一、A/B Test 概念
什么是AB Test?
1)我们先通过一张图来了解系统的概念，做一做铺垫：系统，就是将多个输入转化成输出的中间过程(图中的输入，也称为变量)。ps：有数学背景的同学，可以把系统理解成一个多元函数y=f(x1,x2,x3)。
2)然后基于系统图导出控制变量法
由于影响系统输出的输入变量有多个，如果我们需要考察其中某一个输入变量(比如输入1)对系统输出的影响时;我们需要在保持输入2和输入3不变的前提下，改变输入1，然后观察输出的变化，从而确定输入1对输出的影响;这就是控制变量法，核心是控制其他变量不变，排除其交叉影响，单独观察某一个变量对结果的影响。
3)再基于控制变量法引出对照组的概念
当我们保持输入2和输入3不变，单独改变输入1时，我们需要在样本中确定有多大比例的样本(不)需要改变输入1，由此按比例随机抽样、从而形成两个相互对比的样本(改变输入1的一般称为实验组，不改变输入1的称为对照组)。
4)最后回到我们的核心概念AB Test
AB test就是通过随机抽样设置对照组和实验组，A是对照组，B是实验组，AB两组占比由实际场景决定(任意一组的占比一般不能太低，要满足统计学意义)，加起来是100%。
由于是随机抽样，AB两组一开始是完全相同的样本;然后，改变一个变量，使得B相对A来说只有一个变量不同，从而可以将该变量单独拎出来、观察它对输出结果的影响：
对照组方法，是科学研究中用途极广的方法，有着坚实的统计学理论支撑;产品部门经常用到对照组方法，产品部一般称为AB Test，这种叫法比较通用，为方便交流，本文采用此种叫法;风控部门也经常用到对照组方法，一般称为“冠军挑战者”。
二、A/B Test 适用场景
以下我们针对常用的几个场景，给出基于AB test的解决方案，给大家展示AB test在风控中的典型应用场景、应用方式及其效果，希望大家能够举一反三，在自己的工作中能用上。
AB test方法应用灵活、基于实际场景千变万化，也有一些需要避免的问题，整个AB test机制包括需求分析、机制设计、数据分析、策略调整等，是一个完整的闭环。
场景一：无法确定策略调整的效果，找不到策略调整的方向
问题剖析：评估策略效果的指标大家都很明确，而无法明确效果，究其原因，是因为影响风控指标的输入变量有多个，包括客群质量、时间、风险策略等;而策略只是其中的一个变量，调整策略变量的同时，其他变量可能同时发生改变，因此无法确切评估策略的调整对风控指标的影响。至于策略的调整方向，AB两套策略的差异点你是完全知道的，这个差异是造成最终逾期率不同的唯一原因，找到其中大头的差异点，就是本次调整的方向。
场景二：已经明确要调整的具体规则，目前有多个方案，无法确认哪个方案最优
问题剖析：已经知道要收紧的具体的规则了，但是有多种收紧方案，在策略流程上，是前紧，还是前松后紧，着实让人无法抉择;因为在风险策略人员的视野里，不仅仅只有通过率、逾期指标;还有征信成本、数据信息量等其它纬度的考量因素。
解决方案：直接对确定调整的规则进行A/B Test 即可。
总结一下，策略的AB test机制，是一个很好的导航系统和说理工具，作为导航系统，它让策略人员在调整策略的时候，知道自己的方向，因此明明白白;作为说理工具，它让策略人员在展示自身工作对全局影响的时候，听众心服口服。
天眼数聚api接口大全以大数据为基础，覆盖人脸身份核实、运营商、银行卡、车辆、医疗、智能识别等，为企业用户提供多维度、全方位的数据API服务;目前已服务近万家企业，涵盖了教育、游戏、电商、物流、金融、保险、支付、出行等数十个领域，同时公司在数据采集、模型算法、机器学习等领域具有较强的技术优势，所推出的基于业界领先算法模型的活体检测、人脸身份证识别接口等智能识别服务广受好评。
