内容提要：

1. Claire的独立站遇到一个问题：Explore & Exploit 

2. 用你的大脑模拟算法，让独立站在短期获得高收益本文共约2200字，预计阅读时间3-5分钟。

Claire经营着一家初创品牌公司，有一个面向海外市场的独立站，同时也是名设计师。

目前该独立站的商品A销量不错，该商品的详情页有很好的转化效果。

但同时，设计师出身的她灵感不断。通过用户调研、用户深度访谈、咨询业内专家，Claire收获很多，又设计出了两个版本的详情页卖点说明图文素材。

Claire对自己的设计很满意，但是怕用户调研可能以偏概全；业内专家的背景经验也不是和自己的商品完全同品类，也许经验会水土不服。

于是，Claire去询问两个联合创始人Leon和Ada的意见。Leon是个老派商人；Ada是一个数据科学家。

Leon：“Claire，很幸运啊，没多久就摸到了一个好方案。现在公司还年轻，钱要花在刀刃上，就用老的页面，发挥它的最大价值吧！”

Ada：“新素材很棒啊！不过确实，我们两个代表不了用户。你可以用A/B测试，几个版本的商品详情页同时上线，通过转化效果选一个好的版本啊。基于贝叶斯算法的A/B测试能够得出具有‘置信度’的最佳版本。”

💡 Tip：A/B 测试，通过统计学方法, 验证新创意对于想提升的指标是否起到了效果, 以得出更好的版本。

• 基于统计学, 相较于人肉观察更加科学严谨, 能帮助避免马太效应
• 如果利用贝叶斯统计，则一定程度上便于理解（目前Ptengine中采取的算法） 

这让Claire陷入了两难：

Leon说的没错，对于小公司来说，生存是第一要务。有了收入，才有资本实现自己其他的想法，比如雇佣更专业的人才、研发新的产品、优化包装等等。

Ada的方法虽然奔放、有风险，但是在这样多变和不确定的市场环境下，一切都是短期的——也许一周后，老的页面就没有好转化了。总不能等问题浮出水面了再解决，这样太被动。

而且团队也需要一个一锤定音的数据结论来对齐思路、避免陷入争论、公说公有理、婆说婆有理。A/B测试是一个很科学的方法。

Claire面对的是一个典型的EE问题，Explore & Exploit Problem——探索利用问题。

• 冒险，也就是测试新版本页面，会消耗成本, 而且不一定会带来收益上的提升。最差情况下，甚至不如采取Leon的方案
• 不冒险可能会导致错过新创意可能带来的收益增长。不适应市场变化注定会被淘汰

Leon代表着完全利用，而Ada代表着完全探索。那么，有没有折衷的方法呢？

不如我们做一个类比，看看这个问题怎么解决：

如图：

• 共有5台抽奖机（Claire的不同页面版本）
• 每一台的中奖概率固定（短期内各个版本的转化不变）
• 每一台的中奖概率各不相同（不同页面版本有好有坏）
• 拉动一次摇臂（每有一个用户访问）会有两种结果：中奖/未中奖（转化/未转化）

问：如何在1000次（页面红利期）摇奖机会内，尽可能多的中奖？

这里的EE困境：

• 该拉哪一个?目前中奖率最高的是哪一个？
• 要不试试别的？

请跟着笔者的思路，看看这个方法能不能解决问题：

• 第一阶段：每个抽奖机摇动10次，看看5个抽奖机的概率如何
• 第二阶段：第一阶段抽奖机3的中奖概率最高。那在第二阶段，抽奖机3摇动10次，其他抽奖机摇动5次
• 第三阶段：综合第一阶段和第二阶段，抽奖机2的中奖概率最高。那在第三阶段，抽奖机2摇动15次，其他抽奖机摇动5次
• 以此类推，在每个阶段都综合前一阶段的中奖概率，给中奖概率高的机器更多摇动次数
• 这样的话我们既可以知道哪台抽奖机中奖概率高，并多摇动它；且尽量避免运气因素

如果再精细一些，我们还可以调整每个阶段对与各个抽奖机的摇奖次数，进一步提升中奖次数。

如果你的脑海中模拟了上述几个阶段，那恭喜你！你已经用大脑模拟了一遍强化学习中的Bandit算法，也算是半个算法科学家啦！

💡 Tip：Reinforcement Learning强化学习, 目前人工智能研究的重要方向之一。源于心理学和数学, 在博弈论, 运筹学, 控制论等领域有深入研究。 工业应用: 车辆调度, 生产管理, 推荐系统, 游戏AI 等等。

这样的话，Claire的问题是不是得到了解决呢？通过bandit算法：

• 利用好版本，让Leon满意
• 如果有新的创意加入测试，算法也会给新版本机会，让金子发光，Ada也会很开心

相对于A/B测试，Bandit算法让好版本发挥更大作用。

如图所示，Option A转化最好，绿色代表Option A的生效面积。6天之内Bandit算法自动给Option A更多机会，带来的绿色面积比A/B测试大得多。

当然，算法比我们所说的困难得多。

核心的问题是：上面的抽奖机问题中，在每个阶段，给中奖率高或低的摇奖机多少次机会才更合理？

• 在第二阶段，应该摇动抽奖机3几次更好？其他抽奖机各摇几次？
• 在第三阶段，应该摇动抽奖机2几次更好？其他抽奖机各摇几次？
• 在第n阶段，应该摇动抽奖X几次更好？和第二阶段摇动抽奖机3的次数、第三阶段摇动抽奖机2的次数是否应该相同？

不过这些你都不用担心啦！Ptengine的算法科学家已经开发完成了Bandit智能分流测试功能，将于2023年9月5日，也就是今晚发布内测版本：

如果你希望尝试鱼和熊掌兼得的Bandit，优化独立站、保证效率，欢迎在下方阅读原文处留下联系方式，或者添加Ptengine助手微信～

Ptengine是Ptmind(北京铂金智慧)出品的Martech产品,通过用户分析,可视化结果呈现,与用户个性化自动互动等功能,让营销,运营,产品成为以用户数据为中心的综合一体,实现 营销自动化 需要免费试用Ptengine，
可以添加微信（nanxipeng）直接对接客户经理