---关注作者，送A/B实验实战工具包
在设计 AB 实验时，我们经常会遇到这样的灵魂拷问：
"这个实验是按人 (User) 分流，还是按访问 (Session) 分流？"
"我按人分流了，最后能不能算点击率 (CTR) 的 P 值？"
这两个问题触及了实验设计的底层逻辑：分流单元 (Diverting Unit) 与 分析单元 (Analysis Unit) 的匹配关系。
如果这两个单元没对齐，轻则用户体验崩塌（同一个用户一会看到红按钮，一会看到绿按钮），重则统计结论失效（明明不显著却算出了显著）。
今天我们就来厘清这对"相爱相杀"的概念。
1. 粒度层级：俄罗斯套娃
首先，我们要建立一个粒度 (Granularity) 的概念。在互联网数据中，粒度是像俄罗斯套娃一样层层嵌套的：
- 用户粒度 (User ID)：最粗。一个用户对应唯一的 ID，包含他所有的生命周期行为。
- 会话粒度 (Session ID)：中等。一个用户在一天内可能打开 App 5 次，产生 5 个 Session。
- 页面/请求粒度 (Pageview/Request ID)：最细。一个 Session 内可能浏览了 10 个页面，产生 10 个 PV。
理解这个层级关系，是做对实验的前提。
---
2. 如何选择分流单元？------体验连贯性原则
分流单元 决定了"谁"进入实验组，"谁"进入对照组。选择的核心原则只有一条：保证用户体验的连贯性 (Consistency)。
场景 A：必须按用户分流 (User ID)
如果实验涉及视觉、交互、功能流程的改动，必须用 User ID。
- 例子：UI 改版（红按钮 vs 蓝按钮）。
- 逻辑：如果你按 PV 分流，用户刷新一下页面，按钮从红变蓝，再刷新又变红。用户会觉得 App 出 Bug 了，产生困惑和沮丧，导致流失。
场景 B：可以按会话/请求分流 (Session/Request ID)
如果实验改动是后端逻辑、算法、广告，且用户感知不强，可以用更细的粒度。
- 例子：搜索排序算法、广告出价策略。
- 逻辑：用户这次搜"苹果"出结果 A，下次搜"苹果"出结果 B，通常是可以接受的。
- 好处：粒度越细，样本量越大（PV 数远大于 UV 数），实验越容易显著，迭代越快。
3. 黄金定律：分流粒度 ≥ \ge ≥ 分析粒度
分析单元决定了我们在计算指标时，是以什么维度聚合数据的（分母是谁）。
- 算 DAU 、留存率 、ARPU → \rightarrow → 分析单元是 User。
- 算 点击率 (CTR) 、转化率 (CVR) → \rightarrow → 分析单元通常是 PV 或 Session。
在统计学上，为了保证 T 检验 有效，必须遵守一个铁律：
分流单元的粒度，必须粗于或等于分析单元的粒度。
Granularity(Diverting) ≥ Granularity(Analysis) \text{Granularity(Diverting)} \ge \text{Granularity(Analysis)} Granularity(Diverting)≥Granularity(Analysis)
我们来看看三种情况：
情况 1：完美匹配 (User Split → \rightarrow → User Metric)
- 分流：按 User ID。
- 指标：人均时长、留存率。
- 评价 ：最标准。满足 IID（独立同分布）假设，直接算 P 值没问题。
情况 2：绝对禁区 (Session Split → \rightarrow → User Metric)
- 分流：按 Session ID（粒度细）。
- 指标：DAU、留存率（粒度粗）。
- 评价 ：错误！严禁操作！
- 原因 ：这直接破坏了 独立同分布 (i.i.d.) 的核心原则。
- 用户 Bob 有两个 Session。Session A 进了实验组，Session B 进了对照组。
- 在算 DAU 时，Bob 既给实验组贡献了 +1，又给对照组贡献了 +1。
- 两组数据不再独立，你的 T 检验前提崩塌，算出来的结论是垃圾。
- 延伸阅读 ：关于独立同分布的重要性，强烈推荐阅读我的这篇博客：《AB实验的关键认知（二）独立同分布》，里面详细拆解了为什么它是实验的生死线。
情况 3：技术深水区 (User Split → \rightarrow → PV Metric)
- 分流：按 User ID（粒度粗）。
- 指标：点击率 CTR（分母是 PV，粒度细）。
- 评价 ：允许，但要小心。
- 问题 ：这属于"分流单元 > 分析单元"。虽然满足独立性（人与人独立），但方差计算变复杂了 。
- 同一个用户产生的 10 个 PV 是高度相关的（自相关性）。如果不处理这种相关性，直接把所有 PV 混在一起算 T 检验，会导致方差被低估，P 值虚低（容易假阳性）。
- 解法 ：必须使用 Delta Method 或 Bootstrap 来校正方差。简单的 P = Z / p ( 1 − p ) / N P = Z / \sqrt{p(1-p)/N} P=Z/p(1−p)/N 公式在这里失效了。
总结：避坑指南
为了不把实验做废，请在设计阶段对着下表自查：
| 分流单元 (Diverting) | 分析指标 (Metric) | 分析单元 (Analysis) | 判定结果 | 备注 |
|---|---|---|---|---|
| User ID | 留存率、ARPU | User | ✅ 通过 | 标准做法 |
| User ID | 点击率 (CTR) | PV | ⚠️ 需校正 | 需用 Delta Method 估算方差 |
| Session ID | 点击率 (CTR) | Session/PV | ✅ 通过 | 适合算法/广告实验 |
| Session ID | 留存率、DAU | User | ❌ 禁止 | 违背独立性，指标无意义 |
一句话心法：你可以把一个人拆成很多次行为去分析，但绝不能把一个人的多次行为拆给不同的组。
如果这篇文章帮你理清了思路，不妨点个关注，我会持续分享 AB 实验干货文章。
