大數據文摘出品
根據抖音官方於1月5日發布的2020年度數據報告，截至2020年8月，抖音日活躍用戶突破6億，截至2020年12月，抖音日均視頻搜索次數突破4億。
這其中，肯定有你我的功勞。
但是，身為抖音重度用戶，文摘菌要考考大家，你知道「抖音」這個名字是怎麼來的嗎？
4月20日，位元組跳動旗下火山引擎的技術開放日在北京方恆時尚中心舉辦，位元組跳動技術負責人楊震原就數據驅動以及A/B測試發表了演講，期間他也透露了「抖音」的名字由來。
「抖音」這一名字，綜合了A/B測試和人為判斷的結果，「雖然『抖音』這個名字在測試結果中排名第二。但大家覺得，這個名字更符合認知，更能體現它的形態，所以還是選了它」。
也就是說，「抖音」這一名字，其實綜合了數據驅動和人為思考的共同決策，也和位元組跳動的A/B測試緊密地綁定在一起。
數據驅動很重要，但也不是有數據就能驅動
「數據驅動」這個詞，對於身處於大數據時代的你我已是耳熟能詳。這種將數據作為生產資料正向反饋到經營活動中的行為，早已成為了科學決策的代名詞。
但是，由於過分追求「數據決策」，也有不少企業會陷入「唯數據論」的誤區，認為只要有數據支持，就能做出比人為思考更科學的策略。
對於如何更合理地實現數據驅動，在2020年大數據文摘聯合清華大數據研究院聯合發布的《頂級數據團隊建設全景報告》中就明確說明，「要依賴數據做決策，但不能只依賴數據做決策」。
在評估方法中有「經驗判斷」這一分類，即主要靠人的主觀判斷。在公司決策上，主要依靠於領導層的決策，這一方法目前在大多數公司中得以採用，不過究其問題，不僅在執行上困難重重，也很難糾正有偏性。因此，在進行重大問題決策時，並不是有數據就可以的，還需要有效的驗證數據的方式。
如何更好地利用數據，以實現真正的數據驅動，A/B測試就是不二選擇。但要真正用好A/B測試，還需要理解，什麼是真正意義上的A/B測試，什麼是非A/B測試。
對於非A/B測試，可以用一個例子簡單說明。如下圖所示，這張照片用清晰的數據格式向我們證明了，巧克力吃得越多的國家，諾貝爾獎得主也就越多。也就是說，如果我們想多拿諾貝爾獎，就必須多吃巧克力了？
這個結論顯然是不靠譜的，兩個事件存在相關性，並不能直接推導出存在因果性。而如果在決策中出現這種情況，就會面臨不小的風險。
簡單公正，科學創新：A/B測試輔助數字化管理
說回A/B測試，這一方法並非網際網路公司原創。早在18世紀壞血病肆虐時，英國一位醫生就利用了A/B測試，他把患有壞血病的水手隨機分成六組，用不同方法進行治療，從而確定了檸檬和橘子能有效治療壞血病。這也是人類有記載最早的A/B測試。
如今，這一方法已經被網際網路公司納入數字化管理中來。企業在做產品/功能測試時，一般都會用到A/B測試，即把用戶分為兩組，對照組和實驗組。對照組採用已有的產品或功能，實驗組採用新功能，要做的是找到他們的不同反應，並以此確定哪個版本更好。
如此看來，A/B測試似乎效率很低，既要分組，還要時刻關注影響因子的存在。
但是試想，當真正清楚一個事件以及它的影響因素後，我們就可以順著台階步步為營，反之這種進步就是間斷的。而A/B測試就是穩中求勝的關鍵一環。
在矽谷，網際網路公司早已將A/B測試納入企業數字化管理中來了，在LinkedIn、谷歌這類以數據為主導的領先網際網路公司中早已形成了共識：A/B測試簡單公正，既跳過了爭論，也在一定程度上提倡數字化引導的科學創新。
LinkedIn全球數據科學團隊負責人許亞曾在採訪中對大數據文摘表示，在用戶看得到的與看不到的地方，LinkedIn都堅持著A/B測試。
以一款好的網際網路產品為例，從搜索欄、搜尋引擎算法、底部導航，到頁面文字大小，這些都是可以經過A/B測試的。除了這些用戶能看到的地方，在後端用戶看不到的地方，很多優秀的網際網路公司也會貫徹A/B測試思維。
比如打開APP要加載內容，需要從後端系統里獲取數據，每次獲取20條數據還是100條數據，這個決策就涉及到平衡與取捨，獲取數據越多，頁面加載時間越長；獲取數據越少，用戶瀏覽的時候就需要頻繁刷新。所以到底一次獲取多少數據，也可以提前用A/B測試做決策。
這些看似微細的細節，實際上隱藏著了一款產品成功與否的密碼。
位元組跳動的A/B測試實踐：要數據驅動，但不能唯數據論
那麼，在位元組跳動內部，A/B測試是如何實踐的呢？
早在2012年，位元組跳動成立初期，張一鳴就已經開始在做A/B測試了。現在，內部來說，位元組跳動每天大概新增1500個實驗，服務400多項業務，累計已經做了70萬次實驗。
或許也是基於此，外界有觀點把位元組跳動稱為「A/B測試公司」，對於此，張一鳴曾在公司7周年慶典上表示，「我發過一個微頭條：同理心是地基，想像力是天空，中間是邏輯和工具。AB測試只是一個工具而已，是測不出用戶需求的，同理心才是重要的基礎。如果沒有同理心，做出的產品肯定沒有靈魂，不能滿足用戶需求。但是光有同理心還不夠，這樣只能做出有用的產品。想要做出彩的產品，想像力非常重要」。
不難看出，位元組跳動所秉承的，正是「要依賴數據做決策，但不能只依賴數據做決策」的理念。
對於不能「唯數據論」這一觀點，楊震原直接指出，不能盲目迷信A/B測試，A/B測試並非萬能，在具體實踐上，A/B測試還存在著問題和操作難度。
比如在進行A/B測試之前，首先需要對實驗對象進行分組，再由操作者分別對兩組進行不同的操作，對比結果從而得出結論。
這聽上去似乎很容易實現，但首先如何確定兩個分組的獨立性，就是一個值得考慮的問題。
以網約車的分配策略為例，車輛與乘客的距離，乘車價格，車輛車型和時間都可以作為策略標準，如果A同學做了A策略，B同學做了B策略，身為決策者，我們應該如何評估呢？
如果用A/B測試的話，那我們就需要把用戶分成兩組，A組用A策略，B組用B策略，兩組對比就能得出最終結論。
但細想一下，有沒有可能發生這種情況，即A組乘客和B組乘客同時打到同一個司機的車。也就是說，在實驗過程中，最終得出的統計指標可能存在交叉影響，但這種影響，只從實驗數據上是看不出來、也不容易分析的。
其次，解決了獨立性的問題之後，我們還需要考慮A/B測試中存在的置信度和長短期影響的問題。
也正是得益於此般成熟的數據驅動理念，A/B測試逐漸從今日頭條的策略推薦，到建立了支持大規模產品實驗的A/B測試平台，之後陸續接入抖音、西瓜視頻等全線業務，A/B測試也相繼被應用於產品命名、互動設計、推薦算法、用戶增長、廣告優化和市場活動等方方面面的決策上。
如今位元組跳動也希望將這項技術能力反哺給社會。以悟空租車為例，該公司已通過火山引擎進行了70多次A/B測試，約有60%為正向實驗，提升產品轉換率約40%，以往需要一周時間的需求復盤數據分析，現在只要一天就能得到數據結論，更直觀地量化了需求價值，極大地提升了效率。
也正如楊震原所說，企業應充分意識到A/B測試的優勢和缺陷，對目標選擇適合的評估方法。在戰略型決策上，需要專家進行長期思考，在細節決策上，能做A/B測試就儘量做A/B測試，同時還要關注到量化分析的執行能力，真正做到數據驅動科學決策。