AB测试对于产品和运营优化的重要性有目共睹。为了能更快的得到试验结果，试验流量越大越好。

但是当流量不够的时候怎么办呢？小流量AB测试能不能做？能！下面有多个节约流量的方法。

消除异常数据的影响

当点击量作为指标时，有时会看到少量设备贡献了数万的点击。这些设备可能是出了bug处于异常状态，也可能是在运行自动化测试，总之不会是正常的业务数据。如果将这些数据计入统计结果，将会对结果的准确性产生很大的影响。严重的情况只能重做试验，相当于本次试验流量全浪费掉了。所以极端用户的数据不进行统计，实践中让点击量最大的1%用户数据不参与计算。

正确统计进入试验的用户数

转化漏斗中的每个步骤都可以进行AB测试。假设在转化漏斗的第3层的页面进行AB测试，在统计试验UV的时候，比较科学的方法是将进入到该页面的用户统计为试验UV，而不是所有访客。如果没进入该页面的用户也统计为试验UV，则会稀释试验数据。下面举个例子看一下稀释的效果。

AB测试需要样本量的经验公式为：

δ是希望检测到的最小变化，p为转化率，σ是样本的标准差。

假设到达该页面的访客为10%，该页面转化率为50%，如果想检测出10%的提升（50%提升到55%），根据公式计算大概需要1600试验样本，对应总访客16000。如果把所有访客作为试验样本参与统计，则该种算法下页面转化率为5%（只有原来的十分之一），同样想检测出10%的提升（5%提升到5.5%），则需要30400试验样本，对应总访客也是30400。

这个例子里节约了大概1/2的流量，如果试验页面的转化率更高，前面漏斗的转化率更低，节约效果会更明显。

点击转化率比点击数量更容易获得统计显著的结果

有些场景下，如果认为用户多次点击和单次的点击差别并不大（比如下载，注册，看广告等），可以观察点击转化率指标的统计结果。转化率是去重的，用户只要点击过就计算为1，否则计算为0。同样的试验样本，点击量的标准差是一定大于转化率的。

仍然用上面提到的公式举例：

假设用户点击量的分布为0次20%，1次20%，2次20%，3次20%，4次20%。

则点击量均值为2方差为2，想检测出10%的提升需要800样本量。

转化率为80%，方差为0.16，想检测出10%的提升需要400样本量。

这个例子里节约了1/2的样本量，如果点击量的分布更加分散，节约效果会更明显。

原始版本的流量不要浪费掉

在有些情况下，为了稳妥起见往往只会让一小部分流量（比如总用户的1%）看到试验版本，99%的用户看到原始版本，如果统计试验数据的时候，看到原始版本的用户只挑出和看到试验版本用户数相同的人数（总用户的1%）来参与统计，则另外98%的流量相当于浪费了，他们实际上是对试验有帮助的。当试验版本和原始版本样本数不相同时，有一个计算等效样本数的公式：

N ＝ (1/Ncontrol + 1/Nexperimnet)-1

当Ncontrol＝Nexperimnet时计算得出N＝Nexperimnet／2

如果原始版本（即control版本）的流量全部参与统计，则Ncontrol>>Nexperimnet计算得出N＝Nexperimnet

等效样本数量翻倍了，相当于又节约了1/2的流量。

善用分层试验

想优化的地方太多了，同时跑多个试验是常态，是不是流量就不够用了？如果试验之间互相不会干扰，可以考虑分层试验。分层试验即允许同一个用户同时参加多个试验，通过流量分配的随机算法保证试验结果的代表性。原来流量只能做一个试验，现在不相关的试验可以一起做了，效率成倍增加。

同层试验共用原始版本数据

同层的多个试验，大家的原始版本是完全相同的，分开各自统计显然浪费了数据。以4个试验为例：

如果每个试验有独立的原始版本和试验版本，流量分配都是总流量的1/8，则根据上面提到的等效样本量公式，每个试验的等效样本数为总流量的1/16。如果4个试验的原始版本合并为公共的原始版本（占总流量1/2），则每个试验的等效样本数为总流量的1/10。等效样本量提升了60%。

如果多个AB测试试验优化的是同一指标，还可以进一步的对公共原始版本的流量进行微调。令n为试验数量，则 (Ncontrol/Nexperimnet)2 = n 时等效样本数量达到最大值。n＝4代入得到原始版本占总流量1/3，每个试验版本占总流量1/6，最终每个试验的等效样本数为总流量的1/9。等效样本量又提升了11%。