назначение групп не гарантирует случайности и может привести к смещению результатов из-за ненамеренного влияния факторов, не связанных с изменением, которое тестируется. :::note[Ссылки для изучения] 1. [Деление на группы в A/B-тестах: идентификаторы, хеширование и проверки](https://habr.com/ru/articles/800809/) 2. [Распределение пользователей по группам. Noukash, с 23:12](https://www.youtube.com/watch?v=FEI1OA-zgb8&t=1392s) ::: --- ## Как проверить корректность деления трафика по группам? [#q-14bee738d69b818c889cc6eb326ce279] Для проверки корректности деления трафика по группам в A/B тестировании можно использовать следующие методы: {/* prettier-ignore */} 1. Статистическая проверка: - Сравните фактические размеры групп с запланированными долями с помощью χ²-теста или точного биномиального теста. Это проверка Sample Ratio Mismatch; тест нормальности для неё не подходит. - Проверьте, что нет статистически значимых различий в базовых характеристиках пользователей между группами до начала теста. 1. Мониторинг данных: - Регулярно мониторьте данные во время теста, чтобы убедиться, что разделение трафика продолжается равномерно. - Проверяйте, что количество участников в каждой группе соответствует ожидаемому объему, определенному на этапе планирования теста. 1. Технические проверки: - Проверьте, что механизм случайного деления работает корректно и не подвержен системным ошибкам или искажениям. - Убедитесь, что нет технических проблем, которые могут привести к неравномерному делению трафика (например, проблемы с куки или сессиями). 1. Проверка на уровне данных: - Проведите анализ первичных данных по завершению теста, чтобы убедиться, что обе группы были равномерно представлены во всех анализируемых периодах и сегментах. Эти методы помогут гарантировать, что результаты A/B теста будут достоверными и не будут искажены из-за неравномерного деления трафика между группами. :::note[Ссылки для изучения] 1. [Деление на группы в A/B-тестах: идентификаторы, хеширование и проверки](https://habr.com/ru/articles/800809/) ::: --- ## Чем назначение варианта отличается от фактической экспозиции? [#q-transfer-0099] Назначение фиксирует вариант в момент рандомизации, даже если пользователь не увидел функцию. Экспозиция означает подтвержденный показ или использование механики. Intention-to-treat сравнивает всех назначенных и сохраняет причинную силу рандомизации, но эффект может размываться неэкспонированными. Triggered analysis ограничивается eligible или реально достигшими точки показа, повышая чувствительность, но событие триггера должно быть задано заранее, одинаково измеряться и не зависеть от варианта. Иначе отбор после рандомизации может сместить оценку. Потерянные exposure-события создают смещение. :::note[Ссылки для изучения] 1. [Фича популярна у самых ценных пользователей: раздел «Как сохранить смысл эксперимента»](https://habr.com/ru/companies/otus/articles/1079624/) ::: --- ## Как детерминированный хэш распределяет пользователей по вариантам теста? [#q-transfer-0100] Стабильный хэш от `experiment_id`, `user_id` и соли переводят в равномерный бакет, например от 0 до 9999. Диапазоны бакетов назначают вариантам согласно весам. Добавление `experiment_id` делает распределения разных тестов независимее, а стабильная соль не позволяет назначению случайно меняться. Хэш и правила версионируют, назначение логируют. Перед запуском проверяют доли, sample ratio mismatch, равномерность по важным сегментам и согласованность между клиентом и сервером. :::note[Ссылки для изучения] 1. [Как делить пользователей на группы в АБ-тестах: ошибки и рекомендации](https://habr.com/ru/articles/800809/) ::: --- ## Какое количество вариантов должно быть в A/B тесте? Что такое мультивариантное тестирование и как его проводить? [#q-14bee738d69b815e9150c585327e458e] В A/B тестировании обычно используется два варианта: контрольный (обычный) и тестовый (измененный). Это позволяет сравнить эффект изменений с базовым состоянием (контролем). Мультивариантное тестирование ( Multivariate Testing) включает в себя проверку нескольких вариантов одновременно. В отличие от A/B тестирования, где сравниваются всего два варианта, в мультивариантном тестировании анализируется влияние нескольких измененных элементов на поведение пользователей или на ключевые метрики. Как проводить мультивариантное тестирование: 1. Выбор элементов для изменений: Определите несколько элементов (например, заголовки, изображения, цвета кнопок), которые вы хотите изменить для тестирования. 1. Создание комбинаций: Разработайте различные комбинации этих элементов, чтобы создать несколько вариантов страницы или приложения. 1. Разделение трафика: Разделите трафик между всеми созданными вариантами случайным образом. Важно, чтобы каждый пользователь участвовал только в одном из вариантов. 1. Сбор и анализ данных: Соберите данные о поведении пользователей в каждом варианте в течение определенного периода времени. После этого проанализируйте результаты, чтобы выявить, какие комбинации изменений приводят к наилучшим результатам. Мультивариантное тестирование позволяет эффективно оптимизировать несколько элементов на странице или в приложении одновременно, что может привести к более значительным улучшениям в сравнении с простым A/B тестированием, особенно в случаях, когда изменения взаимодействуют между собой или имеют комплексный эффект на пользовательский опыт. :::note[Ссылки для изучения] 1. [A/B/n и многовариантное тестирование: различия и комбинации](https://habr.com/ru/articles/260803/) ::: --- ## Когда можно досрочно остановить A/B-тест? [#q-transfer-0101] Планово остановить тест раньше можно только по заранее заданному sequential design: с датами промежуточных анализов, границами остановки и правилом учета накопленной ошибки первого рода. Обычная ежедневная проверка и остановка при первом `p < 0,05` завышает false positive rate. Отдельно допустима аварийная остановка из-за вреда, поломки или нарушения guardrail, но это операционное решение, а не доказательство пользы варианта. После остановки сообщают правило, момент и доверительный интервал. :::note[Ссылки для изучения] 1. [Использование последовательного тестирования для уменьшения размера выборки](https://habr.com/ru/companies/tbank/articles/876984/) :::