文章摘要： 实验对于提高利润和以用户为中心的价值主张至关重要。
我将向您展示 Google Optimize 创建 A/B 测试的理论和实践维度，并解释它如何测试有助于优化网站转化率的业务假设。
为什么要这样做？您将能够提供更好的用户体验，这意 阿尔及利亚材料 味着提高产品（和您的组织）的盈利能力。
文章索引
贝叶斯：优化统计模型
如何在 Optimize 中分析 A/B 测试？
实用建议
读完本文后，您将了解 Google Optimize 如何衡量数字实验、您必须管理哪些主要变量才能做出决策，以及一些将实验重点放在盈利方面的建议。
1. Optimize的统计模型是什么？
帖子图片
托马斯·贝叶斯，贝叶斯理论的创始人
有两种模型可以解释概率，一方面我们有频率论（或经典）模型，另一方面我们有贝叶斯模型。
为了能够更好地解释它们，我引用了 Google 支持的一个例子：
想象一下，您在家中丢失了手机，并且您听到五个房间之一的铃声响起。根据您之前的经验，您知道您通常会将手机留在卧室里。
频率论方法要求您站着不动，听铃声响起，希望能够从您所在的位置确定您所在的房间，而无需移动。而且，我无法使用他通常把它放在哪里的信息。
相反，贝叶斯方法非常符合我们的常识。首先，您知道您经常将手机留在卧室，因此您更有可能在那里找到它，并且您可以使用这些知识。其次，每次电话铃声响起时，您都可以走近一点，靠近您认为电话所在的位置。因此，找到您手机的机会要高得多。
频率论方法根据 迄今为止获得的模式生成解释（例如，如果抛 100 次硬币，我们得到“正面”15 次，得到“正面”的概率为 15%），而 贝叶斯方法 从假设我们掌握的信息不完整（例如，如果种植 100 颗树种，其中 30 颗生长良好，则说种植 100 颗树种时有 30% 的概率生长是不正确的）这棵树长得很好）。
