Реализация кастомной платформы A/B-тестирования на сайте

Представьте: вы запустили A/B-тест через Optimizely, но через неделю заметили, что LCP вырос на 300 мс из-за стороннего скрипта. Или вы не можете получить сырые данные — только агрегированные графики. А стоимость лицензии для 10 000 посетителей — существенные затраты в месяц. Кастомная платформа A/B-тестирования решает все эти проблемы: вы контролируете код, данные и бюджет. Экономия на лицензионных отчислениях может достигать 70%, а окупаемость наступает в течение 3–6 месяцев. К тому же кастомная платформа работает в 2–3 раза быстрее за счёт отсутствия внешних скриптов.

Мы накопили более 5 лет опыта в разработке таких систем для интернет-магазинов с трафиком 1 млн+ посетителей в месяц — более 50 проектов. Наша платформа строится по модульному принципу и легко адаптируется под любую архитектуру.

Преимущества кастомной платформы A/B-тестирования

Готовые инструменты ускоряют старт, но при масштабировании становятся дорогими и негибкими. Кастомная платформа окупается уже на нескольких тестах — в одном из проектов конверсия выросла на 15% после первого эксперимента. При годовом использовании экономия на лицензионных отчислениях может покрыть стоимость разработки в течение нескольких месяцев.

Как мы решаем проблему детерминированного распределения?

Ключевое требование A/B-теста: пользователь всегда должен попадать в один и тот же вариант эксперимента. Для этого мы используем hash-based assignment. Хеш от user_id и названия эксперимента по модулю 100% определяет номер варианта. Результат сохраняется в БД, что гарантирует консистентность при многократных визитах.

Вот схема таблиц для хранения экспериментов и назначений:

CREATE TABLE experiments (
    id SERIAL PRIMARY KEY,
    slug VARCHAR(100) UNIQUE NOT NULL,
    name VARCHAR(255) NOT NULL,
    description TEXT,
    status VARCHAR(20) DEFAULT 'draft', -- draft, running, paused, completed
    traffic SMALLINT DEFAULT 100, -- % трафика, участвующего в эксперименте
    start_at TIMESTAMPTZ,
    end_at TIMESTAMPTZ,
    created_at TIMESTAMPTZ DEFAULT NOW(),
    updated_at TIMESTAMPTZ DEFAULT NOW()
);

CREATE TABLE experiment_variants (
    id SERIAL PRIMARY KEY,
    experiment_id INTEGER REFERENCES experiments(id),
    slug VARCHAR(100) NOT NULL,
    name VARCHAR(255),
    weight SMALLINT DEFAULT 50,
    config JSONB DEFAULT '{}',
    UNIQUE(experiment_id, slug)
);

CREATE TABLE user_assignments (
    user_id BIGINT NOT NULL,
    experiment_id INTEGER REFERENCES experiments(id),
    variant_id INTEGER REFERENCES experiment_variants(id),
    assigned_at TIMESTAMPTZ DEFAULT NOW(),
    PRIMARY KEY (user_id, experiment_id)
);

PHP-сервис реализует детерминированное распределение с использованием crc32 и сохранением в БД:

class ExperimentAssignmentService {
    public function getVariant(int $userId, string $experimentSlug): ?string {
        $experiment = $this->getActiveExperiment($experimentSlug);
        if (!$experiment) return null;
        $existing = $this->assignmentRepo->find($userId, $experiment['id']);
        if ($existing) return $existing['variant_slug'];
        $trafficBucket = $this->hashToBucket($userId, $experimentSlug . '_traffic');
        if ($trafficBucket >= $experiment['traffic']) return null;
        $variantBucket = $this->hashToBucket($userId, $experimentSlug);
        $variant = $this->selectVariant($experiment['variants'], $variantBucket);
        $this->assignmentRepo->assign($userId, $experiment['id'], $variant['id']);
        $this->eventTracker->track($userId, 'experiment.assigned', [
            'experiment' => $experimentSlug,
            'variant' => $variant['slug'],
        ]);
        return $variant['slug'];
    }

    private function hashToBucket(int $userId, string $salt): int {
        $hash = crc32($userId . '_' . $salt);
        return abs($hash) % 100;
    }

    private function selectVariant(array $variants, int $bucket): array {
        $cumulative = 0;
        foreach ($variants as $variant) {
            $cumulative += $variant['weight'];
            if ($bucket < $cumulative) return $variant;
        }
        return end($variants);
    }
}

Трекинг событий в ClickHouse

Мы отправляем все значимые действия пользователя с контекстом эксперимента. Чтобы не замедлять пользовательский опыт, события пишутся асинхронно через очередь.

class ExperimentEventTracker {
    public function track(int $userId, string $event, array $properties = []): void {
        $activeVariants = $this->assignmentRepo->getUserVariants($userId);
        $payload = [
            'event' => $event,
            'user_id' => $userId,
            'session_id' => session_id(),
            'occurred_at' => now()->toIso8601String(),
            'experiments' => $activeVariants,
            'properties' => $properties,
        ];
        $this->queue->push(new TrackExperimentEvent($payload));
    }
}

Данные хранятся в ClickHouse — колоночной СУБД, оптимизированной для аналитических запросов. Это позволяет быстро считать конверсии и строить отчёты даже при миллионах событий.

Вычисление результатов: Z-тест

После сбора данных мы используем двусторонний Z-тест для пропорций (Wikipedia). Он показывает, является ли разница между конверсиями контрольной и тестовой групп статистически значимой. Минимальный обнаруживаемый эффект (MDE) настраивается заранее — например, 5% при мощности 80%.

import numpy as np
from scipy import stats

def calculate_significance(control, treatment):
    p1 = control['conversions'] / control['users']
    p2 = treatment['conversions'] / treatment['users']
    n1, n2 = control['users'], treatment['users']
    p_pool = (control['conversions'] + treatment['conversions']) / (n1 + n2)
    se = np.sqrt(p_pool * (1 - p_pool) * (1/n1 + 1/n2))
    if se == 0:
        return {'error': 'Insufficient data'}
    z = (p2 - p1) / se
    p_value = 2 * (1 - stats.norm.cdf(abs(z)))
    diff = p2 - p1
    se_diff = np.sqrt(p1*(1-p1)/n1 + p2*(1-p2)/n2)
    ci = [diff - 1.96*se_diff, diff + 1.96*se_diff]
    return {'significant': p_value < 0.05, 'p_value': round(p_value, 6), 'lift': round((p2-p1)/p1*100,2) if p1>0 else None}

Чтобы результаты были достоверны, мы также проверяем Sample Ratio Mismatch (SRM) — не отклонилось ли реальное распределение пользователей от ожидаемого. Если p-value хи-квадрат теста ниже 0.01, данные помечаются как ненадёжные.

Как работают Feature Flags в A/B-тестах?

A/B-тестирование и feature flags — смежные концепции. Мы интегрируем их так: вариант эксперимента содержит JSON-конфигурацию, которая влияет на работу фич. Например, вариант treatment_a включает {"checkout_steps": 1, "show_trust_badges": true}. Код на фронте или бэкенде просто читает этот конфиг и меняет поведение.

$variant = $experimentService->getVariant($userId, 'checkout-redesign');
$config = $experimentService->getVariantConfig('checkout-redesign', $variant);
$checkoutSteps = $config['checkout_steps'] ?? 3;

Что входит в работу

• Разработка assignment service с hash-based распределением и unit-тестами
• Трекинг событий с асинхронной записью в ClickHouse
• Вычисление статистической значимости (Z-тест, доверительные интервалы)
• Админ-панель для запуска и мониторинга экспериментов
• Документация по интеграции и обучение вашей команды
• Поддержка первого месяца пилотного запуска

Процесс работы

1. Аналитика — разбираем ваши цели, метрики, текущую архитектуру (1–2 дня)
2. Проектирование — готовим схему БД, API, контракты (2–3 дня)
3. Реализация — пишем код, пишем тесты (7–10 дней)
4. Тестирование — юнит-тесты, интеграционное тестирование, нагрузка (2 дня)
5. Деплой — разворачиваем в вашем окружении, настраиваем мониторинг (1–2 дня)

По всем вопросам обращайтесь к нам — мы поможем оценить объём работ и рассчитать экономию.

Сроки и бюджет

Ориентировочное время разработки — от 14 до 21 дня. Стоимость рассчитывается индивидуально в зависимости от сложности интеграции и дополнительных требований. Закажите разработку кастомной платформы уже сегодня — мы подготовим предложение в течение 2 рабочих дней.

Мы гарантируем качество кода: используем код-ревью, покрытие тестами не менее 80%, и предоставляем гарантию на устранение ошибок в течение 30 дней после ввода в эксплуатацию. Получите консультацию и узнайте, как кастомная платформа A/B-тестирования может улучшить ваши конверсии без компромиссов по производительности.