В A/A-тесте вы заметили значимое отличие по инвариантным метрикам — например, по числу пользователей в эксперименте или по распределению платформ. Что это чаще всего означает?

AАудитория «улучшилась» сама по себе: будущие изменения в продукте сработают ещё лучше, фича уже работает
BЕсть проблема в разбиении или измерениях: группы оказались неэквивалентны, и A/A-тест нельзя считать валидным
CЭто допустимая ситуация: инвариантные метрики не влияют на основные выводы, можно запускать настоящий A/B-тест
DДостаточно увеличить выборку и подождать ещё несколько дней: различие в инвариантных метриках исчезнет
Правильный ответ. Расхождение по инвариантным метрикам в A/A-тесте обычно сигнализирует о проблеме в данных или рандомизации.

Разбор

Инвариантные метрики должны оставаться одинаковыми, потому что продукт и логика одинаковы в обоих вариантах. Если они различаются, значит, в группы попали разные типы пользователей или часть данных теряется несимметрично. В этом случае лучше остановиться и починить разбиение или трекинг до запуска настоящего A/B-теста, иначе любой найденный эффект будет смесью реального и шума разбиения.

Проверь себя · 1/3разбор после ответа
В A/A-тесте вы заметили значимое отличие по инвариантным метрикам — например, по числу пользователей в эксперименте или по распределению платформ. Что это чаще всего означает?
Тренировать A/B в Telegram

Ещё вопросы по теме «QA, SRM и раскатка»