AB实验

在AB实验和非AB实验因果推断中，我们得到的结论往往是单一的变量X对变量Y的影响，而我们往往想知道X是通过何种路径对Y造成影响的。此时就需要通过中介效应分析来得出因果关系之中的变量影响路径。

当无法进行AB实验或者AB实验不够有效 (如存在不依从现象) 时，正确评估因果效应就需要排除混淆变量的干扰，而排除混淆变量干扰最常用的方法之一就是倾向性得分匹配。

货拉拉数据科学团队在订单分发、产品功能迭代等各项业务的支持上，都会遇到实验科的挑战。因此了解行业最新进展和动向，指导数据科学组更快、更好地解决各类业务挑战，是大势所趋。

货运双边市场AB实验存在诸多挑战：如何缓解组间运力竞争？如何规避用户歧视？如何降低数据波动？离线时空分流技术为以上难题找到了可行解法，本期就来揭开它的神秘面纱！

在货拉拉的 AB实验场景中，分流单元和分析单元往往不一定相同。当两者不一致时，常用的方法会出现犯第一类错误概率过高的问题。

货拉拉通过不断地实验研探究沉淀了一套时间片轮转实验解决方案，在运力竞争可控范围内解决分流不均的问题。

当前在货拉拉进行的诸多 AB实验中，部分实验中实验单元少，简单随机分流会导致实验与对照的实验前偏差大。本文档调研了业界先进的实验前偏差应对技术，在最优随机分组的基础上，进一步提出了离线分流。

当前时间片实验日益增多，且时间片实验之间如果不加限制会存在互相千扰。因此在货拉拉实验场景大量使用固定顺序轮播的时间片嵌套的方法，将这一干扰降低至可控。

随着货拉拉实验复杂度不断提升，当前交易策略下存在多个时间片实验，各时间片实验之间相互干扰，导致实验流量不同质。为防止这类问题产生，同时最大化利用流量，货拉拉数据科学团队提出了体系化的多层实验解决方案。

本文旨在明确适用于公司当前普遍业务场景的实验方式以及对应的理论说明。这将有助于我们在双边市场环境中有效地设计实验，评估收益，推动业务策略的持续优化。

这次实验又不显著? 样本量太少指标波动剧烈? 通常增加样本量是对以上问题最简单直接的解法。但若因客观条件限制导致无法增加样本量呢? 本文介绍的方差缩减技术也许能帮到你。

货运场景下极端统计值的出现会给科学评估 ab 实验效果带来新的挑战，货拉拉数据科学团队通过调研，提出了一种基于卡方统计量的极端值处理方法，能较好的保证指标间的同质性。

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?

随着货拉拉的产品成熟度不断提升，存在大量针对细分场景的策略。由于业务对于 AB实验结果的可靠度要求不断提升，简单的随机分流已无法满足业务需要。因此，货拉拉数据科学团队提出了体系化的解决方案。

对于以双边市场为核心业务的公司来说，交易策略优化是一个重点方向，其内部的策略迭代与变更往往强依赖于AB实验；而策略多样性与复杂性也会为分析师带来实验相关的各种问题与挑战。

AB实验是因果推断的黄金法则，能够帮助我们无偏的获得因果效应，从而帮助业务进行更好的决策。而双边市场作为特殊的实验场景会存在网络效应等一系列特殊的挑战，如何从实验方式和实验平台设计上应对这些挑战是双边

货运行业的发展日新月异，双边市场性是货运行业的重要特征。与传统的交易模式有所不同，货运双边市场呈现出独特的连接撮合和网络效应特性，为市场的高效运作和参与者的满足提供了基础。