A/B 테스트 톺아보기

Reference : 7 A/B Testing Questions and Answers in Data Science Interviews

🚥 Before a Test — Not Every Idea Is Worth Testing

• A/B 테스트는 훌륭한 도구지만 모든 아이디어를 테스트할 순 없음

  • 테스트 비용이 높거나, Early phase에 있는 회사들은 리소스에 제약이 있기 때문

• 샘플 인터뷰 질문

  E-커머스 웹페이지가 있고, 전환율을 증가시키기 위한 몇 개의 아이디어가 있다고 가정하자.
  복수의 아이템을 체크아웃 가능하게 하거나, 비회원에게도 체크아웃을 허용하거나, "구매" 버튼의 크기와 색을 변경하는 등의 아이디어가 있다.
  당신이라면 어떤 아이디어에 투자할 지 어떻게 정할 것인가?

  • 한 가지 방법으로는 과거 데이터에 대해 양적 분석(Quantitative Analysis)을 수행하여 각 아이디어에 대한 기회 평가(Opportunity Sizing)를 하는 것
  • 만약 매우 적은 수의 사용자만이 한 개 이상의 아이템을 구매한다면 복수의 아이템을 체크아웃하는 기능은 개발 비용 대비 가치가 없음
    • 오히려 사용자들의 구매 행동을 조사하여 왜 복수의 아이템을 구매하지 않는지 알아보는 것이 더 중요함
  • 이러한 분석들이 A/B 테스트를 할만한 좋은 후보들을 고르는 방향을 제시함
  • 다각도 평가를 위해선 질적 분석(Qualitative Analysis)를 수행할 수도 있음
    • 포커스 그룹을 선정하여 피드백을 얻고, 이런 피드백이 사용자의 페인 포인트나 선호도에 대한 인사이트를 제공해 줌

🖌 Designing A/B Tests

⏰ How long to run a test?

• 테스트 수행 기간을 정하기 위해서는 테스트를 위한 샘플 사이즈를 알아야 하며, 요구되는 파라미터는 다음과 같음
  • Type II 에러율 $\beta$ 또는 Power ($1-\beta$)
  • 유의 수준 $\alpha$
  • 최소 검출 가능 효과 (Minimum detectable effect, MDE)
• The rule of thumb for sample size is the following, where $\sigma$ is the sample variance and $\delta$ is the difference betwen treatment and control.

• 샘플 사이즈와 파라미터간 관계는 다음과 같음
  • $\sigma$가 크면 샘플이 더 필요하고, $\delta$가 크면 적은 샘플로도 충분함
  • $\sigma$는 존재하는 데이터로 계산할 수 있으나 $\delta$는 미리 계산할 수 없음
    • 이를 위해 마지막 파라미터인 MDE가 필요함
• Minimum Detectable Effect
  • 실무에서 효과를 거둘 수 있는 최소 수치를 의미함
  • 실험에서 수익률 0.1% 상승을 MDE로 설정할 수는 있지만, 실제로는 여러 이해관계자들과 논의를 통해서 정해야 함
• 샘플 사이즈를 알게 되었다면 샘플 사이즈를 사용자 수로 나눠 테스트 수행 기간을 구할 수 있음
  • 일반적으로 2주 정도는 테스트하길 권장하지만 데이터를 더 수집할 수 있다면 길 수록 좋음

👨‍👩‍👧‍👦 Inference between control and treatment groups

• 일반적으론 실험군(Treatment Group)과 대조군(Control Group)을 임의 선택하여 분리함
  • 각 사용자들이 독립적이라는 가정을 하지만 때때로 이 독립 가정은 성립하지 않음
  • 특히 페이스북, 링크드인, 트위터와 같은 소셜 네트워크나 우버, 리프트(Lyft), 에어비앤비와 같은 양면 시장(two-sided markets)에서 나타남
• 샘플 인터뷰 질문

회사 X는 사용자당 포스트 등록 수를 높이기 위해 새로운 기능을 추가하여 이를 테스트하고 싶다.
그들은 사용자를 임의로 실험군과 대조군으로 나누었다. 실험은 포스트 수 관점으로 1% 더 높게 나타났다.
그렇다면 새로운 기능을 모든 사용자에게 런칭하였을 때 어떤 현상이 나타날 것으로 예상되는가?
1%와 동일한 효과일지, 아니라면 그보다 많을지 혹은 적을지 생각해보시오. (Novelty effect는 없다고 가정함)

• 질문에 대한 대답은 1%보다 클 것으로 예상된다.
  - 일종의 출시 후 효과 (Post-launch Effect)로 볼 수 있음
  • 소셜 네트워크의 경우
    • 사용자의 행동은 그들의 소셜 서클(Social Circle) 내의 다른 사람들에게 많은 영향을 받음
      • 네트워크 효과 (Network Effect)라고 부름
    • 이런 경우, 대조군 내의 사용자들이 실험군 내의 사용자에게 영향을 받게 됨
    • 실험군과 대조군의 차이가 실제 실험군 내에 발생하는 효과를 과소평가하게 됨 → 테스트보다 더 큰 효과가 발생함
  • 양면 마켓의 경우
    • 실험군과 대조군 사이의 간섭은 처치 효과(Treatment effect)를 평가할 때 편향을 야기함
      • 실험군과 대조군 사이의 리소스가 서로 공유되기 때문
      • 예를 들어 새로운 제품이 실험군 내의 운전수를 더 모으면, 반대로 대조군의 운전수이 줄어들게 됨
    • 소셜 네트워크의 경우와 반대로 실제 실험군 내에 발생하는 효과를 과대평가하게 됨 → 테스트보다 더 작은 효과가 발생함

🧩 How to deal with interference?

• 그렇다면 실험군과 대조군 사이간 발생하는 파급효과(Spillover)를 방지할 수 있는 테스트를 디자인하려면 어떻게 해야할까?

승객들에게 쿠폰을 제공하는 새로운 기능을 준비하고 있다.
탑승 시 금액을 줄임으로써 탑승 수를 늘리는 것이 목적인데, 새로운 기능의 효과를 평가할 수 있는 테스트 전략을 개략적으로 설명하시오.

• 결국 주된 목적은 실험군과 대조군 내의 사용자들을 고립(isolate)시키는 것

  • 소셜 네트워크의 경우

    • 네트워크 클러스터 (Network Cluster) 생성

      • 그룹 외부의 사용자보다 그룹 내부의 사용자들과 더 상호작용할 수 있는 클러스터를 생성하면 됨

        Detecting interference: An A/B test of A/B tests

      • Ego-cluster randomization

  • 양면 마켓의 경우

    • 지리 기반 랜덤화 (Geo-based randomization)
      • 지역 기반으로 실험군과 대조군을 나누는 방법으로, 각 그룹 내의 사용자를 고립시킬 수 있으나, 오히려 그룹간 편차가 높아질 수 있는 리스크가 있음 ← 각 마켓은 고객의 행동, 경쟁 업체 등으로 인해 매우 다른 성향을 나타내기 때문
    • 시간 기반 랜덤화 (Time-based randomization)
      • 자주 쓰이진 않음
      • 이 방법은 처치 효과가 일시적으로 발생할 때 효과를 볼 수 있음

📊 Analyzing Results

🎭Novelty and Primacy Effects

• 테스트 후 발생할 수 있는 현상

  • 초두 효과 (Primacy Effect)
    • 사용자들이 기존 제품/방식에 익숙하고 변화를 꺼려하여 발생하는 효과
  • 신기 효과 (Novelty Effect)
    • 변화를 좋아하고 기존 제품/방식보다 새로운 기능을 선호하여 발생하는 효과
  • 그렇다고 해서 두 효과가 긴 시간 동안 지속되는 것은 아님 → 사용자의 행동 패턴이 안정화되기 때문
    • A/B 테스트가 처음에 크고 작은 효과가 발생하더라도 초두 효과나 신기 효과에 의한 것일 수 있음

• 샘플 인터뷰 질문

새로운 기능을 위해 A/B 테스트를 수행하였고, 새로운 기능이 긍정적인 효과를 보여 모든 사용자에게 해당 기능을 제공하였다.
하지만 일주일 후, 처치 효과가 급격하게 감소하는 것을 발견하였다.
이유는 무엇인가?

• 신기 효과 때문임

• 잠재적인 이슈에는 어떻게 대처해야 하는가?

  • 이러한 효과의 가능성을 완전히 배제하는 것도 한 가지 방법임
    • 예를 들어 처음 제품을 사용하는 사용자들에 대해서만 테스트를 할 수도 있음
      (제품을 처음 사용하기 때문에 두 효과에 영향을 받지 않기 때문)
    • 만약 수행 중인 테스트가 있고, 결과에 초두 효과나 신기 효과가 있는지 분석하고 싶다면
      • 대조군 내의 신규 사용자의 결과와 실험군의 결과와 비교하여 신기 효과를 평가할 수 있음
      • 신규 사용자의 결과와 실험군 내 기존 사용자의 결과를 분석하여 두 효과의 영향을 실제로 평가할 수 있음

🧮 Multiple Testing Problem

• 종종 모든 기능들 중 최선을 찾기 위해 3개 이상의 변화를 주어 테스트하기도 함

  • 실험군이 하나보다 많은 상황 → 결과 검정 시 유의 수준을 단순하게 0.05로 맞출 수 없음

• Multiple Testing Problem

  • 실험군이 두 개 이상인 경우, False Discovery 확률이 높아짐

• 샘플 인터뷰 질문

  방문 페이지에 대해서 열 개의 서로 다른 버전을 가지고 테스트하고 있다.
  하나의 실험군이 p-value 0.05 미만으로 우수한 결과를 보였다.
  해당 실험군의 버전으로 페이지를 바꿀 것인가?

  • Multiple Testing Problem으로 인해 바꾸어선 안됨

• Multiple Testing Problem 해결 방법

  • Bonferroni Correction
    • 유의 수준 0.05를 테스트 개수로 나눔
      • 샘플 인터뷰 질문의 경우에는 유의 수준이 0.005가 됨
    • 다만 보수적인 경향이 있다는 단점이 있음
  • False Discovery Rate (FDR)
    • $FDR = \mathbb{E}\text{[\# of false positive / \# of rejections]}$
    • 건수가 많을 때 유효한 방법

⚖️ Making Decisions

• A/B 테스트 후 통계 검정까지 완료하여 모든 사용자에게 새로운 기능을 제공하게 되더라도 간혹 모순적인 결과(Contradicting Results)가 발생함
• 샘플 인터뷰 질문

A/B 테스트 후, 원하던대로 CTR이 증가하는 결과를 얻었으나 노출 횟수(impression)이 감소하는 것을 확인하였다.
어떤 의사결정을 내릴 것인가?

• 실제 제품 출시에 대한 의사 결정은 매우 복잡할 수 밖에 없음
  • 구현 복잡도, 프로젝트 관리 공수, 고객 지원 비용, 유지보수 비용, 기회 비용 등을 모두 고려해야 함