在进行AB实验时，我们常遇到这样的问题: 实验样本量是否足够? 如果不够还需要多少样本? 两个组的差异能否证明干预是有效的?

在数据驱动时代，不管是在产品功能迭代还是策略决策时都需要数据的支撑。那么，当我们准备上线一个新功能或者策略时，如何评估新老版本优劣，即数据的可量化就成了问题。这个时候就需要引入 A/B Test 了。

ABTest系统设计中，分流技术的设计和实现至关重要。本文尝试通过案例和俩个方案来演示，然后对比其中的优劣。同时进行一些思考和延伸。文中的代码使用java，其他语言思路相通，且提及了红黑树这种二叉排序

因此，打造一个服务于淘系乃至集团前端的标准化的简单高效的AB实验链路，是我们做这件事的初衷。本文将描述前端AB实验的设计及原理。 一条完整的AB实验链路到底需要什么？创建实验，工程接入，分流，实验数据回流...恩，是的，我还可以列一大堆，但是它们没有组织不成体系，就毫无意义，更…

背景 为了验证一些想法是否真的有业务价值，往往需要做AB实验。 做AB实验，绕不过去的问题就是分流，分流方案：1. 接口分流 2. 投放侧分流 3. nginx层分流

本文将针对日常开设 A/B 实验过程中一个不太合理的使用方法——AABB 实验进行详细的解释，告诉大家为什么不建议开 AABB 实验。

一. 概述 编程实验：指的是通过代码编程进行AB实验，广泛使用于前端优化、策略优化和后端算法优化多种实验场景，包含客户端和服务端实验。 前置条件：接入客户端SDK或者服务端SDK，详见：应用接入 二.

可视化实验，通过所见即所得的在线编辑（比如对页面中的图片、文字、颜色、位置等元素和属性进行编辑），降低在Web/H5页面优化的场景下，产品方和运营方使用A/B实验工具的成本，免除编码。

可视化 A/B 实验通过可视化的方式对网页直接修改内容和属性，修改完成后能够直接上线实验。本文通过火山引擎、神策数据、VWO 等 3 个平台详细介绍了的可视化实验的业界现状、应用场景和使用价值等内容。