[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-ab-testing::ru":3,"gloss-cluster-ab-testing::ru":26,"gloss-next-ab-testing::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"ab-testing","analytics","A\u002FB-тестирование","A\u002FB-тест сравнивает две версии опыта, случайно распределяя пользователей между ними и измеряя заранее выбранную метрику. Именно рандомизация делает сравнение причинным: раз распределение не зависит от того, кто пользователь, любое систематическое расхождение в результате относится к изменению, а не к тому, что группы изначально были разными. В этом вся ценность, и этого не дают сравнения «до и после», ведь сезонность, маркетинговая активность и продуктовые изменения сами по себе двигают цифры. Честный запуск требует нескольких решений, принятых заранее. Выберите одну основную метрику и минимальный эффект, который имеет смысл обнаружить, и по ним посчитайте необходимую длительность: тест, срок которого определяют после появления данных, — это поиск удобного момента остановки. Ведите его целыми деловыми циклами, обычно полными неделями, потому что будни и выходные ведут себя по-разному. Заранее определите, какие вторичные метрики служат ограничителями, чтобы рост конверсии, сопровождаемый ростом возвратов, не был записан в победы. И проверьте, что распределение действительно сработало: неравные размеры групп — обычный признак ошибки в инструментировании, обесценивающей результат. Главное практическое ограничение — трафик. Большинство изменений даёт малые эффекты, а малым эффектам нужны большие выборки, поэтому продукты с низким трафиком часто просто не могут различить интересующую их разницу. В таком случае выстраивать изменения последовательно, проверять более крупные гипотезы или опираться на качественные данные честнее, чем запускать заведомо слабый тест и читать его исход.","A\u002FB-тест случайно делит пользователей и связывает изменение метрики с самим изменением: что зафиксировать до запуска и почему малый трафик ограничивает выводы.",null,[11,14,17,20,23],{"slug":12,"name":13},"champion-challenger","Чемпион–претендент (A\u002FB-тестирование моделей)",{"slug":15,"name":16},"conversion-rate-optimization","Оптимизация конверсии (CRO)",{"slug":18,"name":19},"feature-flag","Feature-флаг (Feature Flag)",{"slug":21,"name":22},"product-analytics","Продуктовая аналитика",{"slug":24,"name":25},"statistical-significance","Статистическая значимость",[27,31,35,38,41,44,47,50,53,56,59,62],{"slug":28,"category":5,"name":29,"updated_at":30},"active-user","Активный пользователь (DAU, WAU, MAU)","2026-08-24T02:46:38+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"autocapture","Автозахват (Autocapture)","2026-08-24T02:46:37+00:00",{"slug":36,"category":5,"name":37,"updated_at":30},"cost-per-resolution","Стоимость решения обращения (cost per resolution)",{"slug":39,"category":5,"name":40,"updated_at":34},"customer-data-platform","Платформа клиентских данных (CDP)",{"slug":42,"category":5,"name":43,"updated_at":30},"deflection-rate","Доля самообслуживания (deflection rate)",{"slug":45,"category":5,"name":46,"updated_at":30},"guardrail-metric","Метрика-ограничитель",{"slug":48,"category":5,"name":49,"updated_at":34},"identity-resolution","Разрешение идентичности (Identity Resolution)",{"slug":51,"category":5,"name":52,"updated_at":34},"multi-touch-attribution","Многоканальная атрибуция (Multi-Touch Attribution)",{"slug":54,"category":5,"name":55,"updated_at":30},"novelty-effect","Эффект новизны",{"slug":57,"category":5,"name":58,"updated_at":34},"retention-curve","Кривая удержания (Retention Curve)",{"slug":60,"category":5,"name":61,"updated_at":30},"sample-ratio-mismatch","Расхождение долей выборки (SRM)",{"slug":63,"category":5,"name":64,"updated_at":30},"seat-utilization","Утилизация лицензий (seat utilization)"]