A/B测试是Scopely LiveOps策略的重要组成部分，可以进行数据驱动的决策和持续改进玩家体验[2] [7]。 LiveOps是数据密集型的，因此测试对于避免游戏中的错误很重要[1]。
什么是A/B测试？
A/B测试(也称为拆分测试)是一种比较两个版本的网页或应用程序以确定哪个性能更好的方法[2] [6]。在A/B测试中，将不同的用户随机给出了产品(游戏)的略有不同的版本，并进行测量以查看哪种选项的性能更好[1] [2]。然后将获胜选项推出给更广泛的观众[1]。 A/B测试有助于对用户体验进行仔细的更改，同时收集有关这些更改影响的数据[2]。它有助于构建假设并了解经验的元素和优化最大的影响用户行为[2]。
A/B测试计划：
在实施A/B测试之前，制定计划很重要。计划的步骤包括[1]：
1。实验想法
2。期权生成(不同组的究竟会改变什么)
3。公制选择
4。样品制备
5。初步测试
6。实验
7。结果解释
A/B测试想法的示例：
*设计测试不同设计的设计，例如一个按钮与两个按钮，以及每个按钮上的文本[1]。
*调用行动测试对不同的呼叫进行操作[1]。
*价格和促销测试价格和促销[1]。
*广告测试不同的广告[1]。
*推送通知和计时测试推送通知及其时间[1]。
恶化测试：
“恶化测试”代替经典的A/B测试，对于实时事件而言，可能更具成本效益[1]。在一个恶化的测试中，一组用户故意获得一个劣等的选择[1]。例如，如果您想在游戏中添加更多级别，但不确定结果，则对于一组新玩家，您可以减少级别的数量，而对于第二组，请留下所有级别[1]。如果完成所有级别的玩家表现出更好的结果，则需要增加更多级别[1]。
选项生成：
A/B测试可以具有两个以上的选项，因为还有多元测试[1]。例如，您可以同时运行价格测试和文本测试(多元测试)[1]。
样本准备：
运行A/B测试时最重要的事情是使用一组从未遇到过变化功能的人[1]。因此，测试通常是在教程或下载表上进行的，即在那些首先安装游戏/应用程序的人[1]上进行测试。而且，采摘必须是随机的；从根本上讲，将周三进入一个小组的用户和周四进入另一个组的用户[1]是错误的。正确的方法是将它们两个组合在一个段中，然后将它们随机分配给两组[1]。
A/B测试中的常见错误：
*错误的假设和测试难以跟踪的变化[1]。
*对实验结果的有利解释[1]。
*依靠直觉[1]。
*不考虑受众(新/不是新的，流量来源，支付/不支付)[1]。
*用户很少[1]。
*同时运行多个测试[1]。
*缺乏事先测试[1]。
*指标选择错误[1]。
*样本量错误(太小或太大)[1]。
集成应用分析：
将应用程序分析集成到LIVEOP中，您可以收集有关用户行为，偏好和兴趣的有价值的数据[4]。 A/B测试是测试功能的两个版本并收集用户反馈[4]的有力方法。要整合分析，您需要有效的数据收集实践[4]。选择一个分析平台，该平台的用户友好，并且具有强大的功能，可用于用户细分，数据可视化和隐私合规性[4]。
引用：
[1] https://www.devtodev.com/resources/articles/a-b-testing-in-liveops
[2] https://www.optimizely.com/optimization-glossary/ab-testing/
[3] https://www.adlibertas.com/guest-post-post-starting-a-live-ops-nategy/
[4] https://www.appsflyer.com/blog/measurement-analytics/liveops-changing-gaming-landscape/
[5] https://wnhub.io/news/marketing/item-42838
[6] https://vwo.com/ab-testing/
[7] https://www.tag-games.com/blog/5-tips-for-effective-live-ops
[8] https://www.gamedeveloper.com/business/a-b-tests-for-analysing-live-liveops-part-1