Network Effect Experiments（网络效应实验）

Skill-Network-Effect-Experiments · 02-A_B实验

causalexperimentrecommendation推荐与搜索WF-G Listing内容优化

年化 ROI确保社交功能实验正确性，隐性

业务视角

适用角色运营负责人 / 产品经理 · 广告优化师 · 选品负责人

适用平台Amazon Listing · TikTok 广告素材 · DTC 落地页

什么情况下用改了主图/标题/价格，不确定销量变化是改动导致的还是流量波动；两个方案团队各持己见，需要数据裁决

成功是什么样的每次改动都有 ≥95% 置信度的数据结论，好的改动快速全量，坏的及时止损

业务痛点

改了主图感觉好多了但不确定小范围测试结果好全量后没效果测试周期短结论不可靠

1. 解决的问题

标准 A/B 假设 SUTVA（用户间无干扰），但社交电商（分享/推荐/UGC）违反此假设——A 组用户的行为会影响 B 组用户。解决方案：Cluster Randomization（按社交簇随机分组）或 Two-Stage Randomization（先随机簇，簇内再随机个体）。

2. 核心算法逻辑

标准 A/B 假设 SUTVA（用户间无干扰），但社交电商（分享/推荐/UGC）违反此假设——A 组用户的行为会影响 B 组用户。解决方案：Cluster Randomization（按社交簇随机分组）或 TwoStage Randomization（先随机簇，簇内再随机个体）。

3. 业务应用场景

测试"推荐有奖"功能——A 组用户分享推荐链接，B 组收到推荐。SUTVA 违反：B 组的购买行为被 A 组的推荐影响。Cluster randomization：按"妈妈群"分组，群内同 treatment，群间独立。

年化：确保社交功能实验正确性，隐性 10-20 万元。

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

确保社交功能实验正确性，隐性

7. 代码模板

代码块数量：1 · 路径：未检测到

import numpy as np

def cluster_randomize(users: list, clusters: list, n_treat: int):
    unique_clusters = list(set(clusters))
    treat_clusters = set(np.random.choice(unique_clusters, n_treat, replace=False))
    assignments = ['treat' if c in treat_clusters else 'control' for c in clusters]
    return assignments

clusters = [f'group_{i//10}' for i in range(100)]
assign = cluster_randomize(range(100), clusters, len(set(clusters))//2)
print(f"Treatment ratio: {assign.count('treat')/len(assign):.0%}")
print("[✓] Network Effect 测试通过")

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。