数据驱动UI迭代，如何设计简单高效的前端AB实验方案？

以前，我们没有一条简洁而高效的AB实验接入方案，过去大多数前端在接到AB需求，唯一的选择就是调用客户端提供的库函数来实现，我们从中发现了一些痛点：

• 首先前端开发者需要花大量的心思去处理AB的逻辑；

• 此外客户端实验的作用范围仅局限于端内，并不能覆盖前端所有的场景，比如外投，小程序或PC等等；

• 数据的精细度不足，不管是服务端实验，还是客户端实验都是页面维度的，而业务方常常需要看更细粒度的指标，比如页面上某个模块的点击率，前端在数据采集上具有天然的优势；

因此，打造一套标准化的简单高效的AB实验链路，是我们做这件事的初衷。

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，更谈不上架构设计。所以，我们来把这些分散的元素尝试归类。

一条完整的AB实验链路其实可以拆分成两部分，第一部分是实验配置链路，顾名思义它包含了所有与实验配置相关的操作，配置创建，保存，分组，配置的推送或下发，以及使用配置进行实时分流。第二部分是实验数据链路，它包含实验数据的染色，过滤，计算，展示(实验报表)。把这两部分拼成一个闭环，也就是我们设计前端AB实验的核心。

下面给大家分别介绍这两个数据模型。

我们将实验配置以应用为维度进行组合，然后推送到CDN。前端运行时则通过JSSDK读取配置，完成分流并渲染相应的业务组件。

应用我们可以理解为一个前端工程，一个小程序可以是一个应用，或手淘内某个活动页面(比如淘金币)也可以是一个应用。应用里面包含了场景，一个独立的流量入口我们称之为场景，比如某应用的首页就是一个场景，导购链路也是一个场景。场景同时也是底层的分流模型，这部分我们放在下一个章节再详细介绍场景内部的结构，此处我们只需要知道我们新建的实验是与场景直接关联的。

从上图我们可以得出，业务是数据指标的集合，并且同一业务下的实验可以创建并关联这个业务域下的所有指标。这些被关联的指标将最终通过数据采集和计算，反映在实验的报表里。

举个实际的例子，手淘内的淘金币业务，在淘金币首页(场景)我们想要跑一个实验，AB营销模块哪个更高效？那么营销模块的曝光UV和点击UV就是我们要去创建并关联的指标。该指标也会存在于这个业务域下的某个数据集里。说到这里也许有人会疑惑，如果淘金币既是应用又是业务，为啥还要区分这两个概念？为什么不是应用既下发配置又组合指标呢？原因很简单，因为业务是可以跨应用的，比如手淘某个业务由于业绩出色，决定扩张，在淘宝特价版App里也要上线。那么这个业务就有两个应用了，且一个在手淘一个在手淘特价版，这里配置下发要区分，但是业务指标很多却是一样的，这种情况下，一个业务两个应用是一个相对优化的解决方案。

前端AB实验链路的设计，就像是对上述两个模型做的一道“完形填空”。我们从平台侧和运行时两个大的方向入手，将上述模型的各个元素及其关系一一布局，并串联形成闭环。

对于第一次入驻AB平台的业务，我们需要进行相关工作空间的注册

• 应用，用于管理实验配置，即配置的整合及推送

• 业务，用于管理实验相关的数据指标

• 场景，分流模型（后面章节详细描述）

创建完工作空间以后，我们开始核心的实验创建链路，这里包含了实验的基本信息的读取，分桶设置(流量分配)。为了进一步降低实验接入的门槛，平台侧在流量分配步骤之后会自动生成前端接入代码，方便前端开发者能快速接入实验。

接下来是创建指标并将指标与实验关联的过程(可以回顾下实验数据模型章节)。然后是实验发布，正式发布前，有一个beta发布环节，beta发布可以理解为实验上线前的一次“非正式”下发，开发者和业务方可以在beta发布后对实验分流、数据及相关业务逻辑进行充分验证后，再正式发布。当然，实验是支持多次发布的，即实验中期业务方可以回到流量分配这一步，重新调控流量比例，并重新发布实验。

我们不妨回顾下上文实验配置模型图中JSSDK的位置，它运行在前端项目中，读取实验配置，实时分流，并根据分流结果返回要渲染的组件。我们再来回顾下实验数据模型，JSSDK在数据这部分要做的工作是什么，答案是实验数据上报。第一，它需要上报分流结果，第二，它需要上报实验所关联的指标数据，即业务要看的实验数据。这么一想我们对于JSSDK要做的事情就比较清晰了，下面我们来聊一聊我们具体的设计方案，及扩展方案。

下图说明了运行时，JSSDK与前端工程及AB平台的关系。先从前端工程说起，我们在工程里引入了一个业务AB实验组件，该组件是AB平台根据用户的配置动态生成的，作为(AB实验相关的)业务组件与页面(或父容器)的衔接器，其核心工作就是读取AB实验所需的参数并传入SDK，以此触发SDK的整个AB实验逻辑。

再来看JSSDK部分(蓝色)，首先从全局来看，我们把JSSDK拆成了两个包：

• 一个是核心(Core)包，封装了通用的核心逻辑如实验配置读取及缓存策略，实验周期控制及分流算法；

• 另一个是接入具体DSL工程的衔接器包(Coupler)，如图所示，它就像是一个AB实验流程的中转站，它实现了一套接口函数，即在特定DSL环境下(如React)的请求、缓存及cookie解析(分流因子)，并将这些接口函数和实验参数一起透传给Core，我们这么设计的目的是实现Core与前端DSL的彻底解耦，这样极大的增加了JSSDK的可扩展性。

在拿到实验参数，及所需的接口函数以后，Core要做的工作就是先获取实验配置，此时Core不会直接去请求实验配置，而是触发版本控制策略，该策略主要是检查远程实验配置的版本号是否更新，若有更新才会去请求配置，否则会读取本地缓存的配置。这份本地缓存的配置是用户第一次触发实验时从CDN请求并缓存下来的，之后每次版本更新，才会重新请求并更新缓存。拿到实验配置后，Core会确认当前事前是否处于实验周期(AB平台侧配置)内，校验通过后才会正式触发分流算法(见下一章节)，然后将分流结果返回给Coupler。

Coupler接着会根据分流结果来判断应该展示哪个对应的业务组件，同时它会将分流结果上报给平台，用户此时已经可以在实验的实时数据报表看到分流数据了，技术同学可以通过实时数据来确认实验是否正常触发。另外，埋点组件会对命中的业务组件做一层封装，这里会传入可供业务组件调用的埋点上报方法，具体的调用我们在AB平台创建实验时，就已经生成好了，前端同学是需要将这些上报实验指标的代码部署到相应的业务即可。这一部分埋点数据是T+1的，业务方可以在平台侧看到相应的实验报表，并分析实验结果。

前端DSL可谓是百家争鸣，为了覆盖所有的前端场景，我们在设计上慎重的考虑了JSSDK的易扩展性。这也是为什么我们在上一节的Rax 1.0方案中，将JSSDK拆成了Core和Coupler两个包，我们的思路是Core封装AB实验的核心逻辑，不依赖任何前端DSL，在Core与前端工程之间引入一个"衔接器"包，来串联起整条链路。这样如下图所示，我们可以通过这样的架构，非常低成本的扩展到React，小程序，Node FaaS等等。同时也具备良好的可维护性。

其实在上一节中也有提到我们是如何做到将核心包(Core)与这些DSL彻底解耦的，我们定义了一套接口规范，然后在"衔接器(Coupler)"包中根据这个规范实现一系列的接口函数，当Core在执行某段逻辑调用这些函数时，根本无需关心其底层用的是哪一个DSL的API。比如对localStorage的操作，React和小程序的API是完全不一样的，所以我们在React和小程序的"衔接器"中按照接口规范各自实现了这样一套对localStorage的处理函数，并透传给Core。

正交和互斥

在第一章节讲实验流量模型的时候我们就提到了场景，我们将一个独立的流量入口定义为场景。我们还举例说，xx应用的首页可以是一个场景，现在我们不妨来拓展下这个例子，xx的首页可能同时运行了多个AB实验：

• 实验一，红包权益弹层有AB两种样式，观测指标是两个弹层的点击率；

• 实验二，页面头部商品模块有AB两种样式，观测指标是模块点击率；

• 实验三，运营投放的营销banner有AB两种设计，透不同利益点，观测指标是banner点击率；

现在的问题是，实验二和实验三都是页面上的模块，我们希望这两个实验同时运行，但不希望它们互相影响，即进入实验二和实验三的流量必须互斥。如何做到呢？对我们而言，场景不仅是一个流量入口，更是一个分流模型，实验在场景里并不是无序放置的，而是通过层(layer)来进行规范。我们可以这么理解，场景是一个纵向的容器，而层是一个横向的容器，实验则按照一定规则放在不同的层里。如下图，实验1独占一层，它与下一层的实验2和实验3是正交关系，即进入实验1的流量，同时也会进入实验2或实验3。我们把实验2和实验3放在同一层，因为我们希望进入实验2的流量不要与进入实验3的流量重叠。这段描述，可以简单总结为，在一个场景里，层与层之间的实验流量正交，层内的实验流量互斥。

实验推全

在上面的模型图中我们还看到一个特殊的层，Launch Layer，这个层用来放被推全的实验分组。比如说，经过线上验证实验1的A组效果明显优于B组，用户在平台侧将A组推至全量，这时候场景内部结构会发生变化，即实验1的A组会从原来的layer被放到这个特殊的Launch Layer里，此时该场景内所有触发实验1的流量将不会再执行分流算法，而是直接返回组A所对应的前端组件。

JSSDK 分流

JSSDK的分流规则遵循上文提到的分流模型，前端AB实验用到分流因子是访问者浏览器cookie下的cna字段，即该用户的web设备id。我们用这个字段来唯一的标识一个用户，其好处是，可以很好的覆盖端内，端外，无线和PC等各种场景，缺点是，同一个用户用不同的web设备来访问前端应用时，有可能会展示不同的分组结果。此外，web设备id无法对判定用户的人群。一种分流因子一定有其局限性，这部分的设计需要是可以扩展的，比如未来可以支持根据用户id，utdid甚至是各种用户自定义分流因子的接入。

回到数据链路，在AB平台设计章节我们聊到了创建数据指标并将指标与实验绑定，在这一步我们会给每一个新创建的数据指标分配一个唯一id(UID)用来标识该指标；在前端工程运行时，分流之后展示相应组件，并触发相关的埋点，如下图所示在埋点参数中，我们会带上日志key，埋点类型，实验参数，即实验发布id和分组id，实验发布id是什么呢？前文提到在实验运行中，我们允许业务重新调控流量比例，并发布实验，也就是说一个实验是可以多次发布的，所以实验发布id可以标识采集到的数据是当前实验的某一次发布；当然我们还会带上标识指标的UID。

平台侧，运行定时的数据任务，该任务会从底表中过滤出实验相关数据，上文提到我们在埋点上报时会上报一个日志key，这个key是SDK与数据侧约定的一个key，用来标记这条记录是实验埋点。因为我们的日志底表每天都有大量的日志写入，这个特殊的日志key可以让我们从底表的各种日志中快速过滤出实验相关的日志。然后我们根据上报的参数对数据进行归类，实验发布ID用来标识某个实验的某一次发布，UID标识指标，然后分桶ID用来标识实验的分组，这样我们就可以得到指标对应的UV和PV，AB实验的报表也就生成了。

前端AB实验还是一块未被充分开垦的土地。我们的应用迭代频繁，但其实我们很少去验证，或者说用科学的方式去验证某一次迭代的真正价值。在大数据崛起的时代，如果我们的每一次迭代不能最终沉淀出数据，而仅仅依靠"经验"恐怕是远远不足够的。前端工程师们，从现在开始我们有了一块阵地，我们应该发挥科学严谨的实验精神，用实验数据去验证迭代，并以此为基础去决策。最后，欢迎感兴趣的朋友进一步交流，可以加我微信MrMarc，期待你的真知灼见。

为你推荐👇👇

前端也能玩 AI，基于 tfjs-node 的高阶前端机器学习平台

关注「Alibaba F2E」

把握阿里巴巴前端新动向