عرض مصدر اختبار أ-ب

{{يتيمة|تاريخ=سبتمبر 2021}}

[[ملف:A-B_testing_example.png|تصغير|مثال على اختبار A / B على موقع ويب. من خلال تقديم نسختين من موقع الويب للزائرين بشكل عشوائي يختلفان فقط في تصميم عنصر زر واحد، يمكن قياس الفعالية النسبية للتصميمين.]]
'''اختبار أ-ب أو اختبار A / B''' (بالإنجليزية '''A/B testing''') (المعروف أيضًا باسم '''اختبار الجرافة''' '''bucket testing''' أو '''اختبار التشغيل المنفصل''' '''split-run testing''') هو [[علم المنهج|منهجية]] بحث [[تجربة المستخدم|لاختبار المستخدم]].<ref name="Young2014">{{استشهاد بدورية محكمة|الأخير=Young|الأول=Scott W. H.|عنوان=Improving Library User Experience with A/B Testing: Principles and Process|صحيفة=Weave: Journal of Library User Experience|تاريخ=August 2014|المجلد=1|العدد=1|DOI=10.3998/weave.12535642.0001.101}}</ref> تتكون اختبارات A / B من تجربة عشوائية مع متغيرين، A و B<ref>{{استشهاد بكتاب
| مؤلف1 = Kohavi
| الأول = Ron
| مؤلف2 = Longbotham, Roger
| عنوان = Encyclopedia of Machine Learning and Data Mining
| الفصل = Online Controlled Experiments and A/B Tests
| محرر1 = Sammut
| محرر1-الأول = Claude
| محرر2 = Webb
| محرر2-الأول = Geoff
| ناشر = Springer
| سنة = 2017
| مسار الفصل = http://www.exp-platform.com/Documents/2015%20Online%20Controlled%20Experiments_EncyclopediaOfMLDM.pdf
}}</ref><ref name=":1">{{استشهاد بدورية محكمة|الأخير=Kohavi|الأول=Ron|الأخير2=Thomke|الأول2=Stefan|تاريخ=September 2017|عنوان=The Surprising Power of Online Experiments|مسار= https://hbr.org/2017/09/the-surprising-power-of-online-experiments|صحيفة=Harvard Business Review|صفحات=74–82|مسار أرشيف= https://web.archive.org/web/20210814183956/https://hbr.org/2017/09/the-surprising-power-of-online-experiments|تاريخ أرشيف=2021-08-14}}</ref> وتشمل تطبيق [[اختبار فرضية إحصائية]] أو «اختبار فرضية من عينتين» كما هو مستخدم في مجال [[إحصاء|الإحصاء]]. اختبار A / B هو طريقة لمقارنة نسختين من [[متغير (رياضيات)|متغير]] واحد، عادةً عن طريق اختبار استجابة الشخص للمتغير A مقابل المتغير B، وتحديد أيهما أكثر فعالية.<ref name=":0">{{استشهاد بويب
| مسار = http://www.pardot.com/blog/abcs-ab-testing/
| عنوان = The ABCs of A/B Testing - Pardot
| موقع = Pardot
| لغة = en-US
| تاريخ الوصول = 2016-02-21
|مسار أرشيف= https://web.archive.org/web/20210330041833/https://www.pardot.com/blog/abcs-ab-testing/|تاريخ أرشيف=2021-03-30}}</ref>

== ملخص ==
اختبار A / B هو اختصار لتجربة بسيطة خاضعة للرقابة.<ref name="Young2014" /> حيث تتم مقارنة عينتين (A و B) لمتغير متجه واحد. هذه القيم متشابهة باستثناء شكل واحد قد يؤثر على سلوك المستخدم. تعتبر اختبارات A / B على نطاق واسع أبسط أشكال التجارب الخاضعة للرقابة. ومع ذلك، بإضافة المزيد من المتغيرات للاختبار، يزداد تعقيدها.<ref name=":12">{{استشهاد بكتاب
| DOI = 10.1007/978-1-4899-7687-1_891
| الفصل = Online Controlled Experiments and A/B Testing
| عنوان = Encyclopedia of Machine Learning and Data Mining
| سنة = 2017
| مؤلف1 = Kohavi
| الأول = Ron
| مؤلف2 = Longbotham
| الأول2 = Roger
| صفحات = 922–929
| ISBN = 978-1-4899-7685-7
}}</ref>

تُعد اختبارات A / B مفيدة لفهم تفاعل المستخدم ورضاه عن الميزات عبر الإنترنت مثل ميزة أو منتج جديد.<ref name=":2">{{استشهاد بدورية محكمة|الأخير=Xu|الأول=Ya|الأخير2=Chen|الأول2=Nanyu|الأخير3=Fernandez|الأول3=Addrian|الأخير4=Sinno|الأول4=Omar|الأخير5=Bhasin|الأول5=Anmol|عنوان=From Infrastructure to Culture: A/B Testing Challenges in Large Scale Social Networks|صحيفة=Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining|تاريخ=10 August 2015|صفحات=2227–2236|DOI=10.1145/2783258.2788602}}</ref> تستخدم مواقع [[وسائل تواصل اجتماعي|الوسائط الاجتماعية]] [[لينكد إن|الكبيرة مثل LinkedIn]] و[[فيسبوك|Facebook]] و[[إنستغرام|Instagram]] اختبار A / B لجعل تجارب المستخدم أكثر نجاحًا وكوسيلة لتبسيط خدماتهم.<ref name=":2" />

اليوم، تُستخدم اختبارات A / B أيضًا لإجراء تجارب معقدة على مواضيع مثل [[تأثير الشبكة|تأثيرات الشبكة]] عندما يكون المستخدمون غير متصلين، وكيف تؤثر الخدمات عبر الإنترنت على إجراءات المستخدم، وكيف يؤثر المستخدمون على بعضهم البعض.<ref name=":2" /> تستخدم العديد من المهن البيانات من اختبارات A / B. وهذا يشمل مهندسي البيانات والمسوقين والمصممين ومهندسي البرمجيات ورجال الأعمال.<ref name=":42">{{استشهاد بكتاب
| مؤلف1 = Siroker
| الأول = Dan
| مسار = https://books.google.com/books?id=VfVvAAAAQBAJ&q=A/B%20Testing&pg=PT13
| عنوان = A / B Testing: The Most Powerful Way to Turn Clicks Into Customers
| مؤلف2 = Koomen
| الأول2 = Pete
| تاريخ = 2013-08-07
| ناشر = John Wiley & Sons
| ISBN = 978-1-118-65920-5
|مسار أرشيف= https://web.archive.org/web/20210817043106/https://books.google.com/books?id=VfVvAAAAQBAJ&q=A/B%20Testing&pg=PT13|تاريخ أرشيف=2021-08-17}}</ref> تعتمد العديد من الوظائف على البيانات المأخوذة من اختبارات A / B، لأنها تتيح للشركات فهم النمو وزيادة الإيرادات وتحسين رضا العملاء.<ref name=":42" />

الاختيار A قد يكون هو الإصدار المستخدم حاليًا (وبالتالي تشكيل المجموعة الضابطة)، بينما الاختيار B فيحتوي تعديل في بعض النواحي مختلفًا عن A. على سبيل المثال، في أحد مواقع التجارة الإلكترونية، [[مخروط الشراء|يعد مسار الشراء]] مرشحًا جيدًا لاختبار A / B، نظرًا لأنه حتى الانخفاضات الهامشية في معدلات الانسحاب يمكن أن تمثل مكسبًا كبيرًا في المبيعات. يمكن أحيانًا رؤية التحسينات المهمة من خلال اختبار العناصر مثل نسخ النص والتخطيطات والصور والألوان،<ref>{{استشهاد بويب
| مسار = http://www.webics.com.au/blog/google-adwords/split-testing-guide-for-online-retailers/
| عنوان = Split Testing Guide for Online Stores
| تاريخ = August 27, 2012
| ناشر = webics.com.au
| تاريخ الوصول = 2012-08-28
|مسار أرشيف= https://web.archive.org/web/20210303181237/https://www.webics.com.au/blog/google-adwords/split-testing-guide-for-online-retailers/|تاريخ أرشيف=2021-03-03}}</ref> ولكن ليس دائمًا. في هذه الاختبارات، يرى المستخدمون واحدًا فقط من نسختين، لأن الهدف هو اكتشاف أيهما أفضل.<ref name=":3">{{استشهاد بدورية محكمة|الأخير=Kaufman|الأول=Emilie|تاريخ=2014|عنوان=On the Complexity of A/B Testing|مسار= http://proceedings.mlr.press/v35/kaufmann14.pdf|المجلد=35|عبر=JMLR: Workshop and Conference Proceedings|bibcode=2014arXiv1405.3224K|arxiv=1405.3224|مسار أرشيف= https://web.archive.org/web/20210707144220/http://proceedings.mlr.press/v35/kaufmann14.pdf|تاريخ أرشيف=2021-07-07}}</ref>

يشبه [[إحصاء متعدد المتغيرات|الاختبار متعدد المتغيرات]] أو الاختبار متعدد الحدود اختبار A / B، ولكنه قد يختبر أكثر من نسختين في نفس الوقت أو يستخدم المزيد من عناصر التحكم. اختبارات A / B البسيطة غير صالحة [[رصد|لحالات الملاحظة]] أو [[شبه تجربة|شبه التجريبية]] أو غيرها [[دراسة بالملاحظة|من المواقف غير التجريبية]] - وهي شائعة مع بيانات المسح والبيانات غير المتصلة بالإنترنت والظواهر الأخرى الأكثر تعقيدًا.

يزعم البعض أن اختبار A / B هو تغيير في الفلسفة واستراتيجية الأعمال في منافذ معينة، على الرغم من أن النهج مطابق للتصميم بين الموضوعات، والذي يستخدم بشكل شائع في مجموعة متنوعة من تقاليد البحث.<ref name="wired">{{استشهاد بويب
| مسار = https://www.wired.com/business/2012/04/ff_abtesting/
| عنوان = The A/B Test: Inside the Technology That's Changing the Rules of Business &#124; Wired Business
| تاريخ = 2000-02-27
| موقع = Wired.com
| تاريخ الوصول = 2014-03-18
| الأخير = Christian
| الأول = Brian
|مسار أرشيف= https://web.archive.org/web/20140317101247/http://www.wired.com:80/business/2012/04/ff_abtesting|تاريخ أرشيف=2014-03-17}}</ref><ref>{{استشهاد بويب
| مسار = https://www.wired.com/wiredenterprise/2012/05/test-everything/
| عنوان = Test Everything: Notes on the A/B Revolution &#124; Wired Enterprise
| موقع = Wired.com
| تاريخ الوصول = 2014-03-18
| الأخير = Christian
| الأول = Brian
|مسار أرشيف= https://web.archive.org/web/20140316061405/http://www.wired.com:80/wiredenterprise/2012/05/test-everything|تاريخ أرشيف=2014-03-16}}</ref><ref>{{استشهاد بويب
| مسار = http://boingboing.net/2012/04/26/ab-testing-the-secret-engine.html
| عنوان = A/B testing: the secret engine of creation and refinement for the 21st century
| تاريخ = 2012-04-26
| ناشر = Boing Boing
| تاريخ الوصول = 2014-03-18
| الأخير = Cory Doctorow
|مسار أرشيف= https://web.archive.org/web/20200924221629/https://boingboing.net/2012/04/26/ab-testing-the-secret-engine.html|تاريخ أرشيف=2020-09-24}}</ref> إن اختبار A / B كفلسفة لتطوير الويب يجعل المجال يتماشى مع حركة أوسع نحو [[ممارسة قائمة على أدلة|الممارسة القائمة على الأدلة]]. من فوائد اختبار A / B أنه يمكن إجراؤه بشكل مستمر على أي شيء تقريبًا، خاصة وأن معظم برامج أتمتة [[تسويق|التسويق]] تأتي عادةً مع القدرة على تشغيل اختبارات A / B على أساس مستمر.

=== إحصائيات الاختبار الشائعة ===
«الاختبارات الفرضية المكونة من عينتين» مناسبة لمقارنة العينتين حيث يتم تقسيم العينات على حالتي التحكم في التجربة. تعد اختبارات Z مناسبة لمقارنة الوسائل في ظل ظروف صارمة فيما يتعلق بالطبيعية والانحراف المعياري المعروف. [[اختبار-تي للطالب|تعد اختبارات t للطالب]] مناسبة لمقارنة الوسائل في ظل ظروف مريحة عند افتراض أقل. يُعد اختبار Welch t هو الأقل، وبالتالي فهو الاختبار الأكثر استخدامًا في [[اختبار فرضية إحصائية|اختبار فرضية من عينتين]] حيث يتم تحسين متوسط المقياس. في حين أن [[متوسط (إحصاء)|متوسط]] المتغير المطلوب تحسينه هو الاختيار الأكثر شيوعًا [[مقدر|للمقدر]]، يتم استخدام البعض الآخر بانتظام.

للمقارنة بين [[توزيع ثنائي الحدين|توزيعين ذي حدين]] مثل نسبة [[نسبة النقر|النقر إلى الظهور،]] قد يستخدم المرء اختبار فيشر الدقيق.
{| class="wikitable"
!التوزيع المفترض
! مثال الحالة
! اختبار قياسي
! الاختبار البديل
|-
| [[توزيع احتمالي طبيعي|جاوس]]
| [[متوسط الإيرادات لكل مستخدم|متوسط العائد لكل مستخدم]]
| اختبار ويلش (اختبار T غير المزاوج)
| [[اختبار-تي للطالب|اختبار الطالب]]
|-
| [[توزيع ثنائي الحدين|ذات الحدين]]
| [[نسبة النقر|معدل النقر]]
| اختبار فيشر الدقيق
| اختبار برنارد
|-
| [[توزيع بواسون|بواسون]]
| المعاملات لكل مستخدم يدفع
| اختبار إلكتروني<ref>{{استشهاد بدورية محكمة|DOI=10.1016/S0378-3758(02)00408-1|عنوان=A more powerful test for comparing two Poisson means|صحيفة=Journal of Statistical Planning and Inference|المجلد=119|صفحات=23–35|سنة=2004|الأخير=Krishnamoorthy|الأول=K.|الأخير2=Thomson|الأول2=Jessica}}</ref>
| اختبار سي
|-
| متعدد الحدود
| عدد كل منتج تم شراؤه
| [[اختبار مربع كاي|اختبار مربع تشي]]
|
|-
| مجهول
|
| [[مقياس مان-ويتني|اختبار مان ويتني يو]]
| أخذ عينات جيبس
|}

== التاريخ ==
مثل معظم الموضوعات، يعد تحديد تاريخ لظهور طريقة جديدة أمرًا صعبًا. حدثت أول تجربة عشوائية مزدوجة التعمية لتقييم فعالية دواء في عام 1835.<ref>{{استشهاد بدورية محكمة|الأخير=Stolberg|الأول=M|عنوان=Inventing the randomized double-blind trial: the Nuremberg salt test of 1835|صحيفة=Journal of the Royal Society of Medicine|تاريخ=December 2006|المجلد=99|العدد=12|صفحات=642–643|DOI=10.1258/jrsm.99.12.642|PMID=17139070|pmc=1676327}}</ref> بدأت تجربة الحملات الإعلانية، التي تمت مقارنتها باختبار A / B الحديث، في أوائل القرن العشرين.<ref>[https://www.convertize.com/what-is-ab-testing/ "What is A/B Testing."] Convertize. Retrieved 2020-01-28. {{Webarchive|url=https://web.archive.org/web/20200817215345/https://www.convertize.com/what-is-ab-testing/|date=2020-08-17}}</ref> استخدم رائد الإعلان [[كلود س. هوبكينز|كلود هوبكنز]] القسائم الترويجية لاختبار فعالية حملاته. ومع ذلك، فإن هذه العملية، التي وصفها هوبكنز في إعلانه العلمي، لم تتضمن مفاهيم مثل [[دلالة إحصائية|الدلالة الإحصائية]] [[فرضية العدم|وفرضية العدم]]، والتي يتم استخدامها في [[اختبار فرضية إحصائية|اختبار الفرضيات الإحصائية]].<ref>[https://www.investors.com/news/management/leaders-and-success/claude-hopkins-scientific-advertising-bio/ "Claude Hopkins Turned Advertising Into A Science."] Retrieved 2019-11-01. {{Webarchive|url=https://web.archive.org/web/20210810111651/https://www.investors.com/news/management/leaders-and-success/claude-hopkins-scientific-advertising-bio/|date=2021-08-10}}</ref> تم تطوير الأساليب الإحصائية الحديثة لتقييم أهمية بيانات العينة بشكل منفصل في نفس الفترة. أنجز ويليام سيلي جوسيت هذا العمل في عام 1908 عندما قام بتغيير Z-test لإنشاء [[اختبار-تي للطالب|اختبار t للطالب]].<ref>{{استشهاد بويب
| مسار = http://blog.gembaacademy.com/2007/06/20/how-beer-influenced-statistics/
| عنوان = Brief history and background for the one sample t-test
|مسار أرشيف= https://web.archive.org/web/20200924221352/https://blog.gembaacademy.com/2007/06/20/how-beer-influenced-statistics/|تاريخ أرشيف=2020-09-24}}</ref><ref>{{استشهاد بدورية محكمة|الأخير=Box|الأول=Joan Fisher|عنوان=Guinness, Gosset, Fisher, and Small Samples|مسار=https://archive.org/details/sim_statistical-science_1987-02_2_1/page/45|صحيفة=Statistical Science|تاريخ=1987|المجلد=2|العدد=1|صفحات=45–52|DOI=10.1214/ss/1177013437}}</ref>

مع نمو الإنترنت، أصبح هناك طرق جديدة متاحة لأخذ عينات من الناس. أجرى مهندسو Google أول اختبار أ / ب في عام 2000 في محاولة لتحديد العدد الأمثل للنتائج التي سيتم عرضها على صفحة نتائج محرك البحث الخاصة بها.<ref name="مولد تلقائيا2">{{استشهاد بويب
| مسار = http://www.pardot.com/blog/abcs-ab-testing/
| عنوان = The ABCs of A/B Testing - Pardot
| تاريخ الوصول = 2016-02-21
| موقع = Pardot
| لغة = en-US
| مسار أرشيف = https://web.archive.org/web/20210330041833/https://www.pardot.com/blog/abcs-ab-testing/
| تاريخ أرشيف = 2021-03-30
}}</ref> لم ينجح الاختبار الأول بسبب مواطن الخلل التي نتجت عن أوقات التحميل البطيئة. لاحقًا، ستكون أبحاث اختبار A / B أكثر تقدمًا، لكن الأساس والمبادئ الأساسية تظل كما هي، وفي عام 2011، بعد 11 عامًا من اختبار Google الأول، أجرت Google أكثر من 7000 اختبار A / B مختلف.<ref name=":0" />

في عام 2012، قام موظف من شركة [[مايكروسوفت|Microsoft]] يعمل على محرك البحث [[مايكروسوفت بينغ|Microsoft Bing]] بإنشاء تجربة لاختبار طرق مختلفة لعرض عناوين الإعلانات. في غضون ساعات، أنتج التنسيق البديل زيادة في الإيرادات بنسبة 12٪ دون أي تأثير على مقاييس تجربة المستخدم.<ref name=":1" /> اليوم، تجري كل من الشركات مثل Microsoft و Google أكثر من 10000 اختبار A / B سنويًا.<ref name=":1" />

تستخدم العديد من الشركات الآن نهج «التجربة المصممة» لاتخاذ قرارات التسويق، مع توقع أن تكون نتائج العينات ذات الصلة يمكن أن تحسن نتائج التحويل الإيجابية.  إنها ممارسة شائعة بشكل متزايد حيث تنمو الأدوات والخبرات في هذا المجال. 

== أمثلة ==

=== التسويق عبر البريد الإلكتروني ===
قررت شركة لديها [[قاعدة بيانات]] عملاء تتكون من 2000 شخص إنشاء حملة [[بريد إلكتروني]] برمز خصم من أجل تحقيق مبيعات من خلال موقعها على الويب. يقوم بإنشاء نسختين من البريد الإلكتروني مع عبارة مختلفة للحث على اتخاذ إجراء (جزء النسخة الذي يشجع العملاء على فعل شيء ما - في حالة حملة البيع، قم بالشراء) وتحديد الرمز الترويجي.

* أرسلت إلى 1000 شخص رسالة بريد إلكتروني تتضمن عبارة تحث المستخدم على اتخاذ إجراء تفيد بأن «العرض ينتهي يوم السبت! استخدم الرمز A1»،
* وإلى 1000 شخص آخر، أرسلت رسالة بريد إلكتروني تتضمن عبارة تحث المستخدم على اتخاذ إجراء، «سينتهي العرض قريبًا! استخدم الرمز B1».

جميع العناصر الأخرى لنسخة وتخطيط رسائل البريد الإلكتروني متطابقة. تراقب الشركة بعد ذلك الحملة التي حققت معدل نجاح أعلى من خلال تحليل استخدام الرموز الترويجية. حصل البريد الإلكتروني الذي يستخدم الرمز A1 على معدل استجابة 5٪ (استخدم 50 من 1000 شخص عبر البريد الإلكتروني الرمز لشراء منتج)، والبريد الإلكتروني الذي يستخدم الرمز B1 حصل على معدل استجابة 3٪ (استخدم 30 من المستلمين الرمز لـ شراء منتج). لذلك تحدد الشركة أنه في هذه الحالة، يكون النموذج A1 أكثر فاعلية وستستخدمه في المبيعات المستقبلية. قد يتضمن النهج الأكثر دقة تطبيق اختبار إحصائي لتحديد ما إذا كانت الفروق في معدلات الاستجابة بين A1 و B1 [[دلالة إحصائية|ذات دلالة إحصائية]] (أي، من المحتمل جدًا أن تكون الاختلافات حقيقية وقابلة للتكرار وليست بسبب فرصة عشوائية).<ref>{{استشهاد بويب
| مسار = https://developer.amazon.com/public/apis/manage/ab-testing/doc/math-behind-ab-testing
| عنوان = The Math Behind A/B Testing
| مسار أرشيف = https://web.archive.org/web/20150921174256/https://developer.amazon.com/public/apis/manage/ab-testing/doc/math-behind-ab-testing
| تاريخ أرشيف = 2015-09-21
| تاريخ الوصول = 2015-04-12
| الأخير = Amazon.com
}}</ref>

في المثال أعلاه، الغرض من الاختبار هو تحديد الطريقة الأكثر فعالية لتشجيع العملاء على الشراء. ومع ذلك، إذا كان الهدف من الاختبار هو معرفة البريد الإلكتروني الذي سيؤدي إلى زيادة [[نسبة النقر|معدل النقر]]&nbsp;- أي عدد الأشخاص الذين ينقرون فعليًا على موقع الويب بعد تلقي البريد الإلكتروني - فقد تكون النتائج مختلفة.

على سبيل المثال، على الرغم من أن المزيد من العملاء الذين يتلقون الرمز B1 قد وصلوا إلى موقع الويب، نظرًا لأن الرسالة لم تذكر تاريخ انتهاء العرض الترويجي، فقد لا يشعر الكثير منهم بالحاجة الملحة لإجراء عملية شراء فورية. وبالتالي، إذا كان الغرض من الاختبار هو مجرد معرفة البريد الإلكتروني الذي سيجلب المزيد من الزيارات إلى موقع الويب، فقد يكون البريد الإلكتروني الذي يحتوي على الرمز B1 أكثر نجاحًا. يجب أن يحتوي اختبار A / B على نتيجة محددة قابلة للقياس مثل عدد المبيعات التي تم إجراؤها أو تحويل معدل النقرات أو عدد الأشخاص الذين قاموا بالتسجيل.<ref>{{استشهاد بدورية محكمة|الأخير=Kohavi|الأول=Ron|الأخير2=Longbotham|الأول2=Roger|الأخير3=Sommerfield|الأول3=Dan|الأخير4=Henne|الأول4=Randal M.|عنوان=Controlled experiments on the web: survey and practical guide|صحيفة=Data Mining and Knowledge Discovery|تاريخ=February 2009|المجلد=18|العدد=1|صفحات=140–181|DOI=10.1007/s10618-008-0114-1}}</ref>

=== اختبار A / B لتسعير المنتج ===
يمكن استخدام اختبار A / B لتحديد السعر المناسب للمنتج، قد تكون هذه إحدى أصعب المهام عند إطلاق منتج أو خدمة جديدة.

يعد اختبار A / B (صالحًا بشكل خاص للسلع الرقمية) طريقة ممتازة لمعرفة نقطة السعر وتقديم أقصى قدر من إجمالي الإيرادات.

=== اختبار A / B السياسي ===
لا تُستخدم اختبارات A / B للشركات فقط، ولكنها أيضًا تقود [[حملة سياسية|الحملات السياسية]]. في عام 2007، استخدمت [[حملة باراك أوباما الرئاسية عام 2008|حملة باراك أوباما الرئاسية]] اختبار A / B كوسيلة لجذب الانتباه عبر الإنترنت وفهم ما يريد الناخبون رؤيته من المرشح الرئاسي.<ref name=":42" /> على سبيل المثال، اختبر فريق أوباما أربعة أزرار مميزة على موقع الويب الخاص بهم دفعت المستخدمين إلى الاشتراك في النشرات الإخبارية. بالإضافة إلى ذلك، استخدم الفريق ست صور مصاحبة مختلفة لجذب المستخدمين. من خلال اختبار A / B، كان الموظفون قادرين على تحديد كيفية جذب الناخبين بشكل فعال وكسب اهتمام إضافي.<ref name=":42" />

=== توجيه HTTP واختبار ميزة API ===
[[ملف:HTTP_AB_Testing.png|يسار|تصغير| موجه HTTP مع اختبار A / B]]
اختبار A / B شائع جدًا عند نشر إصدار أحدث من API.<ref name="usenex18_one">{{استشهاد بويب
| مسار = https://www.usenix.org/sites/default/files/conference/protected-files/lisa18_slides_szucs.pdf
| عنوان = Modern HTTP Routing
| سنة = 2018
| ناشر = Usenix.org
| الأخير = Szucs
| الأول = Sandor
|مسار أرشيف= https://web.archive.org/web/20210901185744/https://www.usenix.org/sites/default/files/conference/protected-files/lisa18_slides_szucs.pdf|تاريخ أرشيف=2021-09-01}}</ref> لاختبار تجربة المستخدم في الوقت الفعلي، يتم تكوين [[البروكسي المعكوس|وكيل]] [[بروتوكول نقل النص الفائق|HTTP]] [[نموذج الربط البيني للأنظمة المفتوحة|Layer-7]] ''Reverse بطريقة أن N'' ٪ من حركة مرور HTTP تنتقل إلى الإصدار الأحدث من مثيل الواجهة الخلفية، بينما تصل نسبة ''100-N'' ٪ المتبقية من حركة مرور HTTP الإصدار الأقدم (المستقر) من خدمة تطبيق HTTP الخلفية.<ref name="usenex18_one" /> يتم ذلك عادةً للحد من تعرض العملاء لمثيل خلفي أحدث، بحيث إذا كان هناك خطأ في الإصدار الأحدث، فإن ''N'' ٪ فقط من إجمالي وكلاء المستخدم أو العملاء يتأثرون بينما يتم توجيه الآخرين إلى خلفية ثابتة، والتي هي آلية شائعة للتحكم في الدخول.<ref name="usenex18_one" />

== التجزئة والاستهداف ==
تطبق اختبارات A / B بشكل شائع نفس المتغير (على سبيل المثال، عنصر واجهة المستخدم) باحتمالية متساوية لجميع المستخدمين. ومع ذلك، في بعض الظروف، قد تكون الاستجابات للمتغيرات غير متجانسة. وهذا يعني أنه في حين أن المتغير «أ» قد يكون له معدل استجابة أعلى بشكل عام، فإن المتغير «ب» قد يكون له معدل استجابة أعلى ضمن شريحة معينة من قاعدة العملاء.<ref>{{استشهاد بويب
| مسار = http://online-behavior.com/testing/advanced-ab-testing-tactics-1356
| عنوان = Advanced A/B Testing Tactics That You Should Know &#124; Testing & Usability
| ناشر = Online-behavior.com
| مسار أرشيف = https://web.archive.org/web/20140319000032/http://online-behavior.com/testing/advanced-ab-testing-tactics-1356
| تاريخ أرشيف = 2014-03-19
| تاريخ الوصول = 2014-03-18
}}</ref>

على سبيل المثال، في المثال أعلاه، يمكن أن يكون تفصيل معدلات الاستجابة حسب النوع كما يلي:
{| class="wikitable" style="text-align:right"
!النوع (ذكر أو أنثى)
! شاملة
! رجال
! نساء
|-
! إجمالي عمليات الإرسال
| 2000
| 1,000
| 1,000
|-
! إجمالي الردود
| 80
| 35
| 45
|-
! البديل أ
|{{كسر|50|1,000}} (5٪)
|{{كسر|10|500}} (2٪)
|{{كسر|40|500}} (8٪)
|-
! البديل ب
|{{كسر|30|1,000}} (3٪)
|{{كسر|25|500}} (5٪)
|{{كسر|5|500}} (1٪)
|}
في هذه الحالة، يمكننا أن نرى أنه بينما كان للمتغير أ معدل استجابة أعلى بشكل عام، كان للمتغير ب معدل استجابة أعلى مع الرجال.

نتيجة لذلك، قد تختار الشركة إستراتيجية مجزأة نتيجة لاختبار A / B، وإرسال البديل B إلى الرجال والمتغير A إلى النساء في المستقبل. في هذا المثال، ستؤدي الإستراتيجية المجزأة إلى زيادة معدلات الاستجابة المتوقعة من <math display="inline">5\% = \frac{40 + 10}{500 + 500}</math> إلى <math display="inline">6.5\% = \frac{40 + 25}{500+500}</math> - تشكل زيادة بنسبة 30٪.

إذا كان من المتوقع الحصول على نتائج مجزأة من اختبار A / B، فيجب تصميم الاختبار بشكل صحيح في البداية ليتم توزيعه بالتساوي عبر سمات العميل الرئيسية، مثل النوع. وهذا يعني أن الاختبار يجب أن يحتوي على [[اعتيان|عينة تمثيلية]] من الرجال مقابل النساء، وأيضا تعيين الرجال والنساء بشكل عشوائي لكل «متغير» (البديل أ مقابل البديل ب). قد يؤدي عدم القيام بذلك إلى [[انحياز|تحيز]] التجربة واستخلاص استنتاجات غير دقيقة من الاختبار.<ref>{{استشهاد بويب
| مسار = http://drjasondavis.com/2013/09/12/eight-ways-youve-misconfigured-your-ab-test/
| عنوان = Eight Ways You've Misconfigured Your A/B Test
| تاريخ = 2013-09-12
| ناشر = Dr. Jason Davis
| تاريخ الوصول = 2014-03-18
|مسار أرشيف= https://web.archive.org/web/20210427204616/http://drjasondavis.com/2013/09/12/eight-ways-youve-misconfigured-your-ab-test/|تاريخ أرشيف=2021-04-27}}</ref>

يمكن تعميم نهج التقسيم والاستهداف هذا ليشمل سمات متعددة للعملاء بدلاً من سمة عميل واحدة&nbsp;- على سبيل المثال، سن العملاء- لتحديد أنماط أكثر دقة التي قد تكون موجودة في نتائج الاختبار.

== انظر أيضًا ==

* [[تحكم متكيف|التحكم التكيفي]]
* [[نمذجة الاختيار|اختيار النمذجة]]
* ماكينات الألعاب المتعددة
* اختبار متعدد المتغيرات
* [[تجربة منضبطة معشاة|تجربة معشاة ذات شواهد]]
* [[ضبط علمي|الرقابة العلمية]]
* اختبار الإحصائية

== المراجع ==
{{مراجع}}
{{شريط بوابات|التجارة|رياضيات|علم الحاسوب}}

[[تصنيف:أبحاث السوق]]
[[تصنيف:اختبار البرمجيات]]
[[تصنيف:تجارب]]