揭露今日頭條增長的祕密，其中有一點最值得你學習！
微信號： ofollow,noindex" target="_blank">運營研究社（ID：U_quan）
2018 年，中國移動網際網路使用者增長放緩，上半年僅增長 2 千萬。
但是有一匹黑馬，硬是在這種惡劣的情況下，逆流而上。
今日頭條系獨立 App 使用者使用時長佔比，從 3.9% 猛增到 10.1%，增長了1 .6 倍， 超過百度系、阿里系穩居總使用時長第 2 名。
更牛逼的是，頭條系產品這種突飛猛進的增長速度還在持續， 單今日頭條資訊 App 每天還在保持 100萬+ 的新增。
在頭條系如何做到這般“喪心病狂”的使用者增長的背後，其實有一些不為認知的小祕密。
頭條內部會創新（或者抄襲）孵化產品，並且為每款產品設定留存生死線（RIO），超過生死線的產品就可以頭條系站內流量扶持，快速讓它達到千萬級日活。
今日頭條涉足近60個產品
頭條內部有非常強大的資料監控系統（花大價錢買資料），任何產品的日活和增長資料都在它們的監控之下。
另外，為了幫助提升創新產品的成功率，頭條內部甚至研發出了一套增長引擎，在咱們還在糾結功能按鈕排序時，他們就在 同時進行幾十組甚至上百組的 A/B 測試， 幫助產品經理和運營們找到最優的方案。
頭條強大的生死線和資料監控系統我們模仿不來，他們的增長引擎我們也暫時研發不出來。但是幫助篩選最優方案的 A/B 測試，我們還是可以進行借鑑學習的。
雖然 A/B 測試過去更多的是在產品領域，通過它來判斷功能的價值。 其實到現在 A/B 測試已經滲入到運營 ，哪天公眾號能推出小流量開啟率測試功能，我想你會開心壞了！
什麼是 A/B 測試
A/B 測試，也叫對照實驗和隨機實驗。簡單說，就是為同一個目標設計 A 方案和 B 方案，讓一部分使用者使用 A 方案，一部分使用者使用 B 方案。記錄使用者的使用情況，根據使用者反饋，比較得出哪個方案更佳。
千萬不要以為這裡的“A/B測試”真的只會有 A 方案和 B 方案，“A/B 測試”只是習慣性叫法，你還可以有 C、D、E 多種供測試的方案。
看完定義，你可能會覺得“A/B 測試”這個概念已經爛大街了，不就是提出多種方案供選擇，然後選擇效果最好的哪一種嗎？
其實理論講起來很簡單，實際做起來還是需要很多技巧的。我們先來看一看，今日頭條是如何開展 A/B 測試的？
今日頭條的頭條號具有“雙標題”功能，這其實就是 A/B 測試的一種實踐。
也許你會說，這難道不是為了讓使用者有更廣闊的起標題空間嗎？一篇內容可以起兩個標題， 那麼一個標題廢了，還有另一個標題撐腰。 不像微信公眾號，只有一個標題，一旦標題廢了，閱讀量基本上就完蛋了。
事實上，今日頭條設定“雙標題”功能是為了 更精準地瞭解使用者對於標題的反饋 ，從而掌握使用者的行為資料。
當然，今日頭條在 A/B 測試上最牛逼的玩法不是“雙標題”功能，因為只測試標題，就會造成“標題黨”氾濫橫行。基於此，今日頭條 A/B 有一套“動態”的內容推薦機制， 這裡的”動態“指的是根據反饋結果，實時更新調整。
這套“動態”內容推薦機制是如何運轉的呢？
同樣的方案，今日頭條會先推薦給小範圍的人群：
比如 100 人，如果這 100 人對標題、內容的反饋均不錯，那就把方案推薦給更大範圍的人群，比如 500 人，如果這 500 人對標題、內容的反饋效果很好，再推薦給更大範圍的人群，比如 2000 人，以此類推。
使用者的行為動作會被蒐集，據《今日頭條推薦系統原理》介紹，基本上每小時都可以看到使用者對內容的反饋。但因為每小時都有資料上的波動， 今日頭條通常以天為時間節點，來檢視使用者的行為資料。
將使用者的行為動作進行蒐集後，今日頭條會有日誌處理、分散式統計，寫入資料庫。
今日頭條系統就可以自動生成： 實驗資料對比、實驗資料置信度、實驗結論總結以及實驗優化建議。
這樣看來，是不是覺得 A/B 測試的威力真的很強大，不僅完成了方案調研，還能通過測試掌握使用者口味，實現精細化內容推薦，從而更好地留住使用者。
A/B 測試的應用
可能你會覺得 A/B 測試只有大公司才玩得起，和我們並沒有什麼關係。可能你也會覺得這只是產品的事，和我們運營沒什麼關係。
那你誤解可就大了。不僅小玩家也能玩，而且和我們運營大大的相關。 如果你是一個會做增長的運營，那你很可能就會成為你們公司的扛把子。
舉個例子：
我們之前邀請了「深夜發媸」的主編阿芙，來給我們做微課分享。既然談到微課，那肯定是要打磨微課海報，提升宣傳效果的。
於是我們請我司首席設計師做了一版，結果一出來，編輯部的小姐姐們意見不合吵了起來。
一個人認為“如何寫出使用者喜歡的營銷文案”，這個主題沒有吸引力，應該改成 “10 招寫出讓使用者喜歡的營銷文案” 。
還有一個人表示贊同，但是應該進一步優化，改為“10 招寫出讓使用者瘋傳的轉化文案”。
這個時候，賢哥很機智的說了一句，你們就不能做 3 版海報嘛？每版海報只讓一個寶寶號，在同一個時間轉發（所有寶寶號均擁有 5000 人好友），這樣不就測出來哪版效果好了嘛？
當時我們沒有想到，其實這就是 A/B 測試的思維。
後來我們實施了賢哥的想法，測試出了 3 個海報的轉發率（轉發海報使用者/新增使用者）， 分別為：30%，35%，44% ，效果最好的一張是：10 招寫出使用者瘋傳的轉化文案。
接下來，就發動所有寶寶號，公司的全體員工分享海報，最終吸引了 3000 人來聽課，這也是我們目前效果最好的一次微課分享。
除了微課的應用，還有很多地方也可以用到 A/B 測試。
比如 App 的 push 可以做 A/B 測試 。餓了麼想要測試，不同的促銷活動，對使用者的留存有多大作用，所以就發生了以下場景。
昨天，小松果興沖沖和我說，餓了麼給她發了一條推送：“你有一張 15 元大額券待領取”，結果點進去發現是“滿 40 減 15 ”。儘管這樣，她還是湊單點了很多東西。
根據以往經驗來看，餓了麼喜歡在我們吃飯前推送。所以我看了看自己的餓了麼推送：“訂單滿 45 可享七五折優惠”。一看我就沒有興趣，起點那麼高。
其實這就是餓了麼運營給我們做的 A/B 測試。
通過這次測試，他們可以通過訂單率發現，同樣都是優惠 15 元（都花 40 塊的前提下）， 直接突出數字 “優惠 15 元”，就比“滿 40 減 15”效果好。
總之，通過 A/B 測試，確確實實能夠試出最佳增長方法。除了 App 的推送，微課主題，還有很多場景可以用 A/B 測試，比如付費廣告，應用商店，著陸頁，新使用者引導流程等等。
A/B 測試容易踩的坑
A/B 測試看似簡單，實則隱藏著許多溝溝坎坎，稍不注意就會導致試驗結果偏離科學軌道。
1）忽略測試環境差異
如果真的有一天公眾號開發的標題 A/B 測試的功能，你會用下列哪個方案去測試的你的標題？
a. 將上海地區使用者分成 3 個組，並在同一時間分別推送 3 個不同的標題。
b. 將上海地區使用者分成 3 個組，並在不同時間點分別推送 3 個不同的標題。
如果你的是選擇 b 方案的話，恭喜你翻車了！
舉個不太恰當的例子，b 方案的測試方法就好比在電視上投放廣告，分別選取了工作日的下午 3 點鐘和晚間黃金時段進行測試收集。
由於輪流展示時的測試環境不盡相同，所面向的受眾群體更是千差萬別，因此最終試驗結束後的資料結果必然會存在一定偏差，也就更不具有說服性了。
2）容易「以全概偏」
在測試結果沒有表現出理想狀態下的資料提升時，如果你直接放棄的話，有可能你又踩坑了。
國際短租平臺，搜尋是 Airbnb 生態系統中很基礎的一個組成部分。Airbnb 曾經做過一個關於搜尋頁優化的 A/B 測試，新的版本更加強調了列出的圖片，以及房屋所在位置（如下圖所示）。
在等待了足夠長的時間之後，試驗結果顯示新老版本的整體資料相差無幾，似乎這次優化沒有很好的效果。
如果此時，Airbnb 直接根據整體的資料表現放棄了這次優化，那麼這個花費了很多精力設計的專案就會前功盡棄。
相反，經過仔細研究，他們發現除了 IE 瀏覽器之外，新版在其他不同瀏覽器中的表現都很不錯。當意識到新的設計制約了使用老版本 IE 的操作點選後（而這個明顯為全域性的結果造成了很消極的影響），Airbnb 當即對其進行了修補。
至此以後，IE恢復了和其他瀏覽器一樣的展示結果，試驗的整體資料增長了 2% 以上。
通過 Airbnb 的例子，我們能學到正確的做法是：在整體效果不太好的時候，不要一竿子打死，而需要從多個維度細分觀察個體的情況，以避免區群謬誤帶來的決策偏差。
3）只做到了區域性最優
避開了上面的 2 個坑之後，你可能得到一個相對不錯的測試結果，在你欣喜若狂時，正準備對外宣佈戰果時， 可能已經踩入了另外一個坑——“區域性最優”
以某金融平臺提升新使用者的註冊率的 A/B 測試為例，運營通過不斷進行註冊按鈕的文案優化，發現相比於“立即註冊”、“免費註冊”等文案而言，“領取 100 元新人紅包”的註冊率是最高的。
但是，如果只是沉迷在文案上做測試，其實他可能就錯過了提升使用者註冊率的其他更效假設。
正確的做法是可以 進行使用者調研，瞭解使用者不註冊的原因在哪 ，通常情況下金融平臺讓使用者放棄註冊的原因還在於，註冊流程繁雜、信任問題、無匹配的理財產品等，所以在完成了註冊按鈕的文案測試時，我們還需要在這些方面也進行想要的實驗。
總結
我們通過分析今日頭條，向大家展示了 A/B 測試的強大功效，採用 A/B 測試不僅能夠在眾多方案中選擇出最佳方案， 其實更能對產品進行不斷的迭代優化，實現使用者留存。
如今，A/B 測試已經滲透到運營工作中，運營社也在實際工作中感覺到這個理論真的很好用。
1）當有多種方案供選擇，但又產生意見分歧時，可以通過 A/B 測試找出找出最優解。 比如文章起標題、裂變海報文案、以及 App 的 Push 等。
2）看似簡單的 A/B 測試，其實有很多坑：
① 忽略測試環境差異 ，沒有進行變數控制（只能有一個變數），造成資料偏差；
② 以偏概全 ，在測試結果沒有實現理想狀態下的資料提升時，就放棄對產品優化，會導致專案前功盡棄；
③ 只進行區域性優化就忽略對其他部分的調整更新 ，無法查找出其他方面的漏洞。