我的运营策略是否有效？活动规则是否合理？这些问题抛给数据分析师，让他们从数据库中去扒信息回答你，其实是值得画问号的。最合理的方式就是做测试，或者说『对比实验』。通过测试中落下来的数据，才能形成合理的判断。
撰写本文的目的在于，从最近我团队所尝试的若干个运营测试中，抽象出一套更普适的方法论，帮助大家更『聪明的』做运营。
-
运营测试的步骤
我将运营测试的执行步骤概括为下图。我将有选择地对图中的各个步骤进行讲解。
-
运营测试步骤详解
我将运营测试过程分为『问题』、『过程』、『传达』三个步骤。我们测试来源于业务问题的提取，测试过程贯穿着统计学的思想和方法，测试结果需要有效地传达给别人；只有这三个环节都完成，才能称为一个完整的运营测试。
-
产生问题
毫无疑问，问题一定来源于业务。我们
测试的目的就是找到解决业务问题的有效方案
。因此在产生问题这个环节，我们需要去调研各种各样的业务困难，然后针对不同的困难先想出大致可执行的方案。所谓的『产生问题』中的『问题』，其实是『这个方案有效吗？』这样的『是/否』问题。
我个人是倾向于将业务问题都不断地拆解，最终转化为『是/否』问题。这样的二元问题，可以比较容易量化。
-
利用ICE方法评估方案
ICE方法告诉我们，评估方案的可测试性，或者说测试的优先顺序，需要从
Impact（影响面的大小）、confidence（提出者对执行效果的信心）、easy（执行的难易度）三个角度来评估。
每一项都进行0-10分整数打分，三项得分求和后，得分最高的方案先进行测试。影响面即我们的测试方案能多大面积地影响我们的用户。影响面越大，分数越高。提出者对于测试成功的信心越足，则confidence这一项得分越高。对于执行的难易度，我们需要从是否需要产研参与？是否需要外部条件？需要多少金钱花费？需要多少时间？等角度考虑，执行难度越低，得分越高。
ICE方法为我们提供了一种思路。不过目前我所经历的测试并没有参考这个方法进行打分评估。以后需要往这个方向进行优化。
-
设计指标
指标是运营目的的量化。通俗得说，我们的方案实施后，解决了某个问题，那么就要从我们设计的指标上能反映出来。重要的是，
指标要对问题的改善敏感（信度和效度都要好）
。因此我们不能机械地盯着几项KPI指标。针对测试，需要找到更敏感更细节的指标。当然，若KPI指标能够胜任，再好不过了。
-
准备工具
明确的计划+自动化的运营工具+人工的操作方法+人员配备+资金预算+合适的时间+风险控制=准备工具。
-
选择对象
首先，实验对象一定是我们能操纵的事物。可能是我们的客户，也可能是某种资源。目前，我们给力的产研团队已经提供了灵活的segment工具，因此我们可以针对用户进行圈群组的方式，来选择实验对象。
-
随机分组
这点在实验过程中万分重要，
若没有随机分组的保证，后续所有的步骤和结论都将不可靠
。如何实施呢？我们圈选了我们的实验对象后，要将他们随机地分到实验组和对照组。在大家熟悉的Excel中，可以使用RAND()函数给每个用户生成一个随机数，然后按这个随机数排序，排序后取出前一半人作为实验组，后一般人作为对照组。
我们实验的目的是量化某个运营动作带来的效果。通过随机分组，给实验组施加这个运营动作，对照组不施予任何动作；然后对比实验组与对照组在实验指标上的变化，进而形成判断。这样的横向对比，效果是好于时间维度的纵向对比的。前提是实验组与对照组在除了『是否施予运营动作』之外的其他条件上都是相同的。而随机抽样就是对这种一致性的保证。
-
DID方法
我这里用一个图来说清楚DID，即双重差分测量法。
运营实验必然会在时间上有一个跨度。所以有人就会挑战：在时间变化后，实验组和对照组的数据可比性如何保证呢？答案就是应用DID。通过如上图的一个双重差分过程，我们就可以将两个组在时间维度上的指标变化剔除掉。
上图中的表格，大家去填满了，即完成了DID方法的过程。我们需要在两个时间段（测试前和测试实施后），计算两个群体（实验组和对照组）的一个指标（用户购买率），这样就先有了表哥中左上部分的4个数字。由这4个数字，我们能算出4个差值，最后，竖排两个差值相减和横排两个差值相减，结果一样，都是我们右下角的DID值。这个就是双重差分法的实施过程，右下角的这个『0.25%』，就是我们对实验效果的量化值。
需要补充一点，观察实验组合对照组在测试实施前的数值差距，我们可以判断随机分组是不是有效。
若两者差距很大，说明我们分组的随机性很值得怀疑，需要重新分组。
合理的随机性分组应该使得这两个数字差距不太大。但这种做法在统计学上是不严谨的，这里面水有点深，暂时不展开讨论。
-
假设检验
实验中的假设检验方法引申为方差分析方法。这部分我觉得暂时不掌握没关系，因为方差分析的适用条件比较苛刻，对统计学理论的要求也比较高。大家把DID用好之后，我会另外撰文介绍。
-
形成结论
这部分主要从DID数值中来。主观的说，DID数值若能占到测试实施前数值的5%以上，我们有充足的理由去判断实验方案是有效。
