获取用户信任及许可：A/B测试最佳做法及数据分(2)

在进行任何 A/B 测试后，开发人员应当计算置信区间，以分析获得的数据。如果所有的应用用户都参与了测试，那么计算置信区间有助于了解真实的选择加入率范畴。

预测选择加入率：预测模型

预测模型会使用数据统计方法预测特定的用户行为。其中有两种模型有助于应用开发人员的 A/B 测试分析：

回归分析能揭示不同变量的关系，可根据预测变量预测结果变量的值。

决策树分析会根据观察到的输入变量情况，预测目标变量的结果。

使用这些数据分析方法，开发人员可以了解哪些变量在预测用户响应时影响力更大。配合特定的背景信息，就能预测一位用户可能做出哪种选择 (选择加入或选择退出)。下面是预测变量的一些示例，供开发人员做训练数据集用：

逻辑回归和决策树分析都是解决分类问题的好方法。如果开发人员认为自己的数据集能以线性方式分为两部分，一部分与选择加入决定有关，另一部分与选择退出有关，那么逻辑回归一般是更好的选择。如果预测变量是连续的，那么也应当选择回归分析。

但是，如果不确定数据集是否线性可分，那么选择决策树更合适。此外，如果数据集不够均衡，或包含许多异常值和缺失值，决策树一般也是更好的选择。

Adjust建议先同时使用两种方法，然后决定哪个模型的效果更好。下一步，可以分别评估每个预测变量的影响力，了解哪些变量 (例如安装类型、地区、人群等) 对用户决策的影响最大。

与用户交流，了解消费者动机

A/B 测试和回归分析会揭示可能提高用户选择加入率的因素，但应用开发人员无法借此了解特定方法为何会奏效，或者某些变量为何比其他变量更重要。要搞清楚这些问题，最终还是要与用户交流，开展深度访谈，将定量研究成果化为实打实的决策路线。无论用户是选择加入还是选择退出，开发人员都应当利用访谈得来的信息，进一步优化动态许可策略。

总结

数据隐私是当今数字行业中最重要的话题。每家公司和企业都应当正视数据隐私，而不是忽视它。归根结底，清晰透明的数据处理方式能帮助应用开发人员建立用户信任，让用户更愿意分享 IDFA。

距离隐私新规落地仅剩几个月的时间了，应用开发人员现在应当开展充分的测试，找到优化许可请求流程的方法。准备得越充分，就越有可能继续与用户保持相互尊重的关系，提高选择加入率。Adjust现正与多位应用开发者紧密合作，基于数据来制定策略，优化用户选择加入率。

在未来的几个月中，请密切关注 Adjust 官网或微信AdjustGmbH，及时了解更多信息。

###

关于Adjust

Adjust是一家全球B2B SaaS公司。公司的创立初衷源自对技术的热情，且诞生于移动经济的中心，目前在全球各地设有16个办公室。

Adjust平台包含移动数据监测、防作弊、网络安全及营销自动化产品。通过这一系列产品，Adjust为使用其服务的35,000个应用提供帮助，让营销变得更简单、更智能、更安全。包括Procter & Gamble、Rocket Internet和腾讯游戏在内的全球领先品牌已经使用Adjust的解决方案来确保预算安全及优化市场表现。

2019年，Adjust获得了欧洲年度最高融资之一，共筹集了近2.3亿美元。

文章来源：《分析测试技术与仪器》 网址: http://www.fxcsjsyyq.cn/zonghexinwen/2021/0301/479.html