A/B 测试背后的理念是比较和对比相似的用户变体，但对每个变体进行不同的优化，以确定今后应做出哪些改变。理想情况下，A/B 测试用于比较一个实验的两个或多个版本，看哪个版本表现更好。

在比较这两种变体时，它们通常被称为 A 变体和 B 变体。用户被随机分配到每个变体，以防止出现任何可能导致数据偏差的偏差。

这可能包括基于变量的测试前偏差，这些变量可能会影响测试结果，例如，在您开始实验前，社交媒体活动会奖励用户货币来尝试您的游戏。这部分用户可能会影响测试并提供偏差的结果。

A/B 测试可以让您根据数据而不是直觉做出明智的决定。能够提供数据证据是自信地进行必要更改以优化应用程序的关键。

根据测试规模的不同，您可以测试的变体不仅仅是 A 和 B。测试可进行调整，以包括更多变体。然而，将受众分成更多变体需要延长测试时间，以达到统计显著性，否则就有可能因样本不足而稀释数据。

使用 A/B 测试的最常见原因是

• 最大化特定玩家行为（消费习惯、游戏习惯、留存率等）
• 测试新功能和现有功能，以优化性能和用户采用率
• 改进特定的用户流程（FTUE、商店用户流程、关卡进度、奖励节奏等）

确定每次 A/B 测试的目标对于正确利用数据和时间非常重要。确保每次实验的业务目标明确，这样您就可以衡量关键绩效指标，为推动优化应用程序的措施提供有价值的数据。

应用内 A/B 测试的一个例子是测试新玩家的起始货币余额。您的实验可以类似于

观众新用户变种 A（启用）：100 金变体 B（对照组）：0 金要衡量的关键绩效指标： 保留率（D1、D3、D7、D30）、ARPDAU 和转换率

对照变体是指符合测试受众标准但不受处理影响的用户子集。该组的重要性在于确保您的团队能够清楚地看到使用 A 和 B 变体测量到的任何升高或降低。测试前设定的关键绩效指标将有助于确定这些变化。

值得注意的是，通过比较测试组与对照组的指标随时间的变化，我们可以分离出外部因素对关键绩效指标的影响，这些外部因素可能会影响您的结果。

Unity Gaming Services 可以使用我们的游戏覆盖系统创建 A/B 测试活动。您可以在这里查看我们的分步指南。请务必查看本页，我们将在未来几个月内添加更多提示。

运行该测试后，我们可以分析数据，了解这些变体的每种行为如何受到不同起始平衡的影响，以及它们对我们希望衡量的关键绩效指标的影响。

根据上面的例子，我们想知道变式 A 是否对我们的关键绩效指标产生了积极（或消极）影响。在审查结果时，您可以问自己一些问题：

• 变体 A 与对照组相比，是否能提供更高的留存率，因为用户有更多的货币可花，以帮助在游戏中取得进展？
• 为用户提供更高的起始余额是否会激励他们花更多的钱？
• 当用户的起始余额较高时，他们是否会以更高的比例转化为消费用户？

提出这些问题并了解处理方法对用户的影响，对于了解这些玩家的行为以及如何优化这些用户的体验至关重要。

统计显著性是对 A/B 测试提供准确数据且不受外界因素影响的信任度。计算统计显著性的第一步是提出零假设和备择假设。

• 零假设 (H0)：说明变化对样本组没有影响，并假定其为真。
• 另一种假设（Ha）：您的治疗方法对给定样本的预测。

选定假设后，就可以选择显著性水平 (α)，即拒绝零假设的概率。标准显著性水平应为 0.05，这意味着您的结果有小于 5%的概率表明零假设为真。

下一步是找出概率值（p 值），它决定了数据出现在零假设范围内的概率。p 值越小，结果的统计意义就越大。

如果 p 值大于显著性水平，那么拒绝零假设的概率太高，因此结果不具有统计意义。

如果您的 p 值低于显著性水平，那么就有足够的证据拒绝零假设，接受备择假设，这意味着我们的结果具有显著性。

具有统计学意义的 A/B 测试表明我们的实验是成功的，您可以放心地根据测试结果进行更改，以优化我们的应用程序。

在游戏生命早期进行的一个非常常见的 A/B 测试实验是测试不同的首次用户体验（FTUE），以提高玩家的早期留存率（D1、D3、D7）。游戏的 FTUE 对于吸引用户并让他们对您的应用程序产生兴趣非常重要。

观众新用户变体 A（变体）： 正常 FTUE（10 级）变体 B（对照组）：简短的 FTUE（5 个步骤）关键绩效指标衡量：保留率（D1、D3、D7）

许多即时服务游戏和应用程序都向用户提供应用内购买（IAP），以帮助分发内容并为开发商带来收入。一个常见的例子是测试 IAP 捆绑（如物品捆绑）的不同价位（5 美元捆绑与 20 美元捆绑）。或者，您也可以在捆绑包内提供相同价位但不同内容的产品。

观众花费者变体 A（启用）：5 美元捆绑变体B（控制）：20 美元捆绑包要衡量的关键绩效指标： ARPDAU（每日均用户平均收入）、LTV（长期价值）

正确：

始终运行 A/B 测试。您应该始终运行至少一个 A/B 测试，这样您就不会浪费任何时间，并能找到优化应用程序的新方法。

对各种指标进行测试。在实验时，一定要确保测试可以优化的不同变量，同时对每个变量使用单独的 A/B 测试。这包括难度、广告奖励、推送通知时间等。

确保变量组具有相似的样本量。如果组间样本量相差太大，那么结果就会不准确。对这些样本进行的任何处理可能都不够充分。

错误：

同时测试太多变量。同时进行过多的 A/B 测试会使结果变得模糊不清，因为不同的测试会直接影响彼此。

测试时间太短。一个常见的错误是过早停止测试，因为数据并不充分，而且会受到各种因素的影响。在实验过程中发生的游戏内事件会极大地影响实验结果，导致统计显著性降低，数据可靠性降低。

不要害怕实验变得更加细化。只要有一个深思熟虑的假设，并有足够大的样本量来提供准确的结果，将目标受众缩小到一个更精细的水平是非常有效的。