平台概览
ABetterChoice（ABC） 是为游戏工作室与互联网产品打造的一体化实验与配置平台。它把「让什么用户看到什么」与「这个改动到底有没有效」这两件事整合到同一个产品里——你不再需要在 A/B 实验工具、参数管理后台、数据分析工具之间切换。 
ABC 帮你回答的三个问题
| 问题 | 平台对应的能力 |
|---|---|
| 「哪个版本更好？」 | 通过多种实验类型做受控对比，统计引擎给出可信结论 |
| 「谁受益最多？」 | 因果推断（HTE）能识别不同人群对同一改动的差异化反应 |
| 「如何安全发布？」 | 云控配置支持渐进发布、灰度铺量与一键回滚，无需发版 |
与独立的 A/B 测试工具不同，ABC 把从「假设 → 实验 → 分析 → 部署」的完整决策闭环放在同一个平台。
平台四大模块
| 模块 | 解决的问题 |
|---|---|
| 实验（Experiments） | 用对照实验验证产品改动是否真有效——支持分层实验、配置实验、MAB 多臂老虎机实验 |
| 云控配置（Remote Config） | 不发版就能改参数、改文案、调奖励——服务端实时下发，秒级生效 |
| 受众（Audiences） | 把「高付费用户」「日本新用户」这类人群定义成可复用对象，实验和配置直接按名字引用 |
| 统计与分析（Statistics） | 把「数据涨了」翻译成「是否真的有效」——内置 CUPED、FDR、SRM、HTE 等业界主流方法 |
核心能力一览
实验能力
通过受控实验科学验证方案效果，用统计显著性而非直觉做决策。
| 实验类型 | 简介 | 最佳适用场景 |
|---|---|---|
| 分层实验（Layer Experiment） | 基于层与域架构隔离流量，多个实验可在独立流量空间内并行运行 | 大多数 A/B 场景，尤其是需要多个实验同时跑且互不污染时 |
| 配置实验（Config Experiment） | 把云控参数绑定到实验，对不同受众同时以 100% 流量独立运行，实验结束后结果自动写回配置 | 多地域 / 多人群精细化运营调优 |
| MAB 实验 | 多臂老虎机算法，运行过程中自动把更多流量分配给表现更好的组 | 多变体快速择优、时效性强的运营活动 |
云控配置
在服务端实时管理参数，无需发版即可更新。通过规则引擎向不同人群下发不同值，按流量比例渐进发布。
| 能力 | 简介 |
|---|---|
| 参数管理 | 支持 String / Number / Boolean / JSON 四种类型，可设默认值 |
| 规则与定向 | IF / ELSE IF / ELSE 多级规则链，按受众和流量比例命中 |
| 流量发布 | 1% → 100% 渐进式铺量，降低全量风险 |
| 变更审计 | 每次变更自动记录，支持版本对比与一键回滚 |
统计与分析
| 能力 | 简介 |
|---|---|
| 方差减少（CUPED） | 利用实验前协变量降低指标方差，更少样本更快收敛 |
| FDR 多重比较修正 | 多指标场景下控制假阳性，避免「看多了总能看到显著」 |
| 贝叶斯推断 | 提供后验概率与可信区间，适合小样本和连续决策 |
| 下钻分析（Explore） | 按维度拆解效果，定位贡献正/负向的子群体 |
| HTE 异质性分析 | 识别不同人群的差异化反应，回答「对谁有效」 |
HTE 是 ABC 区别于主流竞品的差异化能力——主流 A/B 工具普遍不具备原生因果推断。
分流质量保障
| 能力 | 简介 |
|---|---|
| 双 Hash 分流 | 双层哈希保证分组随机均匀，从源头消除选择偏差 |
| SRM 检测 | 实时监控样本比率失配，异常立即告警 |
| AA / AB 回溯（Backtrack） | 实验前后数据质量诊断，识别异常根因 |
我该从哪里开始
按角色入门：
| 你是…… | 建议路径 |
|---|---|
| 产品经理 / 运营 | 快速开始→云控配置概览→实验概览 |
| 数据分析师 | 实验概览→解读结果→《统计方法》 |
| 工程师 / SDK 接入 | 快速开始Step 2 → SDK 接入文档 →层域说明 |