作为一种对照实验方法，A/B 测试通过比较两个 (或多个) 不同版本之间的差异来验证假设是否正确。该方法将特定测试组从实验其余部分中独立出来，从而得出可靠结果。在被测人不知情且测试场景真实的情况下，A/B 测试得出的结果最为有效。
为使每个版本的样本群体具有代表性，A/B 测试..随机让用户使用版本 A 或版本 B，或者将其排除在测试之外。测试..须要确保用户在整个测试周期中体验一致 (总是 A 或总是 B)，并向分析..提供额外元数据以确定对指标的影响。一旦完成指标分析并确定最佳版本，您可以通过 A/B 测试..向所有用户逐步推广获胜版本。
譬如，您建立假设 “与应用中的标签相比， 底部导航能更好地提高用户参与度”。为此，您可以设计一个 A/B 测试来比较标签 (版本 A) 和底部导航 (版本 B)。接着，测试..会生成一个用户基础样本，并将样本内用户随机分配使用版本 A 或版本 B，， 同时保证每位用户在测试期间将一直使用被分配到的版本。在测试结束时，您可比较两个版本的用户参与度，观察版本 B 的参与度是否显著高于版本 A。若版本 B 的数值更高，这说明数据支持您选用底部导航设计，并向所有用户推广这一版本。
△ 左边 : 版本 A, 标签；右边 : 版本 B, 底部导航
关于 Google Play 管理中心中商店资讯实验的说明
Google Play 管理中心还支持对应用的商店资讯进行 A/B 测试，本文对此不加赘述。商店资讯实验能让您测试不同的图标、功能图、推广视频、简短描述和详细描述，观察应用的安装量是否随之增加。商店资讯实验侧重提高用户转换率，而本文的余下部分则着重讨论应用内 A/B 测试对安装后指标的影响，如用户存留率，用户参与度和应用内购买营收。
1. 建立假设
2. 整合 A/B 测试..
3. 测试假设
4. 分析并得出结论
5. 采取措施
此外，本文还会稍微谈一下您可能会用到的高级技巧。
Step 1 - 建立假设
假设是对某种现象提出的解释，而 A/B 测试则是用来鉴定假设是否正确的一种方法。假设的建立可能基于对现有数据的检查，也可能更具猜测性，或者是仅凭“直觉”得出来的 (对于涉及新指标的新功能，此类“直觉”性假设往往更为常见)。在上文提到的导航例子中，可以建立如下假设：“弃用标签，改用底部导航可增加用户参与度”。接下来，您可以根据作出相关决定 —— 对应用导航风格作出何种改变 (如果可以改变的话) 以及这个改变对用户参与度又会带来哪些影响。要记住这个要点：测试的唯一目的是验证底部导航对每用户平均营收 (即 ARPU) 有直接的积极影响。
要测试什么 (A 是什么？B 又是什么？等等)
下面的表格列举了大致场景，可以帮助您如何决定选择测试版本。以我们假设的导航实验为例：
△ “从测试中排除” 这一列表示不参与测试的用户；他们的行为不计于测试结果。详情请参照下文 “测试谁“ 板块。
