试验性面板 experimentation-panel
通过 试验 面板，分析师可以比较不同的用户体验、营销或消息传递变化，以确定哪一种最能推动特定结果。 您可以从任何试验平台评估任何A/B试验的提升和置信度：在线、离线、Target或Journey Optimizer等Adobe解决方案，甚至BYO（自带）数据。
详细了解Adobe Customer Journey Analytics与Adobe Target之间的集成。
访问控制 access
试验面板可供所有Customer Journey Analytics用户使用。 不需要管理员权限或其他权限。但是，前提条件要求只有管理员才能执行的操作。
计算量度中的函数
提供了两个高级函数：提升和置信度。 有关详细信息，请参阅参考 - 高级函数。
先决条件
要使用试验面板，请确保遵循以下先决条件：
创建与试验数据集的连接
建议的数据架构将试验数据放在对象数组中，该数组在两个单独的维度中包含试验数据和变体数据。 两个维度都必须位于 单个 对象数组中。 如果您的试验数据位于单个维度中（试验数据和变体数据位于分隔字符串中），则可在数据视图中使用子字符串设置将该维度一分为二以用于面板中。
将试验数据🔗引入Adobe Experience Platform后，在Customer Journey Analytics中创建与一个或多个试验数据集的连接。
在数据视图中添加上下文标签
在Customer Journey Analytics数据视图设置中，管理员可以将上下文标签添加到维度或量度，并且Customer Journey Analytics服务（如试验面板）可以使用这些标签。 试验面板使用两个预定义标签：
- 试验试验
- 试验变体
在包含试验数据的数据视图中，选择两个维度，一个包含试验数据，另一个包含变量数据。 然后用 试验试验 和 试验变体 标签标记这些维度。
试验变体和试验变体的
如果没有这些标签，则由于没有试验可使用，因此“试验”面板不工作。
使用
要使用 试验 面板：
面板输入
要使用“试验”面板，请执行以下操作：
-
配置面板输入设置：
table 0-row-2 1-row-2 2-row-2 3-row-2 4-row-2 5-row-2 6-row-2 设置 定义 日期范围 根据在所选试验的Customer Journey Analytics中收到的第一个事件，自动设置试验面板的日期范围。 如果需要，可以将日期范围限制或扩展到更具体的时间范围。 试验 向最终用户展示的一组体验变体，用于确定哪一种变体最好永久保留。 试验由两个或多个变量组成，其中一个变量视为控制变量。该设置预先填充了数据视图中已标记为 试验 标签的维度，以及过去3个月的试验数据。 控件变体 最终用户体验中的两种或多种变化中的一种，并会为了确定更好的替代方案而对其进行比较。必须选择一个变量作为控制变量，并且只能将一个变量视为控制变量。 该设置预先填充了数据视图中已标记为 变量 标签的维度。 此设置将会调出与此试验相关的变量数据。 成功量度 ➊ 用户正在与变量进行比较的一个或多个量度。转换量度（最高或最低）具有最理想结果的变量被声明为试验的 最佳性能变量。 最多可添加 5 个量度。 标准化量度 ➋ 运行测试的基础（人员、会话或事件）。 例如，测试可能会比较几种变体的转化率，其中 转化率 计算为“页面查看” 包含置信度上/下限 启用此选项可显示置信水平的上限和下限。 -
选择 生成。
面板输出
试验面板会返回一组丰富的数据和可视化图表，帮助您更好地了解试验的执行情况。在面板顶部，提供了摘要更改可视化图表以提醒您选择的面板设置。 您可以随时通过选择右上方的编辑铅笔来编辑面板。
您还可以获得一份文本摘要，其中会指出试验是否具有结论性，并会总结结果。结论性基于统计显着性（请参阅统计方法）。您可以看到具有最高提升和置信度的最佳性能变量的摘要数字。
对于您选择的每个成功量度，将显示自由格式表可视化图表和转化率折线图可视化图表。
解释结果
-
试验有结论：每次查看试验报告时，都会分析到目前为止在试验中积累的数据。 当 anytime 的有效置信度超过 至少一个 变量的95%阈值时，分析将宣布试验具有结论性。 对于双臂以上的情况，采用Benjamini-Hochberg校正方法对多重假设检验进行校正。
-
最佳性能变量：当一项试验被宣布为具有结论性时，具有最高转化率的变量会被标记为最佳性能变量。 请注意，此变量必须是控制变量或基线变量，或者是超过95% anytime 有效置信阈值的变量之一（应用Benjamini-Hochberg校正）。
-
转化率：显示的转化率是成功量度值➊与标准化量度值的比➋率。 请注意，如果量度不是二进制的（试验中的每个单位为1或0），则此值可以大于1
-
提升：试验报告摘要显示超过基线的部分，这是对给定变量转换率超过基线的改进百分比的衡量。 精确地来说，它是给定变量与基线之间的性能差异除以基线的性能，并以百分比表示。
-
置信度：显示的随时有效置信度是一种概率度量，可表明有多少证据能够表明给定变量与控制变量相同。 置信度越高，表明支持控制变量和非控制变量具有相同性能的假设的证据越少。置信度是一种概率（以百分比表示），您会发现给定变量和控制变量之间的转化率差异较小。 实际上，真实的潜在转化率没有区别。 就 p 值而言，显示的置信度为1-p-值。
Adobe 的统计方法 statistics
为了提供易于解释且安全的统计推断，Adobe 采用了基于随时有效置信序列（Anytime Valid Confidence Sequences）的统计方法。
置信序列是置信区间的 连续 模拟。 为了理解置信序列的含义，请设想您重复试验一百次。 计算每个进入试验的新用户 的平均业务量度（例如电子邮件的打开率）的估计值及其相关的95%置信序列。
95%置信度序列包括您运行的100次实验中的95次实验中业务量度的“真”值。 （每个试验只能计算一次95%置信区间，以提供相同的95%覆盖率保证；而不是针对每个新用户）。 因此，通过使用置信序列，您可以连续监控试验，而不会增加误报错误率，即这些序列允许“窥视”结果。
解释非随机维度 non-randomized
Customer Journey Analytics允许分析人员选择任何维度作为试验。 但是，当选择的实验维度不是随机人员的维度时，您如何解释该分析？
例如，以用户看到的广告为例。 如果您决定向人员显示 广告B 而不是 广告A，则您可能有兴趣测量某些量度的变化（例如，平均收入）。 显示广告B（而不是广告A）的因果关系对于做出营销决策至关重要。 如果您使用显示广告B的替代策略替换了显示广告A的现状，则此因果效应可以测量为整个群体的平均收入。
A/B测试是行业内客观衡量此类干预效果的黄金标准。 A/B测试产生因果估计的关键原因是，接收可能变体之一的人员随机化。
现在，考虑一个不是通过随机化实现的维度，例如，人的美国状态。 主要来自纽约和加利福尼亚两个州。 由于地区天气差异，冬衣品牌在两个州的平均销售收入可能有所不同。 在这种情况下，天气可能是冬季服装销售背后的真正因果因素，而不是人的地理状态不同这一事实。
通过Customer Journey Analytics中的“试验”面板，可按人员的各个状态的平均收入差异分析数据。 在这种情况下，产出没有因果解释。 然而，这种分析可能仍然有意义。 它提供了按各州划分的平均收入差异的估计（以及不确定性的衡量标准）。 此值也称为 统计假设验证测试。 此分析的输出可能很有趣，但不一定可操作。 仅仅因为您尚未随机化，有时也无法随机化人员以显示该维度的可能值之一。
下图比较了这两种情况：
如果想衡量干预措施X对结果Y的影响，那么两者真正的原因可能是混淆因素C。如果数据不是通过X上的随机化实现的，影响更难测量，并且分析明确说明了C。随机化打破了X对C的依赖，让我们不必担心其他变量就可以测量X对Y的影响。
在实验中使用计算量度。 use-in-experimentation
并非所有计算量度都与试验面板兼容。
包含以下任何量度或常量的计算量度与试验面板不兼容：
- 来自摘要数据集的基本量度
- 基本量度彼此相除或相乘（例如，
Revenue/Orders） - 添加到基本量度或从基本量度减去的常量（例如，
Revenue+50） - 以下任一基本量度：
- 人员
创建计算量度时，与“试验”面板不兼容的计算量度在 产品兼容性 字段中的Customer Journey Analytics（不包括试验）处具有值 Everywhere。 有关创建计算量度的信息，请参阅生成量度。
在试验面板中使用计算量度
请参阅这篇博客帖子，了解有关在试验面板🔗中使用计算量度的的信息。