51la统计系统：访客被分配到不同版本时怎样识别样本污染
📱 Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)
🔗 /9abc0a51e2fe.html
📄
51la统计系统：访客被分配到不同版本时怎样识别样本污染
先给结论：当同一批访客被随机或半随机地分配到两个版本，而你在51la统计系统里按汇总口径比较转化时，样本污染最可能来自版本标识没有真正隔离——要么同一访客在统计中被重复计入两个版本，要么分流规则本身把不同来源、不同设备的人分到了不同组。识别它的第一步不是看转化率差多少，而是看两组的访客构成是否可比。
先确认污染是"人重复"还是"组不可比"
样本污染有两种性质完全不同的成因，处理方式也不同。
- 个体重复计入：同一个访客先看到A版，之后又触发B版的统计事件，于是他在两个版本里各留下一条记录。这种污染会让两组样本互相渗透，稀释真实差异。
- 组间构成失衡：分流没有随机到位，比如新访客都进了A版、老访客都进了B版，或者某个渠道的流量整批落到同一组。此时每个人只被计入一次，但两组本来就不是同一类人。
区分方法很直接：在51la统计系统里按访客标识（如独立访客或访客ID）去重后，统计同时出现在两个版本记录里的访客数量。如果这个数量明显大于零，属于第一种；如果接近零而两组的来源、设备、新老访客比例差异明显，属于第二种。
用可核查的证据链判断污染程度
不要只凭转化率高低下结论，因为转化差异既可能来自版本效果，也可能来自污染。可以按下面的顺序取证：
- 导出两个版本各自的访客明细，按访客标识排序，标记同时出现在两份明细中的标识。
- 统计这些重叠标识占各组访客的比例，作为重复计入的规模估计。
- 分别比较两组的流量来源、设备类型、新访客占比。若某一维度差异集中，说明分流规则可能按该维度倾斜。
- 查看版本标识是在进入页面时写入、还是在转化事件触发时写入。写入时机不一致，是重复计入的常见来源。
需要说明的是，重叠访客数量为零，并不能单独证明分流干净。它也可能意味着访客标识本身不稳定（例如每次会话重新生成），导致同一人被当成不同人。这时应改用更稳定的标识维度复核，而不是直接认定没有污染。
保留、改写还是退出：三种取舍的适用前提
识别出污染后，是否继续用这批数据，取决于污染规模和你的决策容错度。
保留并修正适用于重叠访客占比很低、且组间构成差异可以量化和校正的情况。做法是在分析时剔除重叠访客，或按来源、设备做分层比较，而不是直接比较汇总转化。前提是你有足够样本支撑分层后的比较，否则修正后的结论依然不稳。
改写分流与统计口径适用于污染来自机制而非偶发。具体动作是统一版本标识的写入时机，确保访客在首次进入时就被固定分配，并在51la统计系统中让版本维度与访客标识绑定，而不是与某次页面浏览绑定。改完后需要重新积累一段数据，旧数据只能作为参考，不能与新数据直接拼接比较。
退出这轮比较适用于重叠比例高、或组间构成差异大到无法分层校正的情况。此时继续解读转化差异，很可能把分流缺陷误读成版本效果。退出的代价是损失已积累的观察期，收益是避免基于污染数据做出错误改版决策。
一个假设例子：重叠访客如何改变结论
假设某页面A版有1000名访客、转化50次，B版有1000名访客、转化70次，表面看B版更好。但去重后发现两个版本共有200名重叠访客，且这200人在两版中都偏向完成转化。剔除重叠访客后，A版按800人、B版按800人重新计算，差异可能明显缩小甚至反转。这个例子只说明比较方法：重叠访客占比越高，汇总转化率越不可信。实际处理时，重叠访客的转化行为是否特殊，需要用他们各自的记录去核对，不能默认他们一定偏高或偏低。
把识别结果转成下一步动作
完成上述核对后，你会得到两个关键数字：重叠访客占比，以及组间构成差异最大的维度。如果重叠占比低而构成差异集中在某个来源，下一步应检查分流规则是否对该来源失效，而不是急着改版本内容。如果重叠占比高，下一步应优先修复版本标识的写入逻辑，再决定是否重跑比较。只有当两组在去重后仍可比，版本之间的转化差异才值得作为改版依据。这个判断顺序能避免你在污染未排除时，把分流问题当成效果问题处理。
