（13862期）Ab Testing – 科学实验设计 · 数据驱动决策

科学实验设计 · 数据驱动决策 结构化AB测试全流程指导，覆盖假设设计、随机化方案、伦理合规与结果分析，适合产品迭代与数据驱动决策场景。 使用说明 核心用法 AB Testing Skill 提供四阶段结构化工作流：①明确假设与核心指标；②设计随机化方案与实验计划；③执行验证与伦理审查；④分析结果、决策迭代。强调主动确认触发条件，根据用户偏好灵活切换结构化或自由式协助。 显著优点 流程标准化：将复杂实验拆解为可检查的阶段，降低遗漏关键步骤的风险 风险前置意识：明确要求声明约束条件与失败模式，而非事后补救 伦理合规内嵌：将伦理审查嵌入Stage 3，而非附加环节 退出机制灵活：尊重用户偏好，可一键切换为非结构化协助 潜在局限 对快速探索性分析（exploratory）场景可能过于重量级 未覆盖特定领域的统计方法细节（如多重比较校正、序贯检验） 依赖用户主动提供上下文（规模、环境、截止时间），否则建议可能泛化 适合人群 产品经理、数据分析师、增长工程师 需要向利益相关方汇报实验设计/结果的技术团队 首次建立实验规范或准备审计复盘的组织 常规风险 指标选择偏差：若核心指标与业务目标错位，实验结论可能误导决策 随机化失效：流量分配漏洞或网络效应未识别将导致因果推断失效 伦理与隐私：用户分组可能涉及敏感属性，需提前合规审查 过早停止：缺乏预定义决策规则易导致"偷窥数据"型假阳性 原始说明 Experiment design, metrics, ethics, and analysis. Use when running product experiments responsibly.